Próxima conferencia EN VIVO: 10 de mayo, 15:00, CET (París) - Ver en YouTubeEsta serie de conferencias en curso presenta los conceptos básicos de la gestión de la cadena de suministro: los desafíos, la metodología y las tecnologías. El objetivo es permitir que las organizaciones logren un rendimiento superior y realista de la cadena de suministro. La visión presentada en estas conferencias diverge de la teoría convencional de cadena de suministro, y se la denomina
Quantitative Supply Chain (o cadena de suministro cuantitativa). Estas conferencias están a cargo de Joannes Vermorel, CEO y fundador de Lokad. Las conferencias se ilustran con ejemplos de cadenas de suministro reales que Lokad gestiona para sus clientes.
Destinatarios: Estas conferencias están pensadas para todos aquellos que aspiran a mejorar las cadenas de suministro, desde ejecutivos sénior hasta analistas junior y estudiantes. Las conferencias incluyen una serie de "cursos acelerados" para que los conocimientos previos necesarios sean mínimos.
1. Prólogo
1.1 Los conceptos básicos de la cadena de suministro
Cuando se habla de cadena de suministro se hace referencia al manejo experto cuantitativo, y al mismo tiempo realista, de la opcionalidad al enfrentarse a la variabilidad y las limitaciones relacionadas con el flujo de mercancías físicas. Incluye, entre otros, al aprovisionamiento, las compras, la producción, el transporte, la distribución y las promociones. Pero con un enfoque en fomentar y elegir opciones, en lugar de gestionar directamente las operaciones subyacentes. Veremos de qué manera la perspectiva de cadena de suministro "cuantitativa", presentada en esta serie, diverge significativamente de la que se considera la teoría convencional de cadena de suministro.
Referencias (bibliografía):
- Inventory Management and Production Planning and Scheduling, Edward A. Silver, David F. Pyke, Rein Peterson
- Fundamentals of supply chain theory, Lawrence V. Snyder, Zuo-Jun Max Shen
1.2 La Quantitative Supply Chain en resumen
El manifiesto de la Quantitative Supply Chain pone el énfasis en una breve serie de puntos destacados para entender de qué manera esta teoría alternativa, propuesta y liderada por Lokad, diverge de la teoría convencional de cadena de suministro. Y podría resumirse de la siguiente manera: cada decisión se califica con respecto a los futuros posibles de acuerdo con los impulsores económicos. Esta perspectiva fue emergiendo gradualmente en Lokad como la teoría habitual de cadena de suministro, y su implementación por parte de (¿casi?) todos los proveedores de software sigue siendo un desafío.
1.3 Entrega orientada al producto
El objetivo de una iniciativa de Quantitative Supply Chain es entregar o mejorar un aplicación de software que robotiza algún aspecto de las decisiones rutinarias (por ej., reabastecimientos de inventario, actualizaciones de precio, etc.). La aplicación se ve como un producto que debe diseñarse. Mientras que la teoría de cadena de suministro no logra imponerse en las empresas a gran escala, hay una herramienta (léase Microsoft Excel) que ha tenido un éxito operativo considerable. Si bien la reimplementación de recetas numéricas de la teoría de cadena de suministro tradicional a través de hojas de cálculo es bastante simple, esto no es lo que ha sucedido en la práctica, a pesar de la difusión de la teoría. Aquí demostramos que las hojas de cálculo triunfaron gracias a la adopción de paradigmas de programación que resultaron superiores a la hora de entregar resultados de cadena de suministro.
Referencias (bibliografía):
- Joel on Software: And on Diverse and Occasionally Related Matters That Will Prove of Interest to Software Developers, Designers, and Managers, and to Those Who, Whether by Good Fortune or Ill Luck, Work with Them in Some Capacity, Joel Spolsky, 2004
1.4 Paradigmas de programación como teoría de cadena de suministro
Mientras que a la teoría de cadena de suministro le cuesta imponerse en las empresas a gran escala, hay una herramienta que ha gozado de un considerable éxito operativo (hablamos de Microsoft Excel). La reimplementación de las recetas numéricas de la teoría de cadena de suministro convencional a través de hojas de cálculo es simple; no obstante, no es lo que ha sucedido en la práctica, a pesar de la difusión de la teoría. Demostramos que las hojas de cálculo ganaron por haber adoptado paradigmas de programación que resultaron ser mejores a la hora de entregar resultados de cadena de suministro superiores.
Referencias (bibliografía):
- Dynamic Supply Chains: How to design, build and manage people-centric value networks, John Gattorna, 2015
1.5 Tendencias del siglo XXI en la cadena de suministro
Algunas importantes tendencias han dominado la evolución de las cadenas de suministro en las últimas décadas y han sido responsables en gran medida de dar forma a la combinación de desafíos que enfrentan las empresas. Algunos problemas se han desvanecido hace tiempo, como los peligros físicos y los problemas de calidad. Otros han ido en aumento, como la complejidad global y la intensidad de la competencia. Y resulta notable que también el software está dando una nueva forma a las cadenas de suministro de un modo profundo. Un análisis rápido de estas tendencias nos ayuda a comprender en qué debería concentrarse una teoría de cadena de suministro.
Referencia (publicación mencionada en la parte de preguntas y respuestas de la conferencia):
1.6 Principios cuantitativos para las cadenas de suministro
Si bien las cadenas de suministro no se caracterizan por seguir leyes cuantitativas definitivas —a diferencia del electromagnetismo—, es posible ver, no obstante, que siguen principios cuantitativos generales. Con "general" queremos decir aplicables a (casi) todas las cadenas de suministro. Descubrir esos principios es muy importante, porque pueden utilizarse para facilitar el diseño y la mejora de recetas numéricas dirigidas a la optimización predictiva de las cadenas de suministro. Veremos dos listas breves de principios: algunos observacionales y algunos de optimización.
2. Metodología
El estudio y la práctica de la cadena de suministro deben fundarse en la ciencia; es decir que deben contar con el respaldo de métodos científicos. De hecho, en los últimos tres siglos, todos los campos que lograron elevarse a través de una práctica experimental adecuada han logrado el increíble progreso que hoy reconocemos como sello distintivo de la "ciencia". Sin embargo, la cadena de suministro no ha visto este progreso, al menos no aún, y gran parte de la culpa se le puede echar a las metodologías experimentales inadecuadas. La compleja naturaleza de la cadena de suministro exige métodos adecuados, que veremos en este capítulo.
2.1 Personas de la cadena de suministro
Una "persona" de cadena de suministro es una empresa ficticia. Si bien la empresa es ficticia, esta ficción está diseñada para destacar lo que merece atención desde una perspectiva de cadena de suministro. Sin embargo, la persona no está idealizada, es decir que no simplifica los desafíos de cadena de suministro. Al contrario, el objetivo es el de magnificar los aspectos más complejos de la situación, aquellos que resultan más resistentes a cualquier intento de modelado cuantitativo y de pilotaje de una iniciativa para mejorar la cadena de suministro.
En la cadena de suministro, los estudios de caso —cuando se nombran una o varias partes— son susceptibles de graves conflictos de interés. Las empresas, y sus proveedores de soporte (software, consultoría), tienen un interés en presentar el resultado en clave positiva. Además, las cadenas de suministro reales generalmente padecen o se benefician de condiciones accidentales que no tienen nada que ver con la calidad de su ejecución. Las personas de la cadena de suministro son una respuesta metodológica a esos problemas.
Referencias:
- An introduction to the study of Experimental Medicine (versión en inglés), Claude Bernard, 1865
- The Phoenix Project: A Novel about IT, DevOps, and Helping Your Business Win, Gene Kim, Kevin Behr, George Spafford, 2013
- Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc'Aurelio Ranzato, 2018
2.1.1 Paris, una marca de moda con una red minorista
Paris es una cadena de moda europea ficticia que opera una gran red minorista. La marca se dirige a mujeres y se posiciona como relativamente asequible. Si bien la línea de diseño es bastante clásica y sobria, el principal impulsor comercial siempre ha sido la novedad. Se utilizan varias colecciones por año para lanzar tandas de nuevos productos. Lanzar el producto adecuado en el momento justo y al precio y con la cantidad de stock correctos forman parte de los desafíos centrales.
2.2 Optimización experimental
Lejos de la perspectiva ingenua cartesiana, donde la optimización implicaría simplemente ejecutar un optimizador para una determinada función de calificación, la cadena de suministro requiere un proceso iterativo. Cada iteración se utiliza para identificar decisiones "dementes" que deben investigarse y abordarse. La causa raíz reside, a menudo, en los impulsores económicos, que deben reevaluarse con respecto a las consecuencias involuntarias que generan. Las iteraciones cambian en esencia cuando las recetas numéricas dejan de producir resultados dementes.
Referencias:
- The Logic of Scientific Discovery, Karl Popper, 1934
2.3 Conocimiento negativo
Los antipatrones son los estereotipos de soluciones que
se ven bien, pero
no funcionan en la práctica. El estudio sistemático de los antipatrones fue liderado a fines de los años 90 por el campo de la ingeniería de software. Cuando resultan aplicables, los antipatrones son superiores a los resultados negativos no elaborados, ya que son más fáciles de memorizar y razonar. La perspectiva de los antipatrones es de primordial relevancia para la cadena de suministro, y debería considerarse como uno de los pilares de su conocimiento negativo.
Referencias:
2.4 Estudio de mercado entre competidores
Las cadenas de suministro modernas cuentan con muchos productos de software, y elegir a los proveedores adecuados es cuestión de supervivencia. Sin embargo, debido a que los proveedores son muchos, las empresas precisan aplicar un abordaje sistemático para llevar a cabo esta tarea. La práctica tradicional de investigación de mercado parte con buenas intenciones, pero inevitablemente acaba con malos resultados, ya que las empresas de de investigación acaban actuando como agentes de marketing de las empresas a las que se supone que deben analizar. La esperanza de que aparezca una empresa de investigación de mercado imparcial es equivocada. Sin embargo, la evaluación individual de proveedores es una metodología que permite que incluso una empresa de investigación de mercado con sesgos produzca resultados imparciales.
Referencias:
- Epistemic Corruption, the Pharmaceutical Industry, and the Body of Medical Science. Sergio Sismondo, 2021 (texto)
- Influence: The Psychology of Persuasion, Robert B. Cialdini, 1984
- Procurement Guidance, Conflict of Interest, The World Band, 2020 (PDF)
2.5 Escritura para la cadena de suministro
Las cadenas de suministro implican la coordinación de equipos grandes. Por lo tanto, los materiales escritos son el centro de la atención. Las cadenas de suministro modernas simplemente no son compatibles con la tradición oral. Sin embargo, los profesionales de la cadena de suministro a menudo se desempeñan bastante mal a la hora de aplicar sus habilidades comunicativas escritas. Veamos lo que dicen sobre estos temas los estudios de usabilidad y algunos expertos destacados. Además, las iniciativas de cadena de suministro, ejecutadas a través del abordaje de optimización experimental, deben documentarse exhaustivamente. Las fórmulas y el código fuente responden al
qué y el
cómo, pero no responden al
por qué. La documentación debe asegurar que los Supply Chain Scientists comprendan el problema al que se enfrentan. Con el tiempo, esta documentación se convierte en la clave para asegurar una transición sin tropiezos de un Supply Chain Scientist al siguiente.
Referencias:
- The Elements of Style (primera edición), William Strunk Jr, 1918
- F-Shaped Pattern For Reading Web Content, Jakob Nielsen, 2006 (texto)
3. Personas
Una serie de
personas de cadena de suministro siguiendo la metodología definida en el capítulo anterior.
3.1 Miami - MRO del sector aeronáutico
Miami es un MRO (mantenimiento, reparación y reacondicionamiento) ficticio del sector aeronáutico de Estados Unidos que sirve a una importante flota de aviones comerciales. En el sector aeronáutico, la seguridad es primordial. Las piezas y los componentes deben inspeccionarse con regularidad y potencialmente repararse. La actividad de Miami consiste en mantener los aviones en el aire en todo momento, evitando incidentes de AOG (aeronave en tierra), que se producen cada vez que una pieza necesaria para realizar una operación de mantenimiento no está disponible.
3.2 Amsterdam, marcas de quesos
Amsterdam es una empresa de bienes de consumo de alta rotación (FMCG) dedicada a la producción de quesos, cremas y mantequillas, y trabaja con una amplia cartera de marcas en diferentes países. Son muchos los objetivos comerciales en conflicto que es preciso conciliar: calidad, precio, frescura, desperdicios, diversidad, localidad, etc. Por definición, la producción láctea y las promociones minoristas ponen a la empresa entre la espada y la pared en términos de oferta y demanda.
3.3 San Jose - E-commerce de productos para el hogar
San Jose es un e-commerce ficticio que distribuye una gama variada de mobiliario y accesorios para el hogar. Opera su propio mercado en línea y su marca privada compite con marcas externas, tanto interna como externamente. Para mantenerse competitivo frente a actores más grandes y menos costosos del mercado, la cadena de suministro de San Jose busca entregar un servicio de alta calidad que asume diferentes formas y que va mucho más allá de la entrega a tiempo de los productos pedidos.
3.4 Stuttgart: una empresa del mercado de posventa automotor
Stuttgart es una empresa ficticia del mercado de posventa automotor, que opera una red de sucursales que ofrecen reparaciones de coches, piezas de recambio y accesorios. A principios de la década de 2010, Stuttgart también lanzó dos canales de e-commerce, uno para comprar y vender piezas de recambio, y otro para comprar y vender vehículos usados. Stuttgart intenta entregar un servicio de alta calidad en el complejo y competitivo mercado automotor europeo, que incluye decenas de miles de vehículos diferentes y cientos de miles de piezas de recambio distintas.
Regístrese en LinkedIn:
2 de noviembre, 15:00 CET (Paris)
Ver en vivo en YouTube:
Ver en YouTube3.5 Geneva: un fabricante de relojes de hard luxury
Por determinar
4. Ciencias auxiliares
El dominio de la cadena de suministro depende en gran medida de muchos otros campos. La presentación de la teoría de cadena de suministro como una forma de matemática aplicada es frecuente, aunque equivocada. Esos cursos acelerados están pensados para proporcionar el marco cultural necesario para una práctica de cadena de suministro bien pensada que no puede (ni debería) reducirse a una serie de "modelos".
4.1 Computadoras modernas
Las cadenas de suministro modernas requieren recursos informáticos para operar del mismo modo que las cintas transportadoras motorizadas requieren electricidad. Sin embargo, los sistemas de cadena de suministro lentos siguen siendo omnipresentes, aunque la potencia de procesamiento de las computadoras se ha multiplicado por 10 000 desde 1990. La falta de comprensión de las características fundamentales de los recursos informáticos modernos —incluso en los círculos de TI o de la ciencia de los datos— basta para explicar esta situación. El diseño de software que subyace a las recetas numéricas no debería antagonizar con el sustrato computacional subyacente.
4.2 Algoritmos modernos
La optimización de las cadenas de suministro depende de la resolución de numerosos problemas numéricos. Los algoritmos son recetas numéricas altamente codificadas diseñadas para resolver problemas comunicacionales, y contar con algoritmos superiores permite lograr resultados superiores con menos recursos informáticos. Al concentrarse en las especificidades de la cadena de suministro, el rendimiento algorítmico puede mejorarse enormemente, a veces en varios órdenes de magnitud. Los algoritmos de "cadena de suministro" también deben adoptar el diseño de las computadoras modernas, que ha evolucionado significativamente en las últimas décadas.
Referencias (libro):
- Introduction to Algorithms, Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, and Clifford Stein, 2009
4.3 Optimización matemática
La optimización matemática es el proceso de minimizar una función matemática. Casi todas las técnicas de aprendizaje estadístico modernas —es decir, el pronóstico, si adoptamos una perspectiva de cadena de suministro— dependen esencialmente de la optimización matemática. Además, una vez que se establecen los pronósticos, la identificación de las decisiones más rentables también resulta depender, en esencia, de la optimización matemática. Los problemas de la cadena de suministro generalmente implican muchas variables y tienden a ser de naturaleza estocástica. La optimización matemática es un pilar de la práctica de la cadena de suministro moderna.
Referencias:
- The Future of Operational Research Is Past, Russell L. Ackoff, febrero de 1979
- LocalSolver 1.x: A black-box local-search solver for 0-1 programming, Thierry Benoist, Bertrand Estellon, Frédéric Gardi, Romain Megel, Karim Nouioua , septiembre de 2011
- Automatic differentiation in machine learning: a survey, Atilim Gunes Baydin, Barak A. Pearlmutter, Alexey Andreyevich Radul, Jeffrey Mark Siskind, última revisión de febrero de 2018
4.4 Machine learning
Los pronósticos son esenciales en la cadena de suministro, ya que cada decisión (compras, fabricación almacenamiento, etc.) refleja una anticipación de acontecimientos futuros. El aprendizaje estadístico y el machine learning han superado con creces al campo del "pronóstico" clásico, tanto desde un punto de vista teórico como desde una perspectiva práctica.. Este campo de estudio ha logrado mejorar enormemente, aunque sigue siendo muy malentendido en los círculos de "científicos de datos". Transitaremos por este campo a través de la resolución de tres paradojas. La primera, que debemos hacer afirmaciones precisas sobre datos que actualmente no tenemos. La segunda, que debemos afrontar problemas en los que la cantidad de variables excede por mucho la cantidad de observaciones. La tercera, que debemos trabajar con modelos en los que la cantidad parámetros excede por mucho las variables o las observaciones. Intentaremos comprender lo que significa una anticipación del futuro impulsada por los datos desde una perspectiva de "aprendizaje" moderno.
Referencias:
- A theory of the learnable, L. G. Valiant, noviembre de 1984
- Support-vector networks, Corinna Cortes & Vladimir Vapnik, septiembre de 1995
- Random Forests, Leo Breiman, octubre de 2001
- LightGBM: A Highly Efficient Gradient Boosting Decision Tree, Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma, Qiwei Ye, Tie-Yan Liu, 2017
- Attention Is All You Need, Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin, última revisión: diciembre de 2017
- Deep Double Descent: Where Bigger Models and More Data Hurt, Preetum Nakkiran, Gal Kaplun, Yamini Bansal, Tristan Yang, Boaz Barak, Ilya Sutskever, diciembre de 2019
- Generative Adversarial Networks, Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio, junio de 2014
- Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc'Aurelio Ranzato, última revisión: abril de 2018
- BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, última revisión: mayo de 2019
- A Gentle Introduction to Graph Neural Networks, Benjamin Sanchez-Lengeling, Emily Reif, Adam Pearce, Alexander B. Wiltschko, septiembre de 2021
4.5 Lenguajes y compiladores
La mayor parte de las cadenas de suministro aún se gestionan a través de hojas de cálculo (es decir, Excel), si bien los sistemas empresariales comenzaron a implementarse hace ya una, dos o a veces tres décadas, supuestamente para reemplazarlas. Es cierto que las hojas de cálculo ofrecen una expresividad programática accesible, mientras que esos sistemas generalmente no lo hacen. A grandes rasgos, desde la década de los años 60, ha habido un codesarrollo constante de la industria de software en conjunto y sus lenguajes de programación. Y hay evidencia de que el próximo paso en el rendimiento de la cadena de suministro se verá impulsado en gran medida por el desarrollo y la adopción de lenguajes de programación, o, mejor dicho, entornos programables.
4.6 Ingeniería de software
El control de la complejidad y el caos es uno de los pilares de la ingeniería de software. Considerando que las cadenas de suministro son complejas y caóticas, no debería sorprender que la mayoría de los problemas de los softwares empresariales a los que se enfrentan las cadenas de suministro se reduzcan a una mala ingeniería de software. Las recetas numéricas utilizadas para optimizar la cadena de suministro son software y, por lo tanto, son susceptibles del mismo problema. Estos problemas se vuelven más intensos a medida que aumenta la sofisticación de las recetas numéricas mismas. Una ingeniería de software adecuada es para las cadenas de suministro lo que la asepsia para los hospitales: por sí sola, no hace nada —por ejemplo, no trata pacientes—, pero sin ella, todo lo demás se desmorona.
4.7 Ciberseguridad
El cibercrimen aumenta. El cibersecuestro de datos (
ransomware) es un negocio en auge y, debido a su naturaleza físicamente distribuida, las cadenas de suministro están particularmente expuestas a esto. Además, la complejidad del ambiente es terreno fértil para los problemas de seguridad informática. La ciberseguridad es ilógica por diseño, porque es precisamente el ángulo adoptado por los atacantes para encontrar y aprovechar grietas. Dependiendo de los tipos de recetas numéricas utilizados en la optimización de la cadena de suministro, el riesgo puede aumentar o disminuir.
4.8 Economía cuantitativa
La leyes en la economía no llegan a ser tan sólidas ni unificadas como su contraparte física; no obstante, estas leyes caracterizan el entorno en el que operan las cadenas de suministro. Estas leyes proporcionan el conocimiento previo que resulta ser muy útil a la hora de modelar las cadenas de suministro. Además, aclaran algunos métodos que, si bien pueden ser matemáticamente atractivos, no son sensatos para los objetivos de la cadena de suministro.
4.9 Racionalidad y ciencia
Los problemas complejos merecen una introspección profunda de lo que podemos "abordar científicamente". Es necesaria una metodología racional positiva. El formalismo estricto —generalizado en los círculos académicos— no es más que un racionalismo ingenuo. Una perspectiva "visionaria" —generalizada entre los proveedores de "soluciones"— corre el riesgo de no ser más que "palabras bonitas". Estos problemas se exacerban por la naturaleza misma de las cadenas de suministro, en las que replicar resultados es generalmente muy difícil. Sin embargo, las cadenas de suministro no son la primera disciplina que se enfrenta a estos problemas. Veamos cómo la epistemiología aclara un poco el caso especial del conocimiento de la cadena de suministro.
4.10 Software empresarial
El entorno aplicativo de las empresas modernas da forma de un modo profundo, y a menudo ilógico, al modo en que pueden implementarse, operarse y mantenerse los métodos cuantitativos. La idea de que una teoría de cadena de suministro pueda de alguna forma aislarse de las contingencias de las fuerzas económicas que impulsan los mercados de softwares empresariales es errónea desde dos puntos de vista. En primer lugar, desde una perspectiva académica, lleva a desperdiciar esfuerzos de investigación en las cadenas de suministro, ya que los problemas no se abordan correctamente. En segundo lugar, desde una perspectiva corporativa, ya sea para el comprador como para el vendedor de software, lleva a tecnologías de cadena de suministro con fallas de diseño que no entregan los resultados esperados.
4.11 Estructura corporativa e incentivos
Para que la cadena de suministro se optimice de un modo significativo, los intereses de la empresa deben prevalecer por sobre los intereses de muchos individuos y partes involucradas en la ejecución de la cadena de suministro misma: empleados, ejecutivos, consultores, proveedores de software, vendedores de hardware, etc. La organización misma condiciona en gran medida el grado de optimización que puede lograrse. Y, al contrario, la organización puede rediseñarse para lograr un rendimiento superior de la cadena de suministro. De nuevo, una teoría adecuada de cadena de suministro no puede estar aislada del sustrato (humano) mismo en el que operan las cadenas de suministro.
4.12 Teoría de la información
El pronóstico convierte datos históricos, un tipo de información, en datos de pronóstico, otro tipo de información. La "cantidad de información" de los pronósticos no puede exceder la "cantidad de información" de los datos originales: la lógica de pronóstico simplemente transforma los datos. La teoría de la información proporciona datos clave sobre la naturaleza de la información misma. En particular, esta teoría resulta ser una herramienta esencial para evaluar la "profundidad" de los datos que pueden utilizarse para optimizar la cadena de suministro.
4.13 Psicología
Por determinar.
4.21 Blockchains
Las criptomonedas han sido el centro de mucha atención. Se han ganado fortunas. Se han perdido fortunas. Los esquemas piramidales han estado a la orden del día. Desde una perspectiva corporativa, "blockchain" es el eufemismo utilizado para introducir ideas y tecnologías similares pero manteniendo distancia de esas criptomonedas. En la cadena de suministro existen casos de uso para la blockchain , pero los desafíos son muchos.
Referencias:
- Bitcoin: A Peer-to-Peer Electronic Cash System, Satoshi Nakamoto, octubre de 2008
- Majority is not Enough: Bitcoin Mining is Vulnerable, Ittay Eyal, Emin Gun Sirer, noviembre de 2013
- Elliptic Curve Multiset Hash, Jeremy Maitin-Shepard, Mehdi Tibouchi, Diego Aranha, enero de 2016
- Graphene: A New Protocol for Block Propagation Using Set Reconciliation, A. Pinar Ozisik, Gavin Andresen, George Bissias, Amir Houmansadr, Brian Levine, septiembre de 2017
- Snowflake to Avalanche: A Novel Metastable Consensus Protocol Family for Cryptocurrencies, Team Rocket, mayo de 2018
- Tokeda, Viable token-driven metadata within Bitcoin, Joannes Vermorel, marzo de 2018
5. Modelado predictivo
La anticipación cuantitativa adecuada de eventos futuros está en el centro de la optimización de cualquier cadena de suministro. La práctica del pronóstico de series de tiempo apareció en el siglo XX y tuvo una enorme influencia en la mayoría de las grandes cadenas de suministro. El modelado predictivo es descendiente del pronóstico de series de tiempo, pero también una desviación importante de esta perspectiva. En primer lugar, afronta un conjunto mucho más diverso de instancias problemáticas. En segundo lugar, debido a la naturaleza de los problemas de la cadena de suministro, se necesita un paradigma programático. Por último, debido a que la incertidumbre es, en general, inevitable, se necesitan también pronósticos probabilísticos.
5.0, Nro. 1 en el nivel de SKU en la Competencia M5 Forecasting
In 2020, un equipo de Lokad logró el quinto lugar entre 909 equipos competidores en la M5, una competencia de pronóstico internacional. Sin embargo, en el nivel de agregación de SKU, esos pronósticos se ubicaron en el primer lugar. El pronóstico de demanda es de importancia fundamental para la cadena de suministro. El método adoptado en esta competencia demostró ser atípico y diferente de los demás métodos adoptados por los otros 50 competidores. Hay muchas lecciones que aprender de este logro, como preludio para afrontar desafíos predictivos de la cadena de suministro aun más complejos.
Referencias:
- A white-boxed ISSM approach to estimate uncertainty distributions of Walmart sales, Rafael de Rezende, Katharina Egert, Ignacio Marin, Guilherme Thompson, diciembre de 2021 (enlace)
- The M5 Uncertainty competition: Results, findings and conclusions, Spyros Makridakis, Evangelos Spiliotis, Vassilis Assimakopoulos, Zhi Chen, noviembre de 2020 (enlace)
5.1 Modelado predictivo estructurado
La programación diferenciable (
Differentiable Programming o DP) es un paradigma
generativo para diseñar una amplia clase de modelos estadísticos que resultan muy adecuados para abordar los desafíos predictivos de la cadena de suministro. La DP es descendiente del deep learning, pero se desvía de este por su intensa concentración en la estructura de los problemas de aprendizaje. La DP supera a casi todo lo que se encuentra en la literatura de pronóstico "clásico" basado en modelos paramétricos. La DP también es superior a los algoritmos del machine learning "clásico" —hasta fines de la década de 2010— en casi todas las dimensiones relevantes para un uso práctico en la cadena de suministro, incluida la simplicidad de adopción por parte de los profesionales.
5.2 Pronóstico probabilístico
La optimización de las cadenas de suministro depende de la anticipación adecuada de eventos futuros. A nivel numérico, estos eventos se anticipan a través de
pronósticos, que incluyen una amplia variedad de métodos numéricos utilizados para cuantificar estos eventos futuros. Desde de los años 70, la forma más utilizada de pronóstico ha sido el pronóstico de series de tiempo determinístico: una cantidad medida en el tiempo —por ejemplo, la demanda en unidades de un producto— se proyecta en el futuro. Se dice que un pronóstico es probabilístico si devuelve probabilidades asociadas con todos los resultados futuros posibles en lugar de señalar un resultado particular como "el" pronóstico. Los pronósticos probabilísticos son importantes cuando la incertidumbre es inevitable, algo que casi siempre aparece en sistemas complejos. Para las cadenas de suministro, los pronósticos probabilísticos son esenciales para elaborar decisiones sólidas frente a condiciones futuras inciertas.
5.3 Pronóstico de tiempo de entrega
Los tiempos de entrega son un aspecto fundamental en la mayoría de las situaciones de la cadena de suministro, que pueden y deberían pronosticarse, al igual que se hace con la demanda. Para esto, pueden usarse modelos de pronóstico probabilístico dedicados al tiempo de entrega. Aquí presentaremos una serie de técnicas para elaborar pronósticos probabilísticos de tiempo de entrega para la cadena de suministro. La elaboración de esos pronósticos (de tiempo de entrega y de demanda) es una de las piezas clave del modelado predictivo en la cadena de suministro.
5.4 Interludio, replanteo del pronóstico
Llegados a este punto, ya hemos presentado una breve serie de métodos de pronóstico o, mejor dicho, hemos presentado un paradigma de programación —la programación diferenciable— para crearlos como sea necesario y de manera estructuralmente compatible con el contexto. Ha llegado el momento de dar un paso atrás y explorar los ángulos del pronóstico de cadena de suministro más allá de las tecnicidades de las recetas numéricas en sí.
5.4.1 Whiteboxing
Más allá de las medias móviles, es esperable que cualquier receta numérica no trivial sea "velada por defecto" para los profesionales de la cadena de suministro. Sin embargo, al afrontar esta opacidad numérica, los profesionales de la cadena de suministro deberían (y en la práctica es lo que harán) emitir su juicio con respecto a esos resultados en los que no se debería confiar. El whiteboxing, la respuesta a este problema, es fundamentalmente un proceso que puede, sin embargo, simplificarse radicalmente si la infraestructura del software está bien diseñada.
5.4.2 Ciclos de feedback
Los pronósticos no se elaboran aislados; tienen consecuencias en la cadena de suministro. A menudo, estas consecuencias acaban afectando precisamente al fenómeno de las cadenas de suministro que los pronósticos intentaban capturar originalmente. En la práctica, estos ciclos de feedback están por todas partes y, sin embargo, con mucha frecuencia se los deja de lado. Algunos ciclos de feedback tienen consecuencias positivas para la empresa (por ej., efectos de profecía autocumplida en ventas), mientras que otros, no tanto (por ej., compras postergadas hasta las liquidaciones). De cualquier manera, el método de pronóstico debería intentar considerar estos efectos.
5.4.3 Fuentes de datos más allá de los datos transaccionales
El aprovechamiento adecuado de los datos transaccionales como se encuentran en los sistemas de la empresa tiene (sorprendentemente) mucha importancia a la hora de optimizar la cadena de suministro. Sin embargo, a veces estos datos se complementan con fuentes de datos "externas", entre las que se destacan principalmente los datos de inteligencia competitiva. Algunas fuentes de datos son notoriamente difíciles de aprovechar para los propósitos de la cadena de suministro. Revisamos los pros y los contras asociados con estas fuentes de datos.
5.4.4 Anulación manual de pronóstico (antipatrón)
Debido al diseño defectuoso del stack de software, muchas empresas han comenzado a implementar de forma rutinaria anulaciones manuales a sus pronósticos. Estas anulaciones manuales afectan a la cadena de suministro, porque no son beneficiosas: todo el tiempo invertido en la identificación de las correcciones necesarias y su aplicación estaría mejor invertido en la corrección de las recetas numéricas subyacentes. Por lo tanto, para eliminar las anulaciones manuales, debemos eliminar las causas raíz del problema.
6. Toma de decisiones
Cada día, en una empresa se deben tomar miles de decisiones de cadena de suministro (millones en las empresas grandes) como parte de la rutina operativa diaria. Cada decisión viene con alternativas. El objetivo de la optimización de la cadena de suministro es elegir las opciones que resultan más rentables cuando se afrontan condiciones futuras inciertas. Este proceso presenta dos desafíos clave que no hemos abordado aún: el primero, la evaluación cuantitativa de la rentabilidad de cualquier decisión; el segundo, la implementación de las recetas numéricas de optimización adecuadas para los problemas de la cadena de suministro.
6.1 Asignación de stock minorista con pronósticos probabilísticos
Las decisiones de cadena de suministro requieren evaluaciones económicas ajustadas al riesgo. La conversión de pronósticos probabilísticos en evaluaciones económicas no es trivial y requiere herramientas específicas. No obstante, la priorización económica resultante, ilustrada por las asignaciones de stock, resulta más potente que las técnicas tradicionales. Comenzamos con el desafío de la asignación de stock minorista. En una red de dos niveles que incluye un centro de distribución (CD) y varias tiendas, tenemos que decidir cómo asignar el stock del CD a las tiendas, sabiendo que todas las tiendas compiten por el mismo stock.
6.2 Optimización de la fijación de precios para el mercado de posventa automotor
El equilibrio entre oferta y demanda depende mucho de los precios. Por eso, la optimización de la fijación de precios es un ámbito de competencia de la cadena de suministro, al menos en cierta medida. Aquí presentaremos una serie de técnicas para optimizar los precios de una empresa ficticia del mercado de posventa automotor. Mediante este ejemplo, veremos los peligros de seguir líneas abstractas de razonamiento que no logran ver el contexto de modo correcto. Conocer lo que debería optimizarse es más importante que los detalles de la optimización en sí.
6.3 Decisiones discretas, MOQ y otras limitaciones
Muchas decisiones de cadena de suministro se presentan como problemas discretos univariables; por ejemplo, cuando se debe decidir cuánto comprar, trasladar, transformar, envasar, desechar, etc., de una determinada SKU gestionada por la empresa. Debido a la prevalencia y la diversidad de estas decisiones, es de interés determinar algunas herramientas versátiles para gestionar no una instancia particular del problema, sino clases enteras de problemas.
El esquema de priorización económica, a pesar de su simplicidad, resulta capaz de gestionar muchas limitaciones no lineales que son prevalentes en las cadenas de suministro. A primera vista, no es algo que necesariamente pudiera esperarse de un proceso algorítmico codicioso. Ilustramos cuántas limitaciones de MOQ comunes pueden gestionarse con pocas complicaciones. Esto también aclara la naturaleza del problema de la optimización numérica en la cadena de suministro.
6.4 Impulsores económicos
El rendimiento de la cadena de suministro debería evaluarse financieramente, pero no a través de porcentajes, como se suele hacer (por ej., MAPE, niveles de servicio9). Son dos las maneras en las que la optimización de porcentajes causa daño: primero, a través de la ilusión de progreso, y segundo, a través de la burocracia que inevitablemente surge para respaldar esto. Al contrario, la evaluación financiera está diseñada para alinearse con los intereses estratégicos de la empresa. En particular, el impacto financiero de una decisión debería descomponerse en sus impulsores económicos subyacentes.
6.5 Programación diferenciable (segunda vuelta)
La programación diferenciable (DP) representa la convergencia entre los dos amplios campos del aprendizaje estadístico y la optimización numérica. Hasta ahora, este paradigma de programación se ha aplicado a los problemas de aprendizaje estadísticos, y ahora veremos cómo puede aplicarse a los problemas de optimización numérica que se encuentran en las cadenas de suministro.
6.5.1 Guiado de descuentos por fin de colección para Paris
Diseñemos un modelo de guiado de descuentos a través de DP para la persona "Paris", la red de moda minorista. La conferencia se ilustra mediante código escrito en Envision. El objetivo es aprovechar al máximo el stock almacenado por la empresa, ajustando al mismo tiempo el nivel de descuentos para asegurar una liquidación a tiempo para el final de la temporada.
6.6 Interludio, replanteo de la optimización
Hemos presentado una breve serie de técnicas de optimización que son capaces de abordar situaciones de cadena de suministro muy diversas. De modo muy similar a como abordamos el modelado predictivo, la optimización se aborda a través de paradigmas de programación, en lugar de recetas numéricas específicas. Una vez más, es hora de dar un paso atrás y ampliar nuestros horizontes sobre la perspectiva de optimización.
6.6.1 Ejecución robotizada
Tratar a los expertos como los coprocesadores humanos de sistemas empresariales que de otro modo serían disfuncionales es un desperdicio. La práctica de cadena de suministro debería garantizar que el tiempo de los expertos se capitalice, no se consuma. La robotización del proceso completo que genera las decisiones es clave para lograr una práctica de cadena de suministro beneficiosa. De hecho, la robotización es la clave para lograr que los expertos se concentren en la mejora continua de las recetas numéricas, en lugar de estar todo el tiempo apagando incendios.
6.6.2 Ampliando las opciones
Las opciones —compras, producción, etc.— presentadas a la receta de optimización numérica no caen del cielo, sino que han sido originalmente diseñadas o negociadas. Por lo tanto, estas opciones pueden mejorarse, independientemente del proceso de optimización que luego tenga lugar. Si bien la mejora de las opciones y de la optimización numérica son complementarias, la primera tiende a descuidarse.
6.6.3 Ampliando el conocimiento
Los datos históricos obtenidos por la empresa son el resultado de sus decisiones pasadas. Las decisiones determinan lo que puede verse y lo que no se verá nunca. Porbar opciones "arriesgadas" es un mecanismo para aprender más sobre el mercado, pero es necesario encontrar un equilibrio en el grado de riesgo que se asume. Este problema se conoce como el compromiso entre exploración y explotación, y yace en el centro de un campo conocido como aprendizaje por refuerzo (
reinforcement learning).
7. Ejecución táctica y estratégica
La cadena de suministro, como práctica y como campo de estudio, tiene como objetivo ser una habilitadora y una ventaja competitiva para la empresa en conjunto. Desde el punto de vista de la alta dirección, son dos las perspectivas que predominan: hacer de la cadena de suministro un activo beneficioso y desbloquear modos superiores de hacer funcionar el negocio. En la práctica, los resultados se reducen esencialmente a la elección de los actores correctos.
Una iniciativa que pretende mejorar el rendimiento de la cadena de suministro a través de recetas numéricas superiores puede, si tiene éxito, alterar profundamente la cadena de suministro misma. Esta perspectiva viene con dos condiciones. En primer lugar, las recetas numéricas deben estar diseñadas para facilitar el proceso, ya que implican más de lo que parece. En segundo lugar, el proceso mismo de introducir recetas numéricas modifica a las recetas mismas, algo que, a primera vista, es bastante ilógico.
7.1 Primeros pasos con una iniciativa cuantitativa
Llevar a cabo una optimización predictiva exitosa de una cadena de suministro es una combinación de problemas amplios y problemas más específicos y complejos. Lamentablemente, no es posible separarlos. Los aspectos amplios y aquellos más específicos están profundamente entrelazados. Generalmente, este enredo entra en conflicto directo con la división del trabajo definida por el organigrama de la empresa. Vemos que, cuando las iniciativas de cadena de suministro fallan, las causas raíz de esto generalmente se encuentran en errores cometidos en las primeras fases del proyecto. Además, los errores tempranos tienden a dar forma a la iniciativa completa, lo que hace que sean casi imposibles de resolver a posteriori. Presentamos nuestros hallazgos clave para evitar estos errores.
7.2 Llevar las decisiones a la producción
Buscamos una receta numérica para impulsar toda una serie de decisiones rutinarias, como los reabastecimientos de stock. La automatización es esencial para hacer que la cadena de suministro sea una empresa capitalista. Sin embargo, si la receta numérica resulta defectuosa, se corre el riesgo de causar daños a gran escala.. La mentalidad que reza "fracasa rápido y rompe cosas" no es la adecuada para dar luz verde a una receta numérica para la producción. Sin embargo, muchas alternativas, como el modelo de cascada, son aún peores, ya que generalmente crean la ilusión de racionalidad y control. Un proceso altamente iterativo es la clave para diseñar una receta numérica que demuestre ser adecuada para la producción..
7.3 El Supply Chain Scientist
En el centro de una iniciativa de Quantitative Supply Chain se encuentra el Supply Chain Scientist (SCS) que prepara los datos, el modelado económico y la generación de informes de KPI. El producto final del trabajo que realiza el SCS es la automatización inteligente de las decisiones de cadena de suministro. El SCS es responsable de las decisiones generadas, y proporciona inteligencia humana aumentada gracias a la potencia de procesamiento de las máquinas.
7.4 Más allá de la S&OP y BI: posicionamiento de la cadena de suministro en la empresa
La cadena de suministro debe tomar el control de sus prácticas de software. Este abordaje (re)define profundamente la relación entre TI y la cadena de suministro. TI sigue presente para respaldar la infraestructura de software central y proporcionar todo el entrenamiento necesario cuando se requiere conocimiento experto de sistema.
La S&OP acierta en su concentración en la alineación de la empresa de extremo a extremo para servir correctamente al mercado. Sin embargo, sus prácticas —generalmente orientadas a las reuniones— son obsoletas. Las capacidades del software moderno permiten replantear profundamente el modo en que puede lograrse la sincronización por diseño de formas más provechosas. Una mera actualización de la S&OP a través de herramientas de software solo aporta una fracción de los beneficios que podrían obtenerse mediante un rediseño más radical de la práctica.
8. Infraestructura de software
Las cadenas de suministro modernas viven y mueren por la calidad de su infraestructura de software. Delegar a TI la comprensión de lo que hace que una infraestructura de software sea buena es la receta para asegurar problemas de producción interminables. La introducción de recetas numéricas no triviales, como mencionábamos en capítulos anteriores, magnifica el problema debido a su propia complejidad interna. La infraestructura de software misma debe estar diseñada de manera que tenga propiedades que sean adecuadas para los fines de la optimización de la cadena de suministro.
8.1 La responsabilidad de las recetas numéricas
Observaciones informales de las cadenas de suministro indican que el éxito operativo de las recetas numéricas depende ampliamente de si hay un grupo reducido de personas en la organización que sea responsable de esas recetas. En la práctica, resulta que la infraestructura del software misma dicta en gran medida si las recetas numéricas pueden tener propietarios o no. Esta perspectiva ofrece un primer atisbo de datos clave sobre las propiedades deseables de la infraestructura de software en vistas de una optimización de la cadena de suministro.
8.2 Corrección por diseño
En el siglo XXI, el buen diseño es algo que damos por sentado para casi cualquier objeto que tenemos en nuestros hogares. Sin embargo, cuando se trata del software, especialmente el tipo "científico" utilizado para implementar recetas numéricas, la falta de diseño es impresionante. La mentalidad que reza "Fracasa rápido y rompe cosas" puede ser adecuada para lanzar una aplicación de juegos, pero indudablemente no es la correcta para las cadenas de suministro, donde el fracaso tiende a ser extremadamente costoso.
8.3 Mutualización y miscibilidad de hardware
La optimización de la cadena de suministro diverge enormemente de su contraparte, la gestión de la cadena de suministro, en las necesidades altamente irregulares que tiene de recursos informáticos. Los paradigmas de software y de hardware liderados por los gigantes de la computación en la nube resultan ser de relevancia primordial para los fines de la cadena de suministro. La mutualización de hardware pone el énfasis en la asignación dinámica de recursos. La miscibilidad de hardware, por su parte, pone el énfasis en una perspectiva en la que un tipo de recursos puede cambiarse por otro.
8.4 Stack integrado para entregar aplicaciones predictivas
El diseño de capas profundo es el asesino silencioso del software moderno, ya que resulta dañino en casi todos los frentes importantes: fiabilidad, rendimiento de cálculo, productividad y rendimiento de negocios. El problema se magnifica para la cadena de suministro, debido a la complejidad del entorno tanto en los niveles de software como de hardware. Lo que es peor, cuanto más sofisticadas son las recetas numéricas, mayor es el número de capas que introducen. La eliminación de capas a través de la integración de stack resulta ser la solución que las cadenas de suministro necesitan.
8.5 Enfoque relacional primero para preparar, aprender y optimizar
Casi la totalidad de los datos de la cadena de suministro son datos relacionales altamente estructurados. Por lo tanto, no sorprende que una infraestructura de software "buena" sea una que adopte una perspectiva de los datos relacional primero. El paradigma de
marco de datos es un paso importante en esa dirección. Sin embargo, este paradigma puede y debería extenderse más allá del caso puntual para admitir la mayoría de las situaciones de cadena de suministro. Además, el abordaje relacional primero también debe permear el aprendizaje estadístico y los aspectos de optimización numérica de la infraestructura del software.
8.6 Mantenibilidad profunda
La mantenibilidad del software es una cuestión de supervivencia para las cadenas de suministro. Sin embargo, tanto académicos como consultores tienen incentivos estructurales para desestimar el problema por completo. Incluso los proveedores de software empresarial pueden tener incentivos para desestimar en gran medida el problema, según la configuración de su estructura de precios. Lamentablemente, a nivel de diseño, la mantenibilidad no puede ser algo que se piensa
a posteriori. Existe una serie de principios de diseño que puede mejorar ampliamente la mantenibilidad de la infraestructura del software.
8.7 Seguridad profunda
El cibersecuestro de datos va en aumento y, cuando se examinan las causas raíz, hay pocos motivos para creer que este problema desaparecerá en los próximos veinte años. La optimización de la cadena de suministro presenta algunos desafíos únicos con respecto a sus requisitos de expresividad programática. En particular, la urgencia frecuentemente asociada con las correcciones rutinarias de las recetas numéricas como se encuentran en la cadena de suministro no es compatible con las prácticas habituales adoptadas por la industria de software para asegurar que el software sea seguro. Una vez más, las soluciones deben buscarse en un diseño seguro de la infraestructura del software mismo.
9. Conocimiento negativo
Como regla general, el conocimiento negativo —cosas que no funcionan— es más estable que el conocimiento positivo. Si algo ha fallado de forma recurrente hasta ahora, la probabilidad de que siga fallando por siempre es altísima. El conocimiento negativo es muy valioso para la cadena de suministro, precisamente porque es mucho más fiable que su contraparte positiva.
9.1 Mala ejecución
Muchas iniciativas de cadena de suministro fallan debido a aspectos más bien triviales de su ejecución diaria. En esas situaciones de
muerte por mil puñaladas, el personal y su dirección destinan la mayor parte de su tiempo y energías a extinguir incendios, sin conocer en absoluto las causas raíz.
10.1.1 Los tóxicos de siempre
Los niveles de servicio, los stocks de seguridad, el análisis ABC, la fórmula EOQ —junto con muchos clásicos históricos— resultan ser muy utilizados y altamente disfuncionlales en un contexto real. Estas recetas numéricas clásicas comparten la idea de estar basadas en cadenas de suministro idealizadas, que se parecen poco a las cadenas de suministro reales.
9.1.2 UX y flujos de datos oscuros
Las alertas y las excepciones están por todas partes en el software de cadena de suministro y, sin embargo, estos patrones de UX (experiencia de usuario) llevan sistemáticamente a una productividad deficiente y a la casi imposibilidad de implementar mejoras continuas. En términos generales, muchos flujos de trabajo parecen "racionales" porque están totalmente "especificados" y, sin embargo, no son más que burocracias cosificadas.
9.1.3 Software de porcelana
Cada vez que un software "falla" en alguna parte del entorno de cadena de suministro, las operaciones sufren disrupciones, los equipos dejan de trabajar en la mejora continua y pasan al modo extinción de incendios. La eliminación de estos problemas deberían ser una prioridad y, sin embargo, los abordajes más comunes son equivocados y acaban dando los resultados opuestos.
9.2 Mal liderazgo
Al igual que la mayoría de los problemas corporativos, la causa raíz generalmente se encuentra en la alta dirección. Sin embargo, el lema "trabaja de modo más inteligente, trabaja más duro" es menos que útil en la práctica. No obstante, existe una serie de malas prácticas que se han vuelto muy populares, principalmente porque juegan con el miedo, la incertidumbre y las dudas que son plaga en los círculos alta de la jerarquía.
9.2.1 De la indecisión y la ignorancia al RFP y los prototipos
Es posible que los ejecutivos de la cadena de suministro no cuenten con la profundidad de visión necesaria sobre lo que deberían ser sus cadenas de suministro. La profundidad generalmente falta en dos aspectos: técnico y de negocios. En el aspecto técnico, una falta de empatía mecánica lleva a problemas en el software. En el aspecto de negocios, una falta de visión lleva a una cadena de suministro estancada en un rol de respaldo, en el mejor de los casos. La indecisión y la ignorancia se manifiestan a través de RFP y prototipos mal estructurados.
9.2.2 Juicio de Salomón invertido
El juicio de Salomón tiene que ver, entre otras cosas, con mantener unido lo que nunca debió separarse. Sin embargo, el abordaje de dividir para conquistar se utiliza mucho en empresas grandes para fragmentar decisiones entre muchos silos. Esta fragmentación se ve alimentada por la comprensión incorrecta de los beneficios de la especialización y, además, genera incentivos fragmentados a su paso.
10.2.3 Sacrificios a los dioses del pronóstico
Durante cientos de años, los antiguos generales romanos indagaban sobre el futuro a través de predicciones y auspicios. Más tarde, en épocas más recientes, los políticos pasaron a la lectura de cartas, que se practica (para mayor conveniencia) a puertas cerradas. Sin embargo, la lectura de cartas seguía siendo poco precisa, y, por lo tanto, algunos ejecutivos corporativos modernizaron la cuestión, que ahora se denomina S&OP.
9.3 Seudociencia
La seudociencia corre desenfrenada en los círculos de cadena de suministro. De hecho, la gente que se enfrenta a problemas complejos es presa fácil de charlatanes, porque les resulta más difícil ponerlos en evidencia. Además, aunque se exponga el fraude, un poco de mala fe es muy útil para desviar cualquier crítica.
9.3.1 Teorías simplistas que se disfrazan de sofisticadas
Los problemas de la cadena de suministro son tan diversos como técnicos. Como resultado, cada aproximadamente diez años surge alguna teoría que propone una simplificación radical. Esas teorías deben ser "lo suficientemente complejas" como para no ser descaradamente simplistas, pero lo suficientemente simplistas como para ganar tracción fácil, ya que solo exigen esfuerzos mínimos de parte de los profesionales de la cadena de suministro. Hablaremos acerca de DDMRP y
flowcasting en este contexto.
9.3.2 Teorías oscuras para hacerlo sentir iniciado
Cada aproximadamente diez años surge, por otro lado, una teoría de cadena de suministro o una tendencia que va en la dirección exactamente opuesta que la que se señalaba en la conferencia anterior. Debido a que los problemas de la cadena de suministro parecen velados, no es tan irracional esperar que la solución sea velada también. Al jugar la poderosa carta del "miedo a perderse algo", los actores ganan tracción entre los círculos de cadena de suministro prometiendo una iniciación. Tres ejemplos recientes notables: la IA, la blockchain y el
demand sensing (o detección de la demanda).
