Back to Lokad TV


00:00:00 Compras aeroespaciales: incertidumbre y prioridades económicas
00:05:58 Visibilidad de la flota, objetivos de servicio y costes de inversión
00:11:47 Rotables, consumibles e inversiones priorizadas económicamente
00:17:23 Prioridades bajo restricciones presupuestarias y operativas
00:23:56 Priorizar inversiones por mejora del servicio por dólar
00:29:43 Validar datos y modelizar demanda incierta
00:35:48 Combinar la incertidumbre de la demanda y de los tiempos de reparación
00:41:42 Integración de sistemas y oportunidades de desinversión
00:47:15 Intercambios, prioridades de reparación e integración de proveedores
00:53:29 Preparación de datos y requisitos de implementación
00:58:44 Simulaciones históricas y trazabilidad de decisiones
01:04:10 Prioridades económicas, consumibles y retrasos de proveedores
01:09:14 Previsión del mantenimiento y seguimiento de las recomendaciones aplicadas
01:14:05 Automatización de compras, plataformas de aprovisionamiento y prioridades de reparación
01:19:52 Conclusiones principales y cierre

Resumen

Conor Doherty y Fabian Hoehner demuestran cómo Lokad convierte la demanda incierta, los tiempos de reparación y los presupuestos limitados en decisiones de compra aeroespaciales priorizadas. El enfoque evalúa cada unidad adicional según su contribución esperada al servicio o a evitar aeronaves inmovilizadas en tierra (AOG), en relación con su coste. El mismo razonamiento sirve para la desinversión, la priorización de reparaciones y los traslados de stock. Lokad funciona junto a los sistemas existentes, y los Supply Chain Scientists y los expertos operativos perfeccionan los cálculos. Las simulaciones históricas ayudan a explicar decisiones pasadas, mientras que la automatización depende del valor y la complejidad de las compras.

Resumen extendido

Las compras aeroespaciales obligan a elegir entre distintos usos de recursos escasos. Comprar otro repuesto puede reducir el riesgo de dejar un avión en tierra, pero también compromete dinero que podría proteger otra operación más importante. En esta demostración en directo, Conor Doherty y Fabian Hoehner explican cómo Lokad evalúa esas decisiones. La pregunta central es cuánto servicio adicional, o cuánta reducción del riesgo AOG, puede obtenerse razonablemente por cada dólar. Las cantidades de inventario se derivan de esa comparación y de las restricciones del negocio.

La demostración parte de una flota aérea de ejemplo y un pool de rotables: piezas que pueden repararse y volver al servicio. Su disponibilidad depende tanto de la demanda como del tiempo que pasan en los procesos de reparación y logística. Tener cinco unidades en propiedad no ofrece la misma protección que disponer de cinco unidades aptas para el servicio de inmediato. Lokad extrae datos transaccionales de los sistemas existentes para conocer la situación operativa y después calcula recomendaciones de inversión. En el ejemplo, unos 68 millones de dólares de stock proporcionan un nivel de servicio esperado del 95,7 %; una inversión adicional de aproximadamente 1,2 millones de dólares lo acerca al 98 %. Las mejoras posteriores resultan cada vez más caras.

Las recomendaciones se ordenan unidad por unidad. Una unidad adicional de un PN concreto compite con unidades adicionales de otros PN, incluidas piezas con precios y patrones de demanda muy distintos. La primera unidad suele cubrir más incertidumbre que la segunda o la tercera. Ese beneficio decreciente importa: comprar varias unidades de una pieza puede aportar menos valor que repartir la inversión. La criticidad también importa. Una pieza no-go relativamente barata puede justificar una mayor disponibilidad que una pieza cara cuya ausencia tenga consecuencias menos graves. Una lista priorizada también facilita aplicar los límites de presupuesto, capacidad de compra y recepción.

Esas comparaciones requieren tratar la incertidumbre de forma realista. La demanda aeroespacial suele ser escasa e irregular, mientras que los tiempos de reparación pueden variar considerablemente. Los promedios ocultan precisamente las situaciones excepcionales frente a las que una aerolínea quiere protegerse. Por ello, Lokad modeliza distribuciones de demanda y de tiempos de reposición y las combina para estimar la demanda durante los posibles horizontes futuros. Hoehner muestra cómo las reparaciones pueden concentrarse en torno a una duración corta cuando todo va bien y una mucho más larga cuando surgen complicaciones. Sustituir ese patrón por un único promedio puede distorsionar el stock necesario. Los eventos de mantenimiento conocidos, las listas de materiales probabilísticas y los cambios en las tendencias de los tiempos de reparación también pueden incorporarse a los cálculos.

Las estimaciones financieras permiten debatir las ventajas y desventajas de cada decisión. El coste de un evento AOG puede ser difícil de determinar, pero una estimación aproximada ofrece una base para comparar decisiones y revisar supuestos. El conocimiento operativo sigue siendo esencial: una funda de asiento o una cafetera puede tener consecuencias que las clasificaciones técnicas de aeronavegabilidad no reflejan por sí solas. Los usuarios examinan las recomendaciones mediante inspectores de artículos y paneles de apoyo, cuestionan resultados sorprendentes y ayudan a perfeccionar el modelo. Las compras costosas de rotables suelen seguir requiriendo validación experta y presupuestos de proveedores; los consumibles y las piezas no reparables de menor valor ofrecen más margen para la ejecución automática.

El mismo razonamiento se extiende a la desinversión, las reparaciones y la asignación. La desinversión compara el efectivo liberado con la protección del servicio a la que se renuncia. La priorización de reparaciones identifica qué unidades no aptas para el servicio justifican con mayor urgencia el gasto o la aceleración del proceso. Los traslados comparan el coste del transporte y el aumento del riesgo en el origen con los beneficios en el destino y con la alternativa de comprar más stock. Son decisiones económicas relacionadas, aunque cada una exige considerar sus propios detalles operativos. Una oportunidad teórica de desinversión, por ejemplo, sigue dependiendo de encontrar un comprador y establecer un valor de mercado realista.

Lokad opera como un sistema de inteligencia junto al software transaccional. Sus Supply Chain Scientists adaptan la solución a los datos y procesos del cliente; los proveedores no necesitan adoptar una nueva plataforma. Las decisiones útiles también ayudan a identificar qué defectos de los datos merecen atención, evitando intentos interminables de limpiarlo todo antes de empezar. Hoehner sitúa una implementación típica en unos seis meses, aunque puede variar considerablemente. Las ejecuciones históricas siguen disponibles para su análisis, lo que permite distinguir una restricción presupuestaria de un supuesto erróneo o de un riesgo aceptado. El trabajo es continuo: cuantificar la incertidumbre, comparar consecuencias y mejorar las decisiones a medida que se acumula evidencia.

Transcripción completa

Conor Doherty: Bienvenidos a la primera demostración en directo de Lokad. Hoy les mostraremos cómo Lokad genera decisiones de inversión y desinversión en el sector aeroespacial. Veremos qué PN deben tener prioridad.

Hoy les mostraremos cómo repartir un presupuesto limitado y cómo sus restricciones —los tiempos de entrega de los proveedores, los tiempos de reparación, los costes o el propio presupuesto— influyen en las decisiones que generamos. Este es un evento en directo, así que envíen sus preguntas. Probablemente las responderemos dentro de unos 30 minutos. Depende de cuánto nos entretengamos charlando.

Pero ¿quiénes somos? Soy Conor, director de marketing de Lokad. Y me acompaña en el estudio mi gran amigo y director de cuentas estratégicas, Fabian Hoehner. Guten Tag, Herr Hoehner, wie geht’s?

Fabian Hoehner: Hola, Conor.

Conor Doherty: Das ist wunderbar. Fabi, como pueden ver en la esquina de la pantalla, o deberían poder ver ya, pronto pasaremos a una cuenta de demostración de compras aeroespaciales. Nos centraremos en las compras, pero algunas personas que nos acompañan, o que verán esto después, no conocen bien Lokad. Algunas sí, pero muchas no.

Antes de entrar en materia, dediquemos un minuto a eso. ¿Podrías responder a dos preguntas rápidas? Primera: ¿cómo entiende Lokad el problema de las compras aeroespaciales? Segunda: si alguien solo ve los primeros minutos, ¿qué conceptos clave debería llevarse?

Fabian Hoehner: No me preguntaste eso durante la preparación, así que esto es…

Conor Doherty: No, no lo hice. Quería improvisación.

Fabian Hoehner: Sí. De acuerdo. Habrá personas que nos conozcan y otras que no. Intentaremos dar una visión general, pero profundizaremos en algunos aspectos. Me gustaría que se llevaran dos ideas. Por un lado, cómo gestionamos la incertidumbre.

Aquí hablamos principalmente de incertidumbre de los proveedores —tiempos de reparación y de entrega— y de incertidumbre de la demanda. El segundo aspecto es la optimización económica, la priorización económica. Con recursos limitados, ¿cómo obtengo el mejor resultado posible? ¿Cómo compro de forma eficiente? Esas son las dos ideas principales que me gustaría transmitir hoy.

Conor Doherty: Entonces, en una frase: por cada euro, dólar o unidad de la moneda que utilicen —digamos euro—, por cada euro invertido en inventario, ¿cuál es la mejora esperada del nivel de servicio?

Fabian Hoehner: Sí. Para ser más precisos, queremos maximizar la mejora del nivel de servicio por dólar, o reducir los AOG —aircraft on ground, aeronaves inmovilizadas en tierra— por dólar gastado. Entraremos en detalle. Buscamos la vía más eficiente hacia el objetivo, y esperamos que esa sea una de las ideas que se lleven quienes nos escuchan.

Conor Doherty: Bien. Una vez situado el tema, no retrasemos más lo importante. Vamos directamente a la cuenta de demostración.

Max, nuestro productor, puedes cambiar la imagen; comprueba que todo esté bien. Subcto. Muy bien. Fabi, miro mi propia pantalla porque veo fatal, pero ¿qué estamos viendo exactamente?

Explícalo para que todo el mundo entienda el contexto: ¿es aviación? ¿Es MRO? ¿Es IA? ¿Estamos haciendo IA?

Fabian Hoehner: Sí, siempre hacemos IA, por supuesto. Explicaremos en detalle qué hacemos con ella, pero efectivamente estamos en una cuenta de demostración. Lokad en 20 segundos: diseñamos soluciones de optimización de inventario a medida para clientes de distintos sectores. Hoy nos centraremos en la aeronáutica. Podría ser MRO —mantenimiento, reparación y revisión general—, pero veremos el ejemplo de una aerolínea.

La pregunta principal es: para una flota determinada, ¿cuál es la forma más eficiente de invertir, o quizá desinvertir, en mi stock? Ese es el planteamiento general. Veamos rápidamente dónde estamos: como pueden ver, estamos en go.lokad.com.

Esta es una cuenta de demostración. Todos nuestros clientes utilizan la misma plataforma. Es una aplicación multicliente, pero desarrollamos una solución individual para cada uno. Eso dificulta las demostraciones en cierto modo, porque cada cliente es muy diferente.

Conor Doherty: Diferente. Sí, claro.

Fabian Hoehner: Esa es, diría yo, nuestra propuesta diferenciadora: personalizar lo que hacemos. Hoy mostraremos los dos principios que mencioné al comienzo. Por un lado, cómo abordamos la incertidumbre.

La expresión clave es previsión probabilística. Quienes nos siguen la han oído muchas veces, pero hoy la veremos de forma muy práctica. El segundo principio es la optimización económica, aplicada a un ejemplo concreto. Por supuesto, pueden hacer preguntas mientras avanzamos.

A menudo responderé: «Sí, si se puede expresar mediante una lógica, podemos desarrollarlo, o ya lo hemos desarrollado antes». Pero hoy veremos un ejemplo concreto. Eso es lo que propongo. ¿Alguna pregunta más? Si no, empezamos.

Conor Doherty: Yo diría que empecemos, porque ya hay muchas preguntas. Como saben, he hablado con muchas personas antes de esta sesión. Tenemos preguntas muy concretas que abordaremos después. Pero, como decía, si algo les llama la atención, pueden comentarlo abajo y lo explicaremos a su debido tiempo.

Fabian Hoehner: Sí. Y tú me conoces, así que interrúmpeme. Si no, yo…

Conor Doherty: Lo haré, no te preocupes.

Fabian Hoehner: Me embalo hablando. Muy bien. Esta es una cuenta de demostración y vemos una vista general. Podría hacer clic en cualquier elemento, pero hoy profundizaremos en dos o tres pantallas.

Este es un panel de visión general. Seguiremos una pirámide invertida: empezaremos por la vista general y bajaremos hasta el máximo detalle. Esta sería una vista de gestión donde podemos consultar el rendimiento del pool.

Como ven, es un pool que podría pertenecer a varias aerolíneas. Estamos mirando una flota, en este caso de Triple 7. No importa si pertenece a una o varias aerolíneas: lo que nos interesa son las piezas necesarias para atenderla.

Ese es el planteamiento general. Aquí pueden ver un gráfico histórico y, por supuesto, sube porque Lokad optimiza, así que todo mejora siempre. También hay vistas adicionales de la situación operativa actual. ¿Dónde está mi stock?

En aeronáutica siempre hablamos de ciclos. Es un concepto muy importante, con el que la mayoría de quienes nos ven estarán familiarizados. Pero no todo el stock es equivalente en aeronáutica.

Hay stock apto y no apto para el servicio, y debemos saber dónde está en el proceso. Tener cinco unidades, tener cinco unidades aptas para el servicio o tener cuatro en reparación y una apta son situaciones muy distintas. Este es, básicamente, un panel de visión general. ¿Cómo hemos llegado hasta aquí? Integrando…

Conor Doherty: Estaba a punto de hacerte exactamente esa pregunta; ya abría la boca.

Fabian Hoehner: Sí. ¿De dónde vienen los datos? De distintos sistemas ERP o MRP. Son datos transaccionales que incorporamos a Lokad, una plataforma de inteligencia. El sistema transaccional, el ERP o el MRP, dice «dónde están mis cosas». Recogemos esos datos a diario y los procesamos a gran escala para obtener información como «tengo 186 unidades que ahora mismo están en proceso de devolución». Bien, ¿o…?

Conor Doherty: No, estuvo bien.

Fabian Hoehner: Perfecto. Ya tenemos la visión general; ahora vamos directamente al resultado. Empezaremos viendo qué resultado podría dar una optimización. En este caso, se trata de optimizar la inversión.

Buscamos la inversión necesaria para alcanzar, en este caso, un nivel de servicio objetivo del 98 %. Aquí hay un pequeño simulador con un desplegable que permite consultar distintos escenarios ya calculados, para que sea rápido. También podríamos diseñarlo con un campo donde introducir valores y probarlos, pero aquí hemos hecho los cálculos de antemano. Vemos el stock actual, valorado en 68 millones, y esperamos que esos 68 millones proporcionen un nivel de servicio del 95,7 %.

Conor Doherty: Mhm.

Fabian Hoehner: 95,7 % de disponibilidad respecto a los tiempos de entrega individuales de todas las distintas piezas, y ponderado por su consumo.

Conor Doherty: De acuerdo.

Fabian Hoehner: Ahora seleccionamos el 98. Decimos: «Queremos un 98 % de disponibilidad media ponderada por consumo, etc.». El simulador me dice: «Necesito invertir 1,2… 2 millones», y alcanzaré el objetivo; en este caso, 97,99. Ese sería el resultado.

Esa es la vista más general. Podría probar distintos valores y veríamos algo muy típico en aeronáutica, que seguramente conocen bien: los costes están en la cola larga. He pasado de 98 o 98,5 a 99,5.

Probemos con 99, para tener ese 1 %. El primer punto porcentual que queríamos ganar, o los primeros dos puntos, cuesta un millón de dólares de inversión. Conseguir el siguiente cuesta 2,5. Ese aumento exponencial del coste de ganar puntos de nivel de servicio es fundamental para entender la tecnología de la que hablábamos al principio.

¿Por qué importa? ¿Qué hacemos de otra manera? Lokad encaja especialmente bien en esta industria porque sabe tratar la demanda escasa e irregular, que caracteriza la mayoría de los problemas aeronáuticos. Se trata de comprender mejor la probabilidad de los extremos, los percentiles por encima de 90, porque ahí se mueve la aeronáutica. Es un sector extremadamente adverso al riesgo: quedarse sin stock cuesta muchísimo dinero.

Conor Doherty: Sí. En muchos casos, mucho más que la propia pieza.

Fabian Hoehner: Tradicionalmente, en aeronáutica, todo el mundo tiene exceso de stock. «Ante la duda, compra otra». Ese es el enfoque típico.

Entender la probabilidad de un escenario de 99 o 99,5 es fundamental para cada pieza. Volveremos a ello con más detalle. Por ahora, ¿por qué miramos esos extremos?

Porque ahí es donde se mueve la aeronáutica. Nadie quiere saber cuál es la media. Eso significaría tener suficiente stock en el 50 % de los casos. Eso no nos interesa.

Queremos saber con qué probabilidad cubrimos los extremos. De nuevo, vamos de lo general al detalle. Aquí tenemos la inversión total y queremos conocer las cantidades concretas para el cliente. Tenemos una lista sencilla: «Estos son mis artículos y estas son las cantidades en las que invertimos».

Conor Doherty: Para aclararlo, ¿estamos viendo rotables o consumibles? Aquí solo hay rotables.

Fabian Hoehner: Sí, rotables.

Conor Doherty: Sí, claro. Pero después veremos los consumibles, o comentaremos la lógica que se aplica.

Fabian Hoehner: Sí, comentaremos la lógica, pero…

Conor Doherty: Estas son, básicamente, las piezas más caras. Por eso las vemos.

Fabian Hoehner: Como has visto, los importes son considerables porque hablamos de rotables. La mayoría de los conceptos también se aplican a los consumibles. La principal diferencia es que una pieza rotable, por definición, tiene una rotación, un ciclo, con distintos ciclos de reparación.

En teoría, puedes repararla internamente, o desecharla. Un consumible, en cambio, se compra y se consume. Hay diferencias matemáticas, pero los principios que mencionaba al comienzo siguen siendo los mismos: cuantificar la incertidumbre y priorizar con criterios económicos.

Conor Doherty: De acuerdo.

Fabian Hoehner: La pregunta ahora es por qué recomendamos cuatro, tres, cinco, etc. Entraremos en detalle, pero mantengamos primero una visión relativamente general. Es la misma lista de antes, con información adicional. Quiero mostrar qué deberíamos reconocer intuitivamente. Veremos bastantes pantallas con muchos números.

Les indicaré en qué fijarse. Esta es la lista de piezas que recomiendo comprar: cuatro unidades aquí, tres allí, cinco, etc. Lo importante es qué debería hacer la optimización desde un punto de vista intuitivo.

Explicaré cómo llegamos a ese resultado y profundizaremos cada vez más. Pero primero, ¿tiene sentido intuitivamente? ¿Qué debería hacer una optimización que busca eficiencia?

Si la eficiencia consiste en reducir AOG o aumentar el nivel de servicio por dólar gastado, las piezas relativamente baratas y muy importantes deberían tener mayor disponibilidad que las caras y poco importantes. Veamos las dos primeras piezas de la lista, cuyos precios unitarios son bastante similares. Una tiene un nivel mucho más alto. El nivel de servicio final… el nivel actual es el que cubro con el stock que tengo.

El nivel de servicio final es el que alcanzo tras la optimización. Llevamos esta pieza al 94 % y esta al 80 %. ¿Por qué? La primera tiene una clasificación de criticidad no-go. La otra es go-if.

La consecuencia de un faltante de stock es mucho más costosa en la primera. Por eso mantenemos relativamente más stock de ella. Esa es la intuición que buscamos. Si bajamos por la lista, deberíamos ver lo mismo. Aquí tenemos una pieza a 99. Por cierto, dime si se ve demasiado pequeño.

Conor Doherty: Así está mejor. Gracias. Al menos para mí, que estoy casi ciego.

Fabian Hoehner: Sí. Aquí vemos 99,5. La pieza es relativamente barata, 8.000 dólares, y es no-go. Esa intuición debe mantenerse: las piezas de las que acumulamos relativamente más stock deberían ser no-go y bastante baratas. En las que almacenamos con menos intensidad… aquí vemos una pieza que no es muy cara, pero es de categoría go.

Esa es la lógica básica que debe mantenerse. Ahora bien, ¿cómo llegamos exactamente a cuatro, tres, cinco, etc.? Intuitivamente tiene sentido. Bien.

El segundo paso es explicar cómo obtenemos esas cantidades exactas. Ya vemos, a grandes rasgos, un criterio de priorización económica. ¿Cómo lo aplicamos en detalle? Mediante una clasificación por prioridad: en este caso, una lista de inversiones priorizada.

Examinamos cada compra posible, cada oportunidad de inversión, y simulamos su consecuencia económica. En las primeras dos o tres filas aparece el mismo PN, pero no la misma unidad de stock: compramos la primera, luego la segunda y después la tercera. Hacemos lo mismo con todas las piezas: simulamos la compra de cada unidad individual que podríamos adquirir. Por eso la lista es prácticamente interminable. Podría seguir desplazándome hacia abajo indefinidamente.

Conor Doherty: Supongo que la limita el presupuesto, porque está ordenada y la inversión total aumenta a medida que bajas. Podrías fijar un límite estricto: «Solo tengo X; mi presupuesto es X, no es infinito. Optimiza hasta aquí y no más allá».

Fabian Hoehner: Sí. En este caso, el límite no es el presupuesto, sino el objetivo del 98 %. Pero tienes razón. Ese 98 % da lugar a un presupuesto de 1,2, 1,25 millones. Así que haremos exactamente eso.

Bajamos hasta llegar a una inversión total de 1,25. Aquí lo hicimos al revés: intentamos alcanzar el 98 % y obtuvimos 1,2 como resultado. Pero podría haberlo planteado a la inversa. Podría haber dicho…

Conor Doherty: Sí, claro.

Fabian Hoehner: Es lo mismo desde otra perspectiva. Veamos algunos ejemplos de esta lógica de priorización económica. Una buena prueba, también para quienes realizan su propia optimización, es esta: si te digo «tienes 100.000 dólares», ¿puedes identificar el artículo más importante que deberías comprar hoy?

Es un concepto fundamental. No importa tanto esa primera pieza como poder priorizar cada acción. Con esa lógica puedes introducir cualquier restricción: «Mi equipo de compras solo puede gestionar cinco piezas al día», «mi almacén solo puede recibir 10 al día» o «tengo un millón de presupuesto». Sin una vista priorizada, es difícil actuar si solo tienes un sí o un no. Por ejemplo: «Quiero las piezas A al 99 %, las B al 95 y las C al 91».

Es un ejemplo extremo, pero sirve. Solo tienes un sí o un no, no una clasificación. Por eso este concepto importa tanto: permite priorizar. Siempre hay límites, de tiempo, de presupuesto o de otro tipo. La pregunta es: «¿Puedes identificar el artículo más importante que necesito hoy?». Y no solo el primero: ¿cuáles son los 50 más importantes?

Eso es lo que podemos hacer aquí. Veamos la primera fila, la del 1338. Nos detendremos bastante en el 1338, así que tengan paciencia.

Actualmente no tenemos ninguna unidad en stock y consideramos comprar una. Vemos cuántas se solicitaron durante el último año. La unidad que compraríamos cuesta 1.200 dólares. Nuestro nivel de servicio esperado actual es cero.

¿Por qué? No tenemos stock. Con cero unidades no cubrimos ninguna incertidumbre. Eso es lo que significa.

El nivel de servicio esperado responde a: «¿Cuánta incertidumbre futura estoy cubriendo?». Veremos qué significa exactamente en el siguiente paso. Vamos de lo general al detalle. Podrías detenerte en «estos son los artículos que debes comprar». Pero queremos profundizar y entender de dónde sale la recomendación.

Conor Doherty: Te interrumpo un momento, porque es importante. Bebe un poco, si quieres. Recibí varias versiones de la misma pregunta: «La idea me interesa y suena bien —algunos ya conocen Lokad—, pero ¿cómo se presenta esto a mi equipo de planificación?». Acabas de decir: «Aquí están los paneles y las decisiones priorizadas».

Después dijiste que profundizaríamos mucho más, pero que también podríamos detenernos aquí. El equipo de planificación ya tiene las decisiones. Si confía en el sistema, puede ejecutarlas. Si quiere saber más, puede investigar por qué esta unidad, este PN, aparece antes que otro, etc.

Fabian Hoehner: Sí.

Conor Doherty: De acuerdo.

Fabian Hoehner: Exactamente. Supongamos que ya hemos configurado el sistema. Podemos hablar de cuánto se tarda, pero digamos que después de 6 meses funciona correctamente. Puedes decir «confío en el sistema» y exportar las recomendaciones para que las ejecuten los sistemas operativos.

De nuevo, no somos un sistema transaccional, sino un sistema de inteligencia. Ejecutamos simulaciones complejas y devolvemos sus resultados al sistema operativo.

Conor Doherty: Adelante.

Fabian Hoehner: Ya lo dije. Dicho eso…

Conor Doherty: Sí.

Fabian Hoehner: Muy pocas personas dejarían que la compra se ejecutase automáticamente si hablamos, como antes, de una pieza de 46.000 dólares. Y esto no es…

Conor Doherty: Sí.

Fabian Hoehner: Así no funciona. Para estas piezas hay que solicitar un presupuesto. La aeronáutica no es como el ecommerce de Amazon.

Hay que pedir el precio de la pieza. El precio que tenemos aquí es un supuesto hasta que se valida. Ese proceso es manual, aunque puede automatizarse. Lo que quiero decir es que probablemente no automatizarías por completo la compra de estos rotables. Podrías hacerlo, por supuesto, pero…

Conor Doherty: La ejecución de la decisión no necesariamente, pero el análisis y la generación de la decisión sí están automatizados.

Fabian Hoehner: La pregunta es: «¿Qué consulta la gente?». Si la revisión no merece el tiempo que exige, por ejemplo con piezas de menos de 2.000 dólares o con C&E, puedes automatizarlo todo, y de hecho lo hacemos. Los sistemas operativos se actualizan a diario y se envía el pedido automáticamente. Las inversiones en rotables, en cambio, suelen requerir que expertos validen muchos aspectos.

Hacemos algo parecido a lo que mostramos aquí. La recomendación dice «compra cinco unidades» y un experto con experiencia cuestiona el resultado. Al principio lo hace para construir, diseñar y mejorar el sistema con nosotros; después, también para investigar. Ese razonamiento, cómo llegamos a «compra cinco unidades», es justamente lo que estoy mostrando. ¿Cómo llegué ahí? Si no me hubieras interrumpido, ya habría terminado, pero bueno.

Conor Doherty: Mis disculpas.

Fabian Hoehner: Miramos el 1338 y dijimos: «Comprar una unidad nos lleva al 47 %». Cubre el 47 % de la incertidumbre. La diferencia entre 0 y 47 es 47.

Después lo ponemos en relación con todo el catálogo. ¿Qué mejora produce en el conjunto? Depende del consumo de la pieza. Una pieza con mayor consumo tendrá un impacto mayor.

Después calculamos la mejora del nivel de servicio global y la reducción de AOG en dólares. ¿Cómo lo hacemos? La solución se construye a medida. No espero que muchas personas de la audiencia, ni nuestros clientes al empezar, tengan una cifra precisa y digan «sé lo que cuesta un AOG». Nuestro principio es: «Más vale acertar aproximadamente que equivocarse con exactitud». Sí, es muy difícil precisar cuánto nos cuesta un AOG.

Podemos examinar cuántos AOG hubo por incidencias de stock y estimar su coste a grandes rasgos. También podemos ver si fue necesaria una compra de emergencia. ¿Cuánto costó? Así intentamos obtener una estimación aproximadamente correcta.

Es mejor tener una cifra en dólares que ninguna. Sin ella, volamos a ciegas con los niveles de servicio: «¿Deberíamos estar en 99 o en 99,5?». No lo sé. En cuanto expresamos algo en dólares, podemos debatirlo, también entre departamentos.

Conor Doherty: Sí.

Fabian Hoehner: Y puedes cambiarlo con el tiempo. No pasa nada si un año después dices: «Creo que estas estimaciones son incorrectas», o «para esta flota son correctas, pero para esta otra el coste debería ser mayor». En cuanto cuantificas las cosas, puedes…

Conor Doherty: Proporcionas un lenguaje común para debatir las diferencias de opinión.

Fabian Hoehner: Exactamente. Llegamos así a la reducción de AOG por dólar gastado, o a la mejora del nivel de servicio por dólar gastado. Ambas permiten calcular una puntuación que indica la vía de inversión más eficiente. Ahora veremos la segunda y la tercera fila, y después seguiremos.

La segunda fila muestra el mismo PN, el mismo identificador, pero no compramos la misma unidad. Ahora compramos la segunda; la primera ya está comprada. Veremos que esta nos lleva a… puedes pedirme que amplíe la imagen cuando quieras.

Conor Doherty: No, está bien. Está bien.

Fabian Hoehner: Te veo inclinado. Nos lleva al 72 %, es decir, añade un 25 % de nivel de servicio. La primera cubre más incertidumbre. ¿Cuánto era? Un 50 %, y la segunda solo 25.

¿Cuál es la consecuencia lógica? La segunda pieza aporta menos valor a la operación. Por eso disminuyen todos los valores: la mejora del nivel de servicio, el coste AOG evitado y, por tanto, la puntuación de prioridad.

No es revolucionario decir que la segunda pieza aporta menos valor que la primera. Tampoco puedo comprar la segunda antes que la primera. Veamos ahora la tercera fila: se aplica exactamente la misma lógica.

Solo gano un 14 % con esa pieza y sigo pagando 1.200. Su puntuación de prioridad disminuye. Lo interesante aparece en la cuarta fila, donde tenemos otro número de pieza.

Todo es distinto en esa pieza: la demanda durante el tiempo de entrega, el TAT subyacente y, posiblemente, el propio tiempo de entrega.

El precio también cambia. Todo es distinto, salvo la lógica de clasificación: ¿cuánto AOG reduzco en relación con la inversión?

Ese es el concepto central. Hago un pequeño paréntesis: en la práctica el cálculo es más complejo. Aquí también añadimos factores asociados a las categorías no-go, go-if, etc. En este ejemplo están incluidos en el coste AOG.

En términos sencillos, el coste AOG es mayor para una pieza no-go. Esto puede complicarse mucho. Y no lo resolvemos porque seamos genios, sino gracias a la experiencia que comparten los clientes. Lo llamamos optimización experimental: mostramos una lista y decimos «esto es lo que haría en tu lugar». Los expertos pueden responder: «Cinco parece razonable, pero yo habría comprado 20».

En ese caso, me falta algo, porque los expertos operativos suelen saber lo que hacen. Pensemos en una funda de asiento: técnicamente no es una pieza no-go; el avión puede volar.

Pero operaciones te dirá: «Sí, pero queda horrible». Un pasajero entra en un avión bonito y ve que hay que poner una cinta roja en un asiento porque no puede usarse… Eso es inaceptable y tiene un coste enorme.

Una curiosidad: las cafeteras son no-go. No puedes quedarte sin cafeteras. Técnicamente el avión vuela sin ellas, pero… Son cosas que aprendemos juntos y con las que adaptamos la receta. Además, pueden variar según la aerolínea. ¿Qué es prioritario?

¿Y qué no lo es? Ordenamos todo por su puntuación: mejora del nivel de servicio o AOG evitado por dólar gastado. Después recorremos la lista. Como ven, va bajando, bajando, subiendo. Así podemos comparar una pieza de 46.000 dólares con otra de 5.000. La pregunta es: ¿en qué momento conviene comprar la sexta unidad de una pieza barata o la segunda de una cara?

Eso es lo que hacemos. La siguiente pregunta es cómo obtenemos estos valores, o qué se consulta en operaciones, como preguntabas antes. Se consulta una lista como esta.

Es perfectamente razonable. Después también pueden entrar en lo que llamamos un inspector de artículos. Es un panel de indicadores, útil también para nosotros, que explica cómo llegamos a los valores anteriores.

Lo utilizan tanto los clientes para investigar como nuestros Supply Chain Scientists, quienes programan y contrastan ideas con ellos. Imagino que la mayoría conoce esa función, pues quienes asisten a esta sesión probablemente ya han visto algo de Lokad. Son las personas que implementan la solución y contrastan continuamente sus planteamientos con el cliente.

Usamos las mismas pantallas que el cliente para evaluar si la decisión propuesta es razonable. Partimos de «compra cinco» y buscamos el porqué. Primero vimos la clasificación económica; ahora examinamos los detalles. Si discrepamos, venimos aquí y preguntamos: «¿Estamos viendo la misma realidad?». Sobre todo al principio, la mayoría de las discrepancias se deben a… ¿se te ocurre algo?

Conor Doherty: ¿Al valor económico de las decisiones?

Fabian Hoehner: No, a los datos. Siempre son los datos. No estamos interpretando igual la realidad. Nuestros clientes tienen estructuras complejas, y las empresas aeronáuticas suelen haber realizado muchas adquisiciones. Es habitual encontrar seis ERP distintos, sistemas heredados y tres archivos Excel por aquí y por allá.

Llegar a una interpretación correcta, o simplemente común, de esa realidad no es fácil. El primer paso es comprobar si vemos lo mismo. ¿Vemos las mismas unidades? Busquemos otra pieza… Sí: ¿coincide la cantidad de unidades en devolución, reparación o transporte?

¿Sí, no, quizá? Es importante comprobarlo. Supongamos que los datos son coherentes. Entonces pasamos a la proyección de demanda.

¿Cómo la obtenemos? Al principio mencioné dos ideas principales. Ya hemos tratado parte de la priorización económica. La otra es la incertidumbre, la previsión probabilística, que veremos ahora.

Para algunos será evidente, pero iré despacio para que todos puedan seguirlo. Este historial de consumo es muy típico. Seguimos con nuestro favorito, el 1338. Así que…

Conor Doherty: La misma pieza en este viaje. De acuerdo.

Fabian Hoehner: Exactamente, seguimos el recorrido de esa pieza. Su consumo es típicamente escaso e irregular: nada, uno, uno, uno, dos, después dos, uno. Es muy difícil de prever.

Sé que en aeronáutica pocos lo harían, pero si calculásemos una media móvil del consumo, obtendríamos esto. ¿Ayuda en algo? Dice 0,17 unidades. Muy bien.

¿Qué me aporta? Prácticamente nada. Necesitamos una visión probabilística que indique la probabilidad de cada consumo durante un horizonte determinado. Empecemos por algo sencillo. Para quienes hayan estudiado estadística…

Conor Doherty: Supón que soy idiota. Puedes explicármelo como a un niño, no pasa nada.

Fabian Hoehner: Será difícil suponer eso. Empecemos imaginando que este histograma representa la realidad pasada. Por supuesto, lo que hacemos es mirar hacia adelante, prever, hacer cosas muy inteligentes. Pero, para simplificar, supongamos que solo miramos el pasado.

¿Qué muestra el histograma? Creo que pueden verse estas pequeñas barras. Supongamos que delimitan un periodo de 30 días. Si el pasado representa el futuro, podemos elegir un punto al azar.

¿Con qué frecuencia encuentro una demanda de una unidad en una ventana de 30 días? ¿Con qué frecuencia encuentro cero, dos, tres, etc.? Eso es lo que muestra.

Al elegir al azar, en el 25 % de los casos encontraremos cero. En el 34 % de los casos encontraremos 1, 2, 3, 4, 5, etc. Ese es el caso teórico. En este intervalo habría una demanda de tres. Si ampliamos el intervalo, incluirá todos esos consumos.

Esa es la teoría simplificada. En la práctica, aceptar la incertidumbre exige preguntarse qué horizonte debemos prever. No son necesariamente 30 días: eso sería un valor fijo. La incertidumbre existe y no desaparece porque la excluyamos de la planificación. Suponer que siempre son 30 días facilita los cálculos deterministas, pero no los hace más reales. A veces tarda 30 días; otras, 50, 60, 180, o…

Conor Doherty: no llega en absoluto.

Fabian Hoehner: Exacto, la pieza se desecha. Estamos viendo rotables, que normalmente se reparan. Por eso lo relevante no suele ser el tiempo de entrega de una compra, sino el tiempo del ciclo de reparación.

¿Cuánto tarda la pieza en volver a estar apta para el servicio? Llega el avión, retiramos la pieza no apta y la sustituimos por una apta que teníamos en stock. La retirada entra en un largo ciclo. Lo ideal es disponer de datos de cada etapa y de pequeñas distribuciones para cada una. Pero lo fundamental es conocer todos los retrasos posibles.

Ese es el horizonte que queremos prever. Pensemos en un extremo: si una pieza se reparase en un día, no necesitaríamos stock adicional. Una unidad bastaría. Llega el avión, retiramos la pieza no apta, colocamos la apta y reparamos la retirada: bastaría con una unidad en stock. La realidad no es así, pero el ejemplo muestra por qué es esencial determinar ese periodo. Eso hacemos aquí.

Aquí se llama tiempo de entrega de la reposición; podría ser el tiempo de reparación. La diferencia importa, pero el principio es el mismo: ¿qué horizonte debemos prever? La distribución está suavizada y es bimodal. ¿Qué podría explicarlo? En aeronáutica, el pico en torno a 80 suele corresponder a un proceso sin complicaciones.

Enviamos la pieza al taller, la reparan y todo va bien. Este otro pico refleja que algo está averiado y arreglarlo lleva más tiempo. Así obtenemos una distribución bimodal. Decir que, en el 80 % de los casos, el valor ronda 80 y, en el 20 %, ronda 150 es muy distinto de decir que siempre es la media, 110 unidades.

Conor Doherty: Lo cual sucede muy pocas veces en esa distribución.

Fabian Hoehner: Sí. Son datos de demostración y están suavizados, pero podría ser un caso real bastante frecuente. O todo va bien y son 80 días, o hay problemas y son 120.

No estoy diciendo que elijamos uno de los escenarios. Tenemos que reconocer que la incertidumbre existe y prever todos los futuros posibles. Al principio dije: «Tomemos una ventana de 30 días».

30 días. Aquí tienen una probabilidad muy pequeña, inferior al uno por ciento. Lo que haremos es construir una distribución de demanda para cada horizonte posible. Para visualizarlo, sin entrar en si el cálculo se hace exactamente así, imaginen cien distribuciones distintas, una para cada horizonte.

Las combinamos en una sola distribución, esta. ¿Qué obtenemos? La demanda sobre todos los futuros posibles. ¿Por qué hemos dedicado los últimos 10 minutos a esto?

Porque así representamos la demanda sobre un futuro incierto con la mayor precisión posible. Es fundamental. En aeronáutica, como dijimos al principio, nos interesan los extremos, los escenarios por encima de 90. Por eso debemos saber dónde estamos en la distribución. Veamos algunos ejemplos.

Son típicas las distribuciones con exceso de ceros y asimetría a la derecha: tienen una cola larga y, a menudo, el escenario más probable es que no haya demanda durante el horizonte. Lo importante es conocer la probabilidad de los valores extremos. Si una pieza cuesta 20.000 dólares, ¿queremos invertir otros 40.000 para cubrir ese 7 % adicional —no es el cálculo exacto, pero digamos ese 7 %— o solo comprar las primeras unidades? Eso es lo que hicimos antes.

Por eso es fundamental entender la forma de la distribución. Ese es el primer paso. Volvamos a nuestra pieza: una unidad proporciona un nivel de servicio esperado del 47 %. La segunda nos lleva al 72, después al 87, y si…

Conor Doherty: es lo que estaba en la lista.

Fabian Hoehner: Muy bien. Tú…

Conor Doherty: Estaba prestando atención.

Fabian Hoehner: Genial. Si volvemos a mirar, estábamos en 37 para la primera, luego 72, etc. Recorremos el cálculo hacia atrás para entender cómo llegamos a esa cifra exacta. Voy a respirar un momento, así que si…

Conor Doherty: Ya tengo algunas preguntas y es un buen momento para abordarlas. Una que recibí muchas veces antes del evento fue: ¿cómo encaja todo esto en los procesos de trabajo existentes? Cualquier empresa, cliente actual o potencial, ya tiene su software y sus procesos. ¿Hay que sustituirlo todo para introducir Lokad? ¿Funciona junto a esos sistemas? ¿Cómo se hace?

Fabian Hoehner: Sí, sería una pregunta bastante mala si eso fuera cierto.

Conor Doherty: Sí, exactamente, claro.

Fabian Hoehner: No, funcionamos como una capa por encima. Voy a enseñarles, solo unos segundos, qué hay detrás de todo esto. Esto es…

Conor Doherty: Eso es IA, ¿verdad?

Fabian Hoehner: Sí, todo es magia. Magia negra, por supuesto. No: este es nuestro lenguaje de programación, Envision.

Lokad reúne varias cosas. Por un lado, es una potente plataforma de procesamiento de grandes volúmenes de datos, diseñada para optimizar el inventario, con muchas funciones de IA. Por ejemplo, podemos escribir código en este lenguaje con agentes internos. Pero quería mostrar esto porque preguntaste por los datos.

Nos adaptamos a cada cliente. No esperamos que diseñe nada de antemano; pedimos extracciones de datos sin procesar. Una gran parte del trabajo consiste en transformarlos correctamente por nuestra parte para poder interpretarlos. Es decir, lograr datos coherentes.

Por ejemplo, determinar el valor razonable de una pieza es complejo. En aeronáutica hay piezas que llevan mucho tiempo en la empresa. Puedes amortizar una durante ocho años y que su valor contable quede en 1 dólar. Pero sigue siendo sustituible, y comprar una nueva cuesta, digamos, 50.000 dólares. ¿Qué valor debemos usar? ¿Cuál es su valor razonable?

No es fácil responder. Tenemos dos sistemas distintos. El contable dice 1 dólar porque conserva ese valor residual. Pero reponer la pieza cuesta 50.000.

¿Cómo obtenemos los datos adecuados? Hace falta tiempo, diálogo y, sobre todo, flexibilidad. Esa es una de las razones por las que tenemos un lenguaje de programación: para adaptarnos. Cada cliente tiene una configuración distinta y nosotros funcionamos como una capa por encima.

Tengan AMOS, TRAX, SAP o, como suele ocurrir, una mezcla de todo, lo integramos en el sistema de inteligencia. ¿Responde eso a la pregunta?

Conor Doherty: Sí, más o menos. Estaba reformulando la pregunta: la preocupación era evitar transacciones duplicadas. Si tengo varios sistemas, ¿debo conciliar el sistema A con Lokad y viceversa? Ese era el fondo de la cuestión.

Fabian Hoehner: Si hablamos de duplicación de funciones, retrocedamos un paso. Los sistemas transaccionales gestionan las transacciones. Entonces…

Conor Doherty: ERP.

Fabian Hoehner: Sí, ERP, M… Retiro una unidad del stock y la instalo. Quiero verlo en un milisegundo y que se actualice en todas partes.

Esa no es la función de Lokad. Ejecutamos simulaciones complejas que pueden tardar 20 minutos, y eso es aceptable. Aquí los resultados ya están calculados.

Mostrarlos no tarda nada porque se calcularon antes. Este cálculo probablemente llevaría unos segundos; otros más complejos pueden tardar más. No pasa nada, porque nuestra función no es transaccional. Proporcionamos inteligencia, el mejor análisis, apoyo a la decisión y decisiones automatizadas, y los enviamos a los sistemas operativos. Para ello también tenemos numerosos paneles de análisis.

Primero está el sistema de registro y, por encima, suele haber un sistema de informes: Tableau, ¿cuál es el otro? Power BI, herramientas de ese tipo. Después está el sistema de inteligencia, que es nuestra categoría.

Una vez que tenemos los datos, construimos paneles que explican los resultados. Los que estamos usando para investigar también son, evidentemente, informes. Este panel es solo un informe.

El cálculo se realiza en otra parte. ¿Duplicamos algunas funciones? Sí, puede haber cierta duplicación, pero nuestra ambición no es convertirnos en un sistema de informes. Estos paneles nos sirven a nosotros y a los clientes para validar lo que hacemos. No queremos mirar solo código; queremos ver qué produce.

Conor Doherty: Hablando de lo que produce, al principio dije que veríamos decisiones de inversión y desinversión. Nos hemos centrado mucho en las primeras.

¿Podrías mostrar el caso contrario? Seguimos hablando de rotables: «Tengo demasiado stock. ¿Cómo identifico las unidades de las que debería desprenderme para liberar capital?».

Fabian Hoehner: Sí. Como si supieras que tengo eso por aquí. Magnífico.

Podemos diseñar el panel como queramos. Este es de demostración y su organización es una elección nuestra.

Aquí agrupamos las oportunidades de inversión y desinversión en un mismo panel general. Veamos las de desinversión. La lógica es casi la misma: para invertir, partimos del stock actual y preguntamos qué pasaría al añadir una unidad, otra, una tercera, una cuarta, etc., de cada pieza posible. Después calculamos la puntuación de prioridad.

Para desinvertir examinamos todo el stock que tenemos y preguntamos: si vendo una unidad, ¿cuánto nivel de servicio pierdo y cuánto efectivo libero? Es la misma lógica y no la repetiré entera. Buscamos artículos con un precio unitario alto y una pérdida pequeña de nivel de servicio. Aquí perdemos menos de un por ciento en esa pieza.

La pérdida total queda oculta por el redondeo: ni siquiera se ve. Hay piezas de las que tenemos demasiado stock. Después vemos el aumento de AOG y la clasificación resultante.

Deberíamos mostrar más decimales para apreciarla. Al bajar por la lista, aumenta. La idea es encontrar precios unitarios altos y pequeñas pérdidas de nivel de servicio: la lógica inversa. En teoría, incluso podemos buscar el equilibrio entre ambas listas: «Invierto en estos artículos y desinvierto hasta alcanzar el punto óptimo».

Eso es bastante teórico, porque determinar los valores de mercado es más complejo. No es Amazon: no basta con decir «me sobran 10 unidades de una pieza de 85.000 dólares» para venderlas. Hay que encontrar un comprador, trasladarlas, etc.

Pero estos paneles ayudan mucho a identificar activos para vender: «Tenemos al menos cinco unidades que solo servirían ante un evento extremadamente improbable». Harían falta si toda la flota tuviera un problema el mismo día. Esa es la idea general de la desinversión.

Conor Doherty: Sí. Así diferenciamos cómo asignar el presupuesto… perdón, cómo generar decisiones de inversión y desinversión, y en qué se distinguen. Tengo una pregunta enviada antes de la sesión por alguien de compras operativas: «¿Cómo cambia una recomendación si la unidad se adquiere mediante intercambio o mediante compra directa?».

Fabian Hoehner: Depende. La respuesta siempre es…

Conor Doherty: Estas preguntas requieren tiempo, así que te pediré respuestas concisas. Si no entramos en todos los detalles, podemos responder después; no pasa nada.

Fabian Hoehner: Sí, por supuesto.

Conor Doherty: Pero una respuesta general.

Fabian Hoehner: Aquí miramos el pool que posees: ¿cuánto stock tienes en total? Estas inversiones aumentan la cantidad total de unidades del pool.

En un intercambio, esa cantidad normalmente no cambia, porque intercambias una pieza y devuelves otra en algún momento. Puede que tengas suficientes unidades, pero todas estén retenidas en reparación. No necesitas aumentar el stock total, sino cubrir el periodo hasta que regresen. Esa es otra optimización.

Aquí vemos inversiones que aumentan el pool. Esto también conecta con la priorización de reparaciones: entre las piezas que están reparándose, ¿cuáles deberían tener prioridad? A veces se puede modificar el orden. En la vista general teníamos 500 unidades en reparación. No todas son igual de importantes.

Para ello también elaboramos listas priorizadas y acciones para acelerar las reparaciones. Indican qué tiene prioridad y dónde convendría acortar los tiempos de entrega. El proveedor puede tener 20 piezas nuestras en reparación sin saber cuáles nos importan más. Nosotros sabemos, por ejemplo, que aún tenemos cinco unidades aptas para el servicio y que haber enviado una antes no significa que necesitemos recuperarla antes. Esa es la priorización: ¿qué acción tendrá mayor impacto para nosotros? Las listas indican qué hacer para obtenerlo.

Conor Doherty: De acuerdo. ¿Puedo seguir? ¿Estás bien? Perfecto.

Mencionar a los proveedores nos lleva a otra pregunta concreta. La tengo aquí. Alguien había visto a proveedores negarse a entrar en una plataforma nueva por sus costes de incorporación o cuotas de suscripción. Pregunta: «¿Deben cambiar su forma de trabajar con el cliente para que Lokad pueda hacer todo esto o generar valor?».

Fabian Hoehner: ¿Te refieres a los proveedores de nuestros clientes?

Conor Doherty: Sí, sí. Entonces…

Fabian Hoehner: No. ¿Necesitamos los datos de los proveedores? La respuesta corta es no. Necesitamos los del cliente, que ya dispone de los datos.

¿Podemos incorporarlos? Sí, también nos integramos con algunos proveedores, normalmente para obtener marcas de tiempo. Imaginemos que tú eres el MRO, reparas las piezas, y yo soy la aerolínea.

Envío mis datos a Lokad y solo sé cuándo sale la pieza y cuándo vuelve. Si también recibo tus datos —«está reparándose», «está en la frontera», «ya ha sido inspeccionada»—, puedo actualizar mejor su situación. Algunos clientes disponen de esa información gracias a su relación con los proveedores. Puede ser tan sencillo como subir periódicamente una hoja Excel a Lokad.

Si ya estoy integrado con el proveedor y tengo sus datos en mi ERP, basta con extraerlos de allí. Pero somos flexibles para integrarnos directamente con terceros. Esa es una ventaja: somos una empresa de TI.

Probablemente nos resulte mucho más fácil integrar un flujo de datos externo que a una gran organización incorporarlo a su ERP. Para ella puede ser todo un proyecto de transformación; para nosotros, un par de días. Esa es la gran diferencia.

Conor Doherty: En conclusión, hay al menos dos categorías: datos útiles y datos imprescindibles.

Los datos del proveedor que acabas de describir son útiles. Ayudan, pero no tenerlos no impide avanzar.

Fabian Hoehner: Sí, exactamente. Conviene aclararlo.

Conor Doherty: Quiero ser concreto, ¿verdad?

Fabian Hoehner: Sí. Es una buena pregunta: ¿qué datos necesitamos?

En aeronáutica hay que registrar la trazabilidad de todo, así que hay datos suficientes. Si la pregunta es «¿tenemos suficientes?», la respuesta es sí.

¿Están bien presentados? ¿Están limpios? Nunca. Pero son suficientes. Después empieza el trabajo de llegar a una interpretación común.

Los datos son datos; la cuestión es cómo interpretarlos. El historial de consumo, los niveles de stock, el catálogo: necesitamos esos datos habituales.

Después hay muchos datos adicionales útiles: niveles históricos de stock por ubicación, por ejemplo. También las marcas de tiempo del proveedor, que suelen ser difíciles de obtener y normalmente no tenemos.

Normalmente solo conocemos dos momentos del ciclo de reparación: la salida y la vuelta. Disponer de los momentos intermedios aporta mucho. Sin ellos, modelizamos una distribución amplia del tiempo total; con ellos, podemos modelizar varias distribuciones.

Conor Doherty: Al hablar de datos desordenados, dijiste «entonces empieza el trabajo». Otra pregunta que nos hicieron es: ¿qué preparación de datos se exige al cliente? Supongo que conecta con la función del Supply Chain Scientist.

Fabian Hoehner: Sí. Normalmente lo hacemos juntos. Estamos preparados para ello: somos una plataforma de procesamiento de grandes volúmenes de datos.

Somos rápidos en ese trabajo, normalmente mucho más que nuestros clientes incluso preparando los datos. Solo necesitamos extracciones sin procesar. Por supuesto, contar con personas que conozcan los datos y sepan dónde están aporta valor y acelera el proyecto.

Es excelente contar con personas que ya los hayan examinado y sepan interpretarlos. Pero nuestro enfoque consiste en llegar a las decisiones. Si recomiendo «compra cuatro piezas», los problemas subyacentes se hacen evidentes. En cambio, embarcarse en una limpieza de datos…

He visto muchas empresas decir: «No estamos listas; primero queremos limpiar los datos». Dos años después siguen limpiándolos. Es muy difícil saber por dónde empezar: siempre hay datos desordenados, categorías incorrectas o jerarquías de productos que revisar.

Sí, nos vendría bien una categorización mejor. Y las correspondencias de intercambiabilidad son fundamentales en aeronáutica, tanto en un sentido como en ambos.

¿Sería mejor tener esos datos limpios? Sin duda. Pero ¿podemos identificar claramente cuáles aportan valor examinando las decisiones?

Sí. Pensemos en la intercambiabilidad: ¿puedo utilizar una pieza nueva en un equipo antiguo? Una recomendación equivocada hace visible el problema. Si una pieza es compatible en ambos sentidos, me interesa mantener más stock de ella.

Si recomiendo cinco y el usuario discrepa, puede decir: «¿Por qué? Ya no necesitamos la pieza antigua. La nueva sirve para sustituir tanto la antigua como la nueva, así que queremos 20». Al revisar el inspector, enseguida vemos que no habíamos considerado que esa pieza atendía ambos escenarios de demanda.

¿Por qué? Porque los datos eran incorrectos. Ahora sabemos que merece la pena corregirlos: son datos que mejoran las decisiones. Si limpiamos por limpiar, no avanzaremos y nunca terminaremos.

Conor Doherty: Bien.

Fabian Hoehner: ¿De qué te ríes?

Conor Doherty: Alguien nos felicita… Alex acaba de decir que es listo. Y lo es. Es un chico listo, sí.

He agrupado varias preguntas en una sobre la implementación: trabajo de integración, requisitos de datos —que ya has comentado—, seguridad, soporte, escalabilidad con muchos proveedores, ingeniería y plazos, entre otras cosas. Entiendo que depende de cada caso y que la pregunta es muy abierta. Pero buscamos una orientación general para quienes nos ven y puedan estar interesados.

Fabian Hoehner: Seis meses.

Conor Doherty: Aproximadamente. Puede ser más rápido o llevar más tiempo.

Fabian Hoehner: Sí y sí. Exactamente.

Depende de muchos factores, pero normalmente dedicamos dos meses a obtener los datos y llegar a una interpretación común, comprobando su calidad tanto a grandes rasgos como en detalle. Otros dos meses a una primera optimización, en lo que somos bastante rápidos, y otros dos a afinarla y ejecutarla en paralelo. Todos nuestros clientes ya toman las decisiones que estamos viendo.

Ya deciden a diario qué comprar y en qué invertir. Ejecutamos la solución en paralelo a sus procesos y así avanzamos en la mejora. Eso me lleva a una función relacionada con el historial: ¿cómo comparamos con el pasado y evaluamos los resultados?

Me gusta destacar que la plataforma permite examinar el pasado. ¿Qué significa? Puedo consultar todas las ejecuciones anteriores. Por ejemplo, aquí se ve lo que hice hoy.

Puedo consultar el panel que ejecuté hace unas horas. Como supuse que preguntarías por el presupuesto, lo limité a 1 millón en lugar de 10 millones. Si volvemos al 98 %, ¿recuerdas cuánto había que invertir antes?

Conor Doherty: 1,2… 2 millones.

Fabian Hoehner: Muy bien. Ahora solo llegamos a 900.000 porque fijé un límite de 1 millón. Puedo interactuar con este panel y ejecutarlo.

Puedo hacer lo mismo con cualquier panel del pasado. La mayoría no considera importante esta función, pero tiene muchísimo valor: podemos volver a cualquier momento y ver qué hicimos. Ante un AOG, las empresas —no diré que entren en pánico— empiezan a investigar: «¿Cómo ocurrió? ¿Qué hicimos mal?».

Con tiempos de entrega de seis meses, evaluar el sistema es muy difícil si no podemos reconstruir la situación de enero de 2026. Aquí puedo abrir la simulación de 2026 y quizá ver: «Sí, queríamos comprar una tercera unidad; era interesante. Pero el presupuesto estaba limitado a 10 millones y por eso no se compró».

Entonces sabemos qué pasó. Podemos concluir que hay que ampliar el presupuesto. O quizá que priorizamos mal y debimos asignar una penalización mayor al faltante de stock. En ese caso, cambiamos el algoritmo. Es fundamental: pasamos de una investigación poco útil a evaluar el sistema subyacente. También podemos concluir que el algoritmo hizo lo que debía y que está bien.

Sí, a veces hay eventos extremos y faltantes de stock. Si apuntamos al 98 %, habrá faltantes de stock en el 2 % restante.

Es estadística. También podemos concluir que hay que cambiar el algoritmo para mejorar en el futuro. La optimización es un proceso continuo.

Buscamos continuamente una perfección que, por definición, nunca alcanzamos. Por eso importa consultar el historial y ejecutar datos nuevos con código antiguo: conservar los cálculos, las ponderaciones, la penalización de una pieza visible para el cliente, etc.

Puedo usar los datos de hoy con un algoritmo de hace seis meses o, al revés, preguntar qué haría el optimizador actual con datos antiguos. Pocos preguntan por ello, pero es una función muy potente, creada inicialmente para corregir errores de software. Si los datos cambian de un día a otro, un error puede dejar de reproducirse: sabemos que existe, pero no podemos localizarlo. En fin, me desvío.

Conor Doherty: No te desvíes. Está bien que quede esa información concreta. Tenemos algunas preguntas más.

¿Puedes seguir? Seguimos. Perfecto.

Fabian Hoehner: No, perdón.

Conor Doherty: Esta no trata directamente de compras, sino de otras alternativas.

«¿Puede Lokad decidir si conviene comprar otra unidad o trasladar una existente entre ubicaciones?». Nos alejamos un poco del tema de hoy. Sin abrir otro panel, ¿puedes dar una respuesta general?

Fabian Hoehner: Sí. Entonces…

Conor Doherty: Sí. Siguiente pregunta.

Fabian Hoehner: De acuerdo. Hecho. No.

Aquí entra la priorización económica. Quizá resulte aburrido, pero mi respuesta siempre será: «Si podemos expresarlo mediante una lógica, podemos hacerlo». ¿Qué lógica aplicamos? Primero simulamos la probabilidad de necesitar la pieza.

En un problema de asignación hay que simular primero la demanda por ubicación. Por ejemplo, si hay MBK en 100 estaciones externas, debemos hacerlo para cada una. Es difícil prever una demanda aún más escasa, pero es necesario. La granularidad de la simulación la determina la decisión que queremos tomar, no la facilidad del cálculo.

Para simular la necesidad de una pieza por ubicación, hay que prever a ese nivel. ¿Compramos más para el almacén central o redistribuimos lo que tenemos? Es una cuestión económica.

Trasladar una pieza aumenta el riesgo en la estación de origen. Comparamos ese incremento del riesgo más el coste logístico con el coste de adquirir una pieza adicional, es decir, el coste del capital. Es una comparación lógica que puede calcularse.

Podemos calcularlo hasta el euro, dólar o libra. Pero debemos preguntarnos qué importancia tiene el problema y con qué frecuencia aparece. A veces basta con una regla de tres. Si es una cuestión relevante y de gran valor, podemos llegar a ese nivel de detalle.

Conor Doherty: De acuerdo. Algunas…

Fabian Hoehner: Dime si no está claro.

Conor Doherty: Está perfectamente claro. Quedan otras preguntas y no quiero detenernos demasiado. Ya he recibido mensajes de personas que quieren profundizar; podremos responder después. Repasar cada situación ahora nos llevaría demasiado tiempo.

Fabian Hoehner: Quería asegurarme de que quedan claros los dos principios: combinar las distintas incertidumbres —demanda y tiempos de reparación— para tener una visión conjunta, y priorizar económicamente. Con eso podemos responder al 95 % de las preguntas. Por ejemplo, los consumibles y las piezas no reparables que mencionaste al principio. Hemos hablado del ciclo de reparación.

El ciclo es más complejo, pero para C&E el principio es el mismo. El stock entra y sale; podríamos decir que se desecha el 100 %. Se puede aplicar exactamente la misma optimización económica.

Se puede, pero no es obligatorio. Si el problema es sencillo, también puede resolverse de forma sencilla. Normalmente recomendaríamos esa optimización, pero podemos empezar con algo rápido y rudimentario que mejore lo existente y esté automatizado. La automatización casi siempre supera al trabajo manual.

Después podemos pasar a una segunda etapa. Tengo muchos otros paneles, pero no quiero entrar en ellos. En asignación, por supuesto, un panel puede indicar que hay que trasladar stock de una ubicación a otra. No entraré aquí en las matemáticas.

Conor Doherty: Sí, lo dejaremos para otra sesión; ahora complicaría la explicación.

Fabian Hoehner: Quería destacar las ideas generales. Todo depende de qué llamemos módulo: ¿tratar distintos tiempos de entrega y tiempos de reparación crecientes es un módulo, o lo es el conjunto de compras? Podemos hablar de 20 módulos distintos; aquí se ven algunos ejemplos.

Conor Doherty: A propósito, llega una pregunta en directo de alguien que quizá se perdió la explicación anterior. Es de Saddaf, espero pronunciarlo bien: «¿Puedes explicar más cómo trata Lokad los retrasos de proveedores al calcular la cantidad óptima de compra?».

Fabian Hoehner: Sí. Quiero decir…

Conor Doherty: Puedes volver al panel para quienes se lo perdieron antes.

Fabian Hoehner: Sí. ¿Qué es un retraso y qué es simplemente una variación que debemos tener en cuenta? Un retraso implica que esperábamos un plazo y está tardando más. Hay dos respuestas.

La primera es acelerar el proceso. Supusimos que tardaría 30 días y estamos en el día 40. Proporcionamos una lista priorizada que indica a quién llamar primero. Si una pieza lleva 10 días de retraso, pero tengo cinco aptas para el servicio, ese retraso no me preocupa.

No tiene importancia para mí. En cambio, otra pieza quizá ni siquiera vaya retrasada: estamos en el día 25, pero no tengo stock y es urgente. Entonces querré llamar y pedir que hagan lo posible para entregarla cuanto antes. Esa es la primera mitad de la respuesta: ¿podemos intervenir?

Y ofrecer a los usuarios una forma de priorizar según las consecuencias de que algo vaya mal. La segunda mitad es lo que hemos visto aquí…

Conor Doherty: ¿Qué significa que algo vaya retrasado?

Fabian Hoehner: Sí. Nosotros diríamos que hay distintos tiempos de entrega. Está bien que un contrato diga 60 días, pero si en la práctica siempre tarda 120, debemos reflejarlo en la recomendación de compra.

Eso hicimos aquí. No decimos «siempre son 80» o «siempre son 120», sino que existen todas estas posibilidades. La distribución de demanda abarca todos los tiempos de entrega posibles. Ese es el propósito del cálculo.

Debemos incorporar la incertidumbre que no controlamos, incluida la de los tiempos de reparación y entrega. Y estos también se prevén, aunque no lo hayamos explicado. Antes simplifiqué diciendo que mirábamos el pasado como representación del futuro.

Sabemos que no siempre es así. Trabajamos con nuestros clientes durante el COVID y después: vimos la caída, la recuperación y grandes aumentos de los tiempos de reparación. Si observamos una tendencia en esos tiempos, no suponemos sin más que el pasado representa el futuro.

Prevemos los tiempos de reparación y después la demanda sobre las distribuciones previstas de esos tiempos. Anticipo otra pregunta: dije que mirábamos el último año, pero también podemos considerar las revisiones de mantenimiento próximas. Si tengo… Adelante, si quieres preguntar algo.

Conor Doherty: No, eso forma parte de una pregunta posterior. Continúa.

Fabian Hoehner: La pregunta habitual es cómo prevemos la demanda futura: ¿solo miramos el pasado? Depende. En una operación de mil aviones, con un gran MRO y mucha información estadística, el pasado puede representar bastante bien el futuro.

Pero ¿qué información adicional tenemos? Si sabemos que se aproxima una serie de revisiones D, utilizamos una lista de materiales, o BOM, probabilística: las necesidades también son inciertas. Algunas piezas se sustituirán con certeza; un consumible puede tener una probabilidad de sustitución del 100 %. En otras, solo sabemos que abriremos el equipo…

Conor Doherty: Y encuentras corrosión que no esperabas.

Fabian Hoehner: Sí. O las revisiones C anteriores indican que esa pieza se sustituye en el 30 % de los casos. Una BOM probabilística dice: «Estas son las 100 piezas que podría necesitar, con sus probabilidades». Si sé que la revisión tendrá lugar dentro de dos meses, puedo planificarla.

Eso hacemos. Pero la realidad es más compleja: si programamos una revisión C dentro de dos meses, ¿con qué frecuencia se realiza realmente en esa fecha? También hay incertidumbre ahí. Hemos presentado dos fuentes principales, pero puede haber más, que amplían las distribuciones. Al final la pregunta es la misma: ¿cuánta cobertura adicional obtengo al invertir en otra pieza y merece la pena? ¿Estoy dispuesto a gastar, digamos, 10.000 dólares para ganar otro 0 coma… otro 4 %, o lo que corresponda?

Conor Doherty: Me queda claro. Por eso también son tan importantes los paneles. Metan —perdón si pronuncio mal el nombre— pregunta por algo fundamental que ya se había planteado: generar las mejores decisiones de inversión, desinversión o asignación está muy bien, pero si no se aplican, tenemos un problema.

La pregunta pública es: «¿Cómo sabes si el cliente compró realmente la pieza sugerida?». Antes hablabas de trazabilidad. ¿Podemos comprobar qué porcentaje de las recomendaciones se siguió?

Fabian Hoehner: Ah, de acuerdo. Sí. Entonces…

Conor Doherty: Una auditoría sencilla… auditabilidad, perdón.

Fabian Hoehner: ¿Cómo lo comprobarías tú, Conor?

Conor Doherty: Con un ordenador.

Fabian Hoehner: Sí, magnífico. Recibimos a diario los historiales de transacciones, así que vemos la ejecución.

Eso incluye las compras: puedo ver si se siguió mi recomendación. Simplificando mucho, el cálculo se ejecuta el domingo por la noche y el lunes por la mañana el usuario ve una recomendación de cinco unidades.

En la ejecución del martes veo que compró cinco y puedo decir que siguió el 100 % de la recomendación. En la práctica es más complejo: puede pasar bastante tiempo antes de preparar una propuesta, por ejemplo. Pero sí, lo medimos. En procesos automatizados, como los de consumibles, se puede seguir muy bien.

El volumen de operaciones facilita el seguimiento. En rotables, en cambio, probablemente lo más importante sea la opinión de los usuarios. Revisamos estas listas con nuestros clientes. Somos buenos en matemáticas y estadística, pero cuando digo «nosotros»…

Conor Doherty: Sí, eres un auténtico genio.

Fabian Hoehner: Tenemos una plataforma potente e ingenieros capaces; esa es nuestra especialidad. Llevamos unos 13 años en aeronáutica y hemos acumulado experiencia, pero nunca afirmamos conocer el sector mejor que nuestros clientes. ¿Cuándo llega una modificación de la flota? Son personas apasionadas que reconocen un avión y sus componentes de inmediato. Nosotros aportamos más bien la parte estadística.

Por eso nos apoyamos mucho en el conocimiento y los comentarios de los usuarios. También diseñamos los paneles al 100 % para ellos. Pueden pedir otro aspecto, otros colores o cualquier cambio.

Los escuchamos y adaptamos el diseño. Rediseñar un panel así nos lleva medio día, o menos. Puedo hablar de IA, pero ese es otro tema.

Conor Doherty: No, seguiré con las preguntas. Esto es más bien un comentario. Perdón, un momento. Sí.

¿Cuánto trabajo manual de compras puede eliminarse con Lokad? No quiero dar una impresión equivocada. Ya comentaste que, según el precio, seguirá haciendo falta un experto para validar, por ejemplo, una compra de 90.000 dólares. Pero ¿cuánto tiempo de ese proceso se puede liberar? Y la misma pregunta para C&E.

Fabian Hoehner: Sí, retomaré la respuesta anterior.

Conor Doherty: Sí, solo estoy leyendo la pregunta.

Fabian Hoehner: Claro. Depende de la complejidad, pero C&E se puede automatizar en gran medida.

Sé que ya hay bastante automatización con puntos de pedido y reglas mín.-máx. Podemos ir más allá con un sistema más inteligente que, por ejemplo, actualice los puntos de pedido a diario para ejecutar las decisiones que queremos.

Lo hacemos para algunos clientes y ahorra muchísimo tiempo. Pero al comprar piezas por millones de dólares, el objetivo principal es decidir mejor, aunque el ahorro de tiempo también sea considerable. Evitar unos cuantos AOG hace que los costes pasen a segundo plano, hasta cierto punto.

Conor Doherty: Ya son las 5:45 y llevamos unos 75 minutos. Sé que tenemos que terminar hacia las seis. Ah, queda una última pregunta. Quien haya visto la demostración probablemente conozca la respuesta, pero concretémosla: ¿en qué se diferencia Lokad de plataformas de compras como Aeroxchange? Alguien está comparando ambas categorías y quiere distinguir la optimización de decisiones de la gestión de solicitudes de presupuesto, la comparación de ofertas o la tramitación de órdenes de compra.

Fabian Hoehner: Aeroxchange cubre distintos aspectos, pero, a grandes rasgos, nosotros no somos una plataforma de compras propiamente dicha. Somos un sistema de inteligencia. La diferencia es…

Conor Doherty: Toma de decisiones.

Fabian Hoehner: Sí. Trabajamos por encima de los sistemas transaccionales. Somos el cerebro que les envía las mejores decisiones que permiten obtener la estadística y la inteligencia de negocio, para que se ejecuten. Aeroxchange tiene más funciones para automatizar el propio proceso de compras y las comunicaciones.

Esa no es nuestra actividad. Podemos integrarnos con proveedores, cruzar información y comunicarnos con ellos, pero no publicamos listas de precios. No es nuestro modelo de negocio. Nos describiría como automatización y apoyo a las decisiones, o sistema de inteligencia.

Conor Doherty: Una última. Parece que la gente se siente más cómoda escribiendo por privado que en público, lo cual es comprensible. Leo literalmente: «Está bien, pero me interesan más las reparaciones. ¿Sirve este enfoque para priorizar reparaciones y las acciones para acelerarlas?».

Fabian Hoehner: Sí. Esa era fácil, ¿verdad?

Conor Doherty: Desarróllalo un poco para el público.

Fabian Hoehner: En serio, es la misma lógica. En lugar de comprar una pieza, preguntamos si conviene reparar una no apta para el servicio. Supongamos que tenemos 10 no aptas y ninguna disponible en stock. En vez de comprar, devolvemos una al servicio.

Para ello hay un ciclo de reparación, con su duración y su coste. Tanto una reparación interna como una externa cuestan dinero; pensemos en una externa para simplificar. Supongamos que cuesta 50.000 devolver la pieza al servicio. Primero: ¿cómo priorizamos?

Tengo un presupuesto que limita qué piezas puedo enviar a reparar, y también una capacidad física. Si puedo procesar 50 piezas al día, ¿cuáles son las más urgentes? ¿Y cuáles merece la pena reparar económicamente?

Después del COVID, por ejemplo, fue una cuestión importante. Algunos clientes tenían graves problemas de liquidez: sencillamente no había dinero. ¿Qué podían hacer?

Sigues pagando arrendamientos y otros compromisos, pero no entra efectivo. Una opción era detener reparaciones, que suponen grandes desembolsos. Podías canibalizar el stock existente y dejar piezas sin reparar. Era razonable cuando, durante el COVID, solo volaba el 20 % de la flota y caía mucho la demanda de piezas aptas para el servicio. Pero no podías decir simplemente «ya no reparo nada».

Necesitas una lista priorizada. Hay piezas cruciales que debes seguir reparando porque quedarte sin ellas tendría consecuencias graves. En otras, si tienes 10 en stock y cinco no aptas, puedes asumir algo más de riesgo, dejar algunas sin reparar o reparar solo una.

Es la misma lógica. Aquí los tiempos de reparación importan aún más, al igual que las marcas de tiempo adicionales y la probabilidad de que una pieza deba desecharse. También tenemos paneles para eso, pero nos llevaría por otro camino.

Conor Doherty: Para cerrar el círculo, ¿cómo resumirías el enfoque de compras, inversión y desinversión aeroespaciales para quien acaba de conectarse o ha saltado directamente a las preguntas? ¿Cuáles son las ideas principales?

Fabian Hoehner: Primero, deberían avergonzarse de no haberlo escuchado todo. Segundo…

Conor Doherty: Muy bien. El tercero para…

Fabian Hoehner: Repito: hay que reconocer la incertidumbre. Existe en los tiempos de reparación, la demanda y las listas de materiales probabilísticas. Está por todas partes. No la elimines del modelo para simplificarlo: incorpórala. Hay tecnología para hacerlo mejor.

Segundo, prioriza según las consecuencias económicas. En aeronáutica hablamos normalmente de mejora del nivel de servicio o AOG evitado por dólar gastado. Esas son las ideas centrales. En Lokad tenemos una plataforma potente y excelentes Supply Chain Scientists que diseñan la solución con nuestros clientes. Eso resume lo que hacemos en aeronáutica.

Conor Doherty: Fabi, no tengo más preguntas. Gracias por acompañarme. Es un placer tenerte en el estudio y espero que todos hayan disfrutado escuchándote tanto como yo.

Fabian Hoehner: Demasiado amable.

Conor Doherty: Eres un orgullo para la humanidad, señor.

Fabian Hoehner: Gracias.

Conor Doherty: No hay problema. Y gracias a todos por vernos. Gracias por sus comentarios, sus preguntas.

Un agradecimiento especial a quienes hablaron conmigo durante el último mes. Promocionamos el evento durante aproximadamente un mes y pregunté a muchas personas qué querían ver. Recogí sus comentarios e intenté adaptar lo que mostramos hoy a sus intereses.

Si hay temas que no cubrimos y les interesan, pueden contactar con Fab y conmigo en LinkedIn. Como ven, nos gusta hablar y somos encantadores.

Hagan clic en el perfil y envíennos un mensaje. Si ya están convencidos y quieren reservar una llamada, debería haber un enlace en el chat. También pueden escribir a contact@lokad.com. Como mostró Fabi, hay otros módulos aeroespaciales que podemos presentar.

Hoy no los vimos, pero volveremos para hacerlo. Hasta entonces, solo queda decir: vuelvan al trabajo. Por favor.