Transcripción completa
Conor Doherty: Esto es Supply Chain Breakdown, y hoy vamos a desglosar por qué deberías estar haciendo forecast de más que solo la demanda. Me llamo Conor; soy Director de Comunicaciones aquí en Lokad. Y a mi izquierda en el estudio, como siempre, el fundador de Lokad, Joannes Vermorel.
Ahora, antes de comenzar, dos preguntas. Primero, ¿desde dónde estás viendo? Nosotros estamos en París. Y segundo—pregunta clave que enmarca toda la discusión—¿estás de acuerdo en que es importante realizar forecast de más que solo la demanda? Pregunta clave, pero es aquella que va a influir en toda la discusión. Dicho esto, acompáñanos. Sé que el tiempo es limitado hoy, así que iremos directo al grano.
Esta conversación fue inspirada por una de las conferencias que volví a ver—forecast de lead time, conferencia 5.3. En esa argumentaste, y cito, “Cualquier cosa que no se sepa con un grado razonable de certeza merece un forecast.” Ahora, te conozco un poco mejor que la mayoría; sé que no piensas que algo sea seguro excepto la muerte y, en Francia, los impuestos, sin duda. Así que, para empezar: ¿cuáles son los conocidos desconocidos—las cosas que sabemos que no sabemos—in supply chain?
Joannes Vermorel: Si miras la literatura de supply chain, se trata todo de forecast de ventas. Quiero decir, literalmente, por cada mil artículos que discuten el forecast de la demanda, hay uno que discute el forecast de ventas—lo que significa series de tiempo para ventas en la práctica—en contraposición a forecast de cualquier otra cosa.
Cuando estuve revisando la literatura, la proporción con la que terminé fue: por cada mil artículos que discuten el forecast de ventas, había un artículo que discutía el forecast de lead time. Obviamente, lead time es muy importante. Siempre es, diría yo, un conocido desconocido, porque si deseas tener calidad de servicio, necesitas decir: “¿Atenderé a esta cantidad de clientes por cuánto tiempo?” Porque, obviamente, dependiendo de tus lead times, si se tarda seis meses en llegar la mercancía, necesitas cubrir seis meses de demanda. Si el proveedor puede entregar en 48 horas, es un período de tiempo mucho más corto.
La realidad es que en prácticamente todas las industrias los proveedores no son perfectamente confiables. Y ese es solo el primero—el lead time es muy obvio. Luego tienes los precios. Tienes los precios de tus propios proveedores; ellos pueden aumentar o disminuir sus precios dependiendo de las fluctuaciones del mercado. También tienes los precios de tus propios competidores que pueden obligarte: un competidor puede bajar su precio, obligándote a bajar el tuyo a cambio, o—al contrario, si tienes suerte—cuando un competidor entra en bancarrota y de repente puedes aumentar tu precio, ya que hay una fuente menos de estrés en el mercado.
Esas cosas suceden todo el tiempo, y lo que estoy diciendo es que si no tomas en cuenta aquellas fuentes de incertidumbre, que son igualmente tan determinantes, entonces las decisiones de supply chain—la asignación de recursos escasos—estarán muy desalineadas con la realidad. Es como una mala gestión del riesgo. Si decretas que una clase de riesgo no existe cuando en realidad sí lo hace, entonces cualquier cálculo que hagas estará equivocado, y eso significa mayores costos generales de lo que deberían ser.
Conor Doherty: Gracias, y quiero enmarcar de nuevo, con mucho cuidado, la discusión. Mencionaste que cuando preparabas tu conferencia, examinaste el panorama en la academia y encontraste una enorme disparidad en términos de lo que se escribía sobre la demanda versus algo como los lead times. Bien, eso es en la academia; en cuanto a la planificación de supply chain en la práctica, es incluso peor. ¿Qué tan común es que haya personas haciendo forecast de lead times, precios, devoluciones, tasas de desecho—en la realidad, no en el aula?
Joannes Vermorel: En realidad, incluso por debajo del 0,1%. Eliges cualquier ERP del mercado medio y tendrás un módulo de forecast de demanda—even si es uno crudo—. Hasta donde yo sé, prácticamente ninguno de ellos tiene algún tipo de forecast de lead time. Análisis de volatilidad de precios—nuevamente, hasta donde yo sé—ninguno.
Si observas el panorama de las aplicaciones, el hecho de que esas capacidades estén completamente ausentes refleja literalmente que en los artículos académicos también están muy, muy ausentes. En el software empresarial, la mayoría de los proveedores están literalmente copiando lo que se encuentra en los libros de texto académicos. No son necesariamente muy inventivos cuando se trata de tecnología; tienden a simplemente implementar la receta numérica que se ofrece en los grandes libros de texto.
Conor Doherty: No los tenemos presentes—olvidé traerlos, mea culpa—, pero de hecho miramos algunos de los libros de texto en tu oficina ayer, y nuevamente, haciendo una búsqueda muy rápida a través del índice para tratar de encontrar dónde se menciona el forecast de lead time, podrías encontrar tan solo un párrafo.
Joannes Vermorel: Ni siquiera mencionan el forecast de lead time. Como máximo, los profesionales de supply chain van a reconocer que existen lead times variables, en el mejor de los casos. Lo más que he encontrado en la literatura—de nuevo, me refiero a libros de texto prácticos, no a un artículo perdido en arXiv—fue asumir que los lead times se distribuyen de forma normal, lo cual es muy extraño y raro porque implica que estás asignando una probabilidad no nula a que un pedido que realices hoy llegue ayer. Tienes probabilidades positivas desde menos infinito hasta infinito.
En apariencia, es una interpretación muy extraña para los lead times, pero eso te da el estado del arte de lo que podemos encontrar en la literatura. De nuevo, en el panorama aplicativo de las empresas, esto simplemente está completamente ausente. Usualmente, solo tienes un valor fijado para el lead time, y si tienes suerte se revisa una vez al año; si no, nunca se ha revisado.
Conor Doherty: Nuevamente, en teoría—digamos, por el bien de la discusión—que en la mayoría de las empresas la planificación se basa puramente en el forecast de la demanda. ¿Cuál es el problema con eso? Si te vas a enfocar en una fuente de incertidumbre, ¿no sería la demanda aquella en la que querrías concentrar todos o casi todos tus esfuerzos?
Joannes Vermorel: Piensa en cualquier otro ámbito. Los supply chains son muy opacos, lo cual puede complicar las cosas, pero imagina que estás vendiendo seguros. Sí, tienes que tener en cuenta, por ejemplo, para un seguro contra incendios de viviendas, la probabilidad de que la casa se queme, pero también necesitas considerar la probabilidad de que el cliente permanezca para que realmente puedas obtener una ganancia.
Necesitas tener en cuenta esas incertidumbres. Si no las consideras todas, estás a ciegas. ¿Cuáles son las probabilidades de que, al ignorar algo que es muy determinante, tu cálculo económico resulte correcto? No me refiero a un patrón sutil y esquivo; me refiero a algo que está a la vista, con un impacto masivo, como los lead times o el precio al que vendes.
Por ejemplo, si vendo productos con un gross margin del 90% porque es un accesorio—a los clientes no les importa—, puedo ser mucho más generoso con mis excesos de stock, ya que vender una unidad cubre el costo de otras diez. Si, por otro lado, soy mayorista vendiendo con un [gross margin] del 2%, entonces los excesos de stock son absolutamente letales y necesito tener mucho cuidado.
Aquí estamos haciendo proyecciones sobre el gross margin proyectado, pero de nuevo, depende del precio. Si no prestas atención al precio, puedes tener fluctuaciones masivas en la rentabilidad; por lo tanto, tiene consecuencias dramáticas sobre si algo es rentable para producir, comprar o mantener en stock.
Conor Doherty: Es importante subrayar aquí que estamos haciendo esencialmente un argumento de gestión de riesgos o de economía sobre la importancia de reconocer la variedad de incertidumbres.
Joannes Vermorel: Exacto. Aquí, estamos hablando de mirar hacia el futuro para decir: ¿qué necesito saber, qué necesito evaluar cuantitativamente, para tener algún tipo de decisión basada en evidencia que sea racional para la empresa?
La teoría clásica corriente simplemente asume series de tiempo de las ventas y ya está, y tendrán ideas increíblemente simplistas, en el mejor de los casos, para el lead time—fijándolo— y eso es todo. Dependiendo de los sectores, tienes muchas más incertidumbres. Para e-commerce, puedes tener devoluciones. Si estás en textil—fast fashion—tienes control de calidad, y parte de tu producción proveniente, digamos, de Bangladesh, podría no pasar el control de calidad. Así que pediste mil; al final, solo tienes seiscientos porque cuatrocientos no pasaron el control de calidad.
Esos son los conocidos desconocidos. Las personas que trabajan en esas industrias lo saben. Donde se vuelve insano es que la manera típica de tener en cuenta aquellas incertidumbres que no tienen nada que ver con la demanda es reingeniar el forecast de demanda de manera que indirectamente contemple esta otra incertidumbre.
Por ejemplo, si piensas que tu lead time tiene mucha variabilidad, la gente incrementará el forecast de ventas para que pidas más antes, cubriendo así el riesgo asociado al lead time. Pero es una manera muy indirecta de pensar en eso, y de repente terminas con esta situación super extraña en la que empeorar tu forecast de ventas hace que tu empresa sea más rentable. Esto es muy inconsistente. Operativamente, puedo entender por qué la gente termina haciendo eso, pero es un enfoque mucho más razonado para abordar esas otras incertidumbres e intentar predecirlas por separado.
Conor Doherty: Quiero ofrecer un pequeño contrargumento aquí, porque cuando comencé a publicitar esto, algunas personas lo señalaron—y estos son amigos del canal; son personas a las que hemos entrevistado—un saludo a Jonathan Karrel en Northland y a Meinolf Sellmann en Inside Opt. Señalaron que lo que estamos discutiendo hoy—estoy parafraseando—lo que sugieres no es nuevo. La idea de hacer forecast, por ejemplo, de lead time, tasas de desecho, devoluciones, etc., ha sido parte de la literatura durante décadas y es, de hecho, un procedimiento operativo estándar en algunos lugares o en algunas industrias. ¿Cómo respondes a ese contrargumento?
Joannes Vermorel: El hecho de que estuviera en la literatura—absolutamente, estoy bastante seguro de que podemos encontrar artículos que datan de la era de la investigación operativa en los años 50 discutiéndolo. Como dije, la proporción de artículos es de mil a uno; es extremadamente escasa. La mayoría de lo que encuentras son solo referencias de pasada.
Mi observación casual, después de hablar durante una década y media con cientos de directores de supply chain, es que esas cosas están ausentes en el 99% de las empresas. Si dijera que en la práctica se trata de alrededor del 0% de las empresas que hacen eso, sería solo una aproximación muy modesta. De entre el millón de empresas a nivel mundial que tienen algún tipo de supply chain, sí, probablemente haya decenas que lo hacen; pero de nuevo, eso es ínfimo en términos relativos.
Conor Doherty: Subrayando el punto de la diferencia entre la conciencia académica y la realidad sobre el terreno. Pero, para dar el beneficio de la duda, digamos que la gran mayoría de las empresas son conscientes de las fuentes de incertidumbre que describiste. Entonces, ¿por qué las empresas se enfocan en la demanda y en gran medida ignoran o subvaloran las otras fuentes?
Joannes Vermorel: En este paradigma dominante, el forecast de la demanda no es realmente un forecast, sino un compromiso. La empresa se compromete a atender esa cantidad de demanda. Detrás de escena, entre las divisiones de la empresa, hay territorios—feudos—sobre quién recibe esa cantidad de dinero para apoyar su propio feudo. Es ese tipo de batallas las que ocurren en el S&OP: marketing versus ventas versus operaciones, etc. Todos quieren una porción mayor.
Detrás de la demanda, el pensamiento es que no se trata exactamente de un statistical forecast; es también un compromiso y una declaración profética. La empresa dice, “Proyectamos eso,” y con un efecto auto-profético asignamos la cantidad correcta de recursos para que esto suceda.
Cuando consideras otras fuentes de incertidumbre, no ocurre eso. Hacer forecast de lead time: no hay batalla de feudos sobre la naturaleza del forecast. Como consecuencia, estas cosas quedan completamente relegadas mientras la gente se lanza a la gran refriega por el master forecast de S&OP que define cuántos recursos monetarios recibirá cada división, cada línea de producto.
Esas otras fuentes de incertidumbre son extremadamente determinantes para la decisión, pero no lo son de la misma manera para la política interna de la empresa. Por eso creo que, en general, quedan completamente relegadas. No se trata de que la gente prefiera modelos estadísticos para hacer forecast de la demanda; de hecho, la proyección de la demanda es el núcleo de las batallas internas que se dan en el S&OP entre divisiones que compiten por los recursos internos de la empresa.
Conor Doherty: Escuchándote ahora, estamos hablando de la amplia gama de incertidumbres. Sin embargo, cada vez que dices “otras incertidumbres,” tu ejemplo principal son los lead times. En esa conferencia que mencioné antes—conferencia 5.3; Alex, por favor comparte eso en el chat en vivo—dijiste que de todas las fuentes de incertidumbre, los lead times son una de las, si no la más importante y están “increíblemente subvalorados”. Hiciste hincapié en “increíblemente”. ¿Qué tienen los lead times que los hace tan importantes, y por qué están tan subvalorados?
Joannes Vermorel: ¿Por qué están subvalorados? Acabamos de cubrir eso—no hay feudos por los cuales pelear—por lo que realmente se trata de una cuestión de pura gestión de riesgos. El resultado de este modelado no definirá cuántos recursos monetarios reciben marketing, ventas o producción, sin embargo, es extremadamente determinante para la rentabilidad de la empresa.
¿Por qué es tan importante? Porque los tiempos de entrega no son distribuciones “agradables”. No es como decir, “tengo un proveedor que siempre entrega en 21 días.” En Lokad hemos trabajado con cientos de empresas y conjuntos de datos empresariales de tiempos de entrega. Los tiempos de entrega son, casi siempre, bimodales por naturaleza. Tienes un pico agudo que representa la entrega cuando las estrellas se alinean y todo va según lo planeado. Eso podría ser, si tienes mucha suerte en algunas industrias, alrededor del 95% de las veces; en otras industrias donde no es tan confiable, digamos el 80% de las veces. Es entonces cuando se tiene una alineación perfecta y se recibe la entrega en el marco de tiempo especificado.
Luego está cuando los planetas no se alinean. El caso típico es que tu proveedor esté teniendo, en ese momento, un faltante de stock, por lo que no tiene el material a mano y no puede enviártelo. Se presentan situaciones en las que el transportista tiene un problema, o el almacén en algún intermediario está lleno, o hay un problema en aduanas con algún tipo de inspección demorada. En esta situación—el segundo modo—, que ocurre entre el 5% y el 20% o incluso el 30% de las veces dependiendo del sector, los retrasos se vuelven extremadamente largos. El peor caso es que, literalmente, el material nunca llega.
Si observas tu tiempo de entrega promedio esperado—haz la definición matemática—muy frecuentemente obtendrás valores infinitos simplemente porque cierto material nunca llega. El tiempo de entrega promedio para esos casos, al promediar, es como promediar el infinito. Obviamente, es un poco absurdo, pero sirve para señalar que esas situaciones—el término técnico es fat tails—significan que cuando las cosas no salen según lo planeado, pueden salir muy mal, y por mucho más tiempo. Eso es algo que, por ejemplo, las distribuciones normales nunca capturarán. No capturan que algo que se espera que llegue en tres días puede tardar un año, y sin embargo sucede frecuentemente.
Conor Doherty: Esto se relaciona con algo—voy a leer una cita nuevamente de la misma conferencia. Hablando de los tiempos de entrega, dijiste que la gente típicamente los trata como una “variabilidad”, y la variabilidad no es algo que pueda ser controlado con cumplimiento. La gente normalmente no lo ve como una fuente de incertidumbre que necesite ser intervenida tecnológicamente; es algo que se aborda mediante una intervención cara a cara o manual—como, “agarro el teléfono, llamo a mi proveedor.” ¿Podrías ampliar sobre eso?
Joannes Vermorel: Esta es, en gran medida, la visión general dominante sobre los supply chains, donde la demanda futura no es exactamente un forecast con incertidumbre; es un compromiso. Una vez que tienes este compromiso, todo se trata de cumplimiento—se busca la mínima desviación con respecto al plan. Cualquier desviación se percibe como un incumplimiento. La gente piensa en la excelencia de procesos y en este tipo de cosas; por lo tanto, esa incertidumbre realmente no se aborda, porque existe la mentalidad de que esta variabilidad es simplemente un defecto—algo que el próximo año, cuando finalmente hayamos perfeccionado el proceso, habrá desaparecido.
¿Por qué forecastear algo que el próximo año habrá desaparecido porque finalmente habremos arreglado el proceso? Desafortunadamente, lo que estoy describiendo—esta incertidumbre—es irreducible. ¿Por qué? Porque no depende de ti. Son decisiones tomadas por otras personas. Tu proveedor puede tener el inventario, pero puede decidir que va a atender a otro cliente primero, no a ti. Qué lástima. No es un muy buen proveedor, pero es el proveedor que tienes; es una decisión tomada en tu contra.
Lo mismo ocurre con los precios de tus competidores. Sería tan bueno si todos tus competidores pudieran subir sus precios para que tú también pudieras subir el tuyo. Pero, ¿adivina qué? Alguien va a bajar el precio. Nuevamente, no depende de ti.
Si dejamos a un lado cosas como el clima, tsunamis, terremotos—todos los eventos naturales que pueden causar disrupciones—finalmente esas fuentes de incertidumbre son irreducibles porque se reducen a decisiones que aún no se han tomado y que se tomarán en el futuro por otras personas. Fundamentalmente, estás intentando adivinar las decisiones que serán tomadas en el futuro por otras personas. Eso es exactamente lo que sucede cuando forecasteas la demanda: literalmente estás forecasteando la decisión de que esas personas comprarán tu producto en el futuro—pueden cambiar de opinión. Cuando forecasteas el tiempo de entrega, asumes que tu proveedor va a mantener el mismo nivel de inversión para poder atenderte de manera oportuna y que no descontinuará sus productos. Todo eso es conjetura; por eso terminas necesitando esas predicciones.
Conor Doherty: Citándote a través de múltiples fuentes sobre la variabilidad inherente a ciertas clases de incertidumbre—dijiste que no depende de ti; anteriormente argumentaste que la variabilidad no es algo que pueda ser controlado con cumplimiento. Si no puedes controlar estas fuentes de variabilidad con cumplimiento—es decir, con intervención manual de las personas—¿qué opciones tienen las personas para enfrentarlas? Una es ignorarla; ya lo hemos cubierto. ¿Qué más hay?
Joannes Vermorel: Muy frecuentemente, la gente hace retroingeniería del master forecast. Cuando digo master forecast, me refiero al forecast de demanda, porque nuevamente, en las empresas, cuando se dice “forecasting”—aunque hemos visto que el forecasting debería aplicarse a todas las fuentes de incertidumbre: demanda, tiempos de entrega, precios, devoluciones, problemas de calidad, rendimientos de producción, etc.—en la práctica, el “forecasting” es solo demanda.
Lo que harán es aplicar retroingeniería al forecast de demanda, ajustándolo hacia arriba o hacia abajo para readaptar indirectamente el compromiso, porque detrás del master forecast tienes todos esos compromisos asumidos por la empresa—la asignación de recursos—y están haciendo retroingeniería del master forecast de modo que esos compromisos tengan un poco más de sentido con respecto a esos riesgos. Eso es lo que ocurre en la práctica. Debido a que es una forma muy indirecta de hacerlo, es muy ineficiente; es una manera increíblemente indirecta de dirigir la empresa.
Conor Doherty: Soy consciente del tiempo, así que seguiré, pero quiero plantear una pregunta que vino de otro amigo del canal, Jeff Baker—si estás viendo en MIT, hola. Él señaló que en muchas grandes empresas, ciertamente en manufactura, los enfoques que estamos describiendo hoy son comunes. La gente es consciente de este conjunto de incertidumbres; también las forecastea activamente, pero hizo el punto de que a menudo carecen de las herramientas de planificación para utilizar el tipo de información que se forecastea. ¿Qué opinas al respecto, y por qué pueden existir empresas muy grandes y muy rentables que son conscientes de las incertidumbres y las forecastean de manera activa y regular, sin incorporarlas en el proceso de toma de decisiones?
Joannes Vermorel: Primero, realmente cuestiono “que las están forecasteando.” Tienen un equipo de ciencia de datos en algún lugar que está forecasteando cientos de cosas y nadie presta atención a lo que están haciendo. Tocaremos el tema de la ciencia de datos—en el próximo episodio. Esa es mi opinión: cuando la gente dice, “Oh, sí, sí,” hay un equipo de ciencia de datos que está completamente aislado; a nadie le importa lo que esos chicos están haciendo. Yo diría: irrelevante.
Ahora, el hecho de que tengas herramientas de planificación—nuevamente, las herramientas de planificación simplemente reflejan lo que se encuentra en la literatura académica, que es nada. En su mayoría, las herramientas de planificación reflejan el paradigma dominante, que es “sales forecast is king,” y eso es todo. Cuando la gente dice “no tenemos las herramientas,” nuevamente, cuando vendes software como un proveedor de software empresarial, realmente es impulsado por el cliente, especialmente en el segmento empresarial. Las empresas enumeran sus requisitos, y los proveedores simplemente cumplen, proporcionando lo que el cliente demandó. Si esas capacidades no están, es ante todo porque las mismas empresas clientes no se preocuparon por ello y no lo pidieron.
Conor Doherty: Quiero continuar porque hay algunas preguntas privadas y algunos comentarios públicos. Última pregunta, luego pasaremos a la audiencia. Hemos cubierto mucho hoy. ¿Qué consejo final das a las empresas que están de acuerdo con tu postura pero que podrían carecer de las herramientas de planificación o del software para abordar esto realmente? Tecnología y actitud—¿cuáles son tus opiniones sobre estos dos aspectos para marcar la diferencia?
Joannes Vermorel: El primer paso es realmente: hacer un cálculo rápido (back-of-the-envelope) para evaluar, en euros y dólares, cuánto cuesta. Esas cosas—porque nunca se evalúan—la gente las toma como el costo de hacer negocios, y eso es todo. ¿Es algo menor para una empresa o algo realmente importante? Varía. Mi opinión es que para la mayoría de las empresas a gran escala es mucho dinero.
Realiza el cálculo rápido, y luego sugeriría: ve con el nivel C, con los ejecutivos, e intenta llegar a un acuerdo sobre la magnitud del problema. El resto—las tecnicidades—podríamos discutir exactamente cómo hacerlo, etc. Creo que la mayor parte del problema, la mayor parte del tiempo, es que el problema no se reconoce. Nadie ha intentado realmente asignarle un valor en dólares. Sí, algunas personas lo hicieron, pero muy pocas. Por ello, no hay conciencia, y la alta dirección no puede discernir si es algo realmente importante o simplemente un gadget.
Imagina que eres un alto ejecutivo en una empresa muy grande. Tienes a tantas personas tocando a tu puerta diciendo, “Tienes esta pieza de tecnología que no puedes ignorar,” y hay veinte personas cada día tocando con eso. Mi sugerencia es: construye un caso de negocio muy claro—simple. Estoy hablando de cosas que no son súper avanzadas, súper técnicas—solo para tener una convicción íntima de la dimensión adecuada del problema. Preséntalo a quien esté a cargo, y el resto seguirá. La gente no llega a ser altos ejecutivos en grandes empresas porque sean idiotas—es muy raro. Las grandes empresas son, en realidad, bastante buenas filtrando a las personas que ascienden muy alto en la jerarquía; así es como sobreviven. Una vez que hay conciencia, las cosas tomarán su curso según el modus operandi favorecido en la gran empresa.
Conor Doherty: Gracias. Soy consciente del tiempo porque sé que tienes un compromiso ineludible, así que voy a priorizar los comentarios públicos, y el resto de las preguntas que se enviaron de manera privada las responderemos mañana en LinkedIn.
Este es un comentario y una pregunta de Murthy—espero estar pronunciándolo correctamente. “Joannes, uno de los desafíos clave que enfrentan las empresas de CPG y los minoristas es la congestión en sus centros de distribución y de cumplimiento debido a los cambios estacionales en la demanda. ¿Podríamos organizar una sesión para explorar las mejores prácticas para predecir la congestión y desarrollar estrategias efectivas de descongestión?”
Joannes Vermorel: La respuesta corta es: absolutamente sí. Respuesta más larga: este es, típicamente, un problema que surge por diseño con los forecasts puntuales deterministas. Proyectas la demanda promedio—o el flujo promedio si estamos hablando de FMCG—y el flujo promedio está justo por encima o ligeramente por debajo de la capacidad, y luego la gente dice que está más o menos bien.
Pero la realidad es que—especialmente en FMCG/CPG—es muy volátil. En teoría, a nivel semanal estás justo por debajo del 100% de utilización, pero con la fluctuación rutinariamente te excedes. Sí, existen muchas técnicas para ello. Deberíamos discutir una técnica llamada “shadow valuations,” donde la idea es que deseas suavizar las cosas a lo largo del tiempo, y para ello es necesario introducir una noción de costo de oportunidad que refleje el riesgo de saturación de tu DC, tu unidad de producción, tu transportista, o lo que sea que esté actuando como cuello de botella.
Eso es ligeramente diferente al tema de las diversas fuentes de incertidumbre.
Conor Doherty: En esa línea, si hay ciertas sesiones que a la gente le interese que cubramos, comenta abajo o conéctate con nosotros de manera privada en LinkedIn y sugiere, si no quieres hacerlo públicamente.
Podríamos continuar. Perdóname si la pronunciación es incorrecta. Kaizen—disculpa. “En mi mercado, que son productos de lujo, la demanda es intermitente y de muy baja cantidad. ¿Cuál es tu mejor consejo para mejorar la precisión? Nota: ya forecasteamos a nivel agregado.”
Joannes Vermorel: Solo tenemos unos pocos minutos, así que es una tontería pretender que las series de tiempo encajarán. En resumen, la serie de tiempo está rota—simplemente está rota. Lo que la gente hace cuando se enfrenta a una situación que no encaja con las series de tiempo es tratar de modificar el problema para que se adapte a ellas. Aquí, estamos hablando de “agreguemos todo por trimestre, por región,” y luego vuelves a tener series de tiempo robustas, con sustancia, sobre las que se puede forecastear.
Respuesta corta: necesitas abandonar las series de tiempo. No son apropiadas en absoluto para el lujo. Tenemos clientes de lujo; las series de tiempo no son apropiadas en absoluto. Eso es algo que funciona para, digamos, Unilever, pero no funciona para demandas esporádicas e intermitentes. No funcionará para el retail; no funcionará para aviation; no funcionará para el petróleo y gas; no funcionará para el lujo y la moda en general.
Esa es la respuesta corta: abandona las series de tiempo. Existen enfoques alternativos, pero—
Conor Doherty: No iba a hacer una autocomercialización barata; iba a decir que, de hecho, tenemos más recursos sobre eso. Alexey, si puedes escuchar esto, por favor comparte algunos de los recursos de aprendizaje sobre forecasting-for-luxury-markets en el chat. Muy útil.
Tenemos tiempo para un último comentario, relacionado—también en el tema de productos de lujo: “Ya forecasteamos la demanda como distribuciones. ¿Cuál es la forma más rápida y menos disruptiva de agregar distribuciones de tiempos de entrega en nuestra lógica de compra?” Es una pregunta muy importante, entiendo.
Joannes Vermorel: Realmente depende de tu configuración—dónde se encuentra tu receta numérica actual, el algoritmo/motor de toma de decisiones. Puedes resolverlo con Excel; incluso tenemos una hoja de cálculo de Excel donde mostramos que, incluso en Excel, se pueden manejar entornos probabilísticos. Es algo feo, pero si tienes paciencia, es factible.
Si realmente tienes prisa, necesitas encontrar heurísticas—cálculos numéricos arbitrarios—que hagan lo que deseas. Yo diría: simplemente encuentra una heurística que sea mejor que hacer retroingeniería de la misma demanda. Da un paso—todavía es como usar cinta adhesiva—pero es un paso mejor que ajustar la demanda. Luego puedes echar un vistazo a cómo hacemos probabilistic forecasting en Excel si no tienes otra opción.
Si queremos ir más allá, especialistas como Lokad logran hacer estas cosas en solo unos pocos meses. No es un gran proyecto, pero eso significa renovar todo el proceso para tener una receta numérica real y adecuada. En algún momento no puedes eludir el hecho de que tienes que adoptar una receta numérica programática para tu supply chain—pero ese es un tema diferente.
Conor Doherty: Me han dicho que debo concluir en cuarenta minutos, así que tenemos tiempo para un pensamiento final muy breve. Basándonos en todo lo que hemos tratado—sólo treinta segundos—¿cuál es tu propuesta para las personas en lo que respecta al forecast más allá de la demanda?
Joannes Vermorel: Piensa en ello como gestión de riesgos. La toma de decisiones en supply chain es gestión de riesgos. Si solo forecast la demanda, dices que el único riesgo que tienes es que los clientes se presenten o no, e ignoras todos los demás riesgos. No es bueno; no es una adecuada gestión de riesgos.
Mi reflexión final sería: evalúa cuánto dinero se está dejando sobre la mesa al considerar esos otros riesgos. Observa cuánto está desperdiciando tu empresa, y llévalo a tu jefe. Estoy bastante seguro de que la gente reaccionará y buscará soluciones una vez que reconozcan la magnitud del problema.
Conor Doherty: Gracias. Se nos han acabado las preguntas y también el tiempo. Como siempre, gracias por acompañarme—y a todos los demás, gracias por asistir y por sus preguntas. Como dije antes, asegúrense de conectarse con Joannes y conmigo en LinkedIn si desean discutir estos temas de forma privada. Los veremos la próxima semana en el próximo episodio de Supply Chain Breakdown.
Y con esto, a todos les digo: vuelvan al trabajo.
