Previsión del cambio climático como un planificador de la cadena de suministro

agosto 5, 2022agosto 5, 2022 SCM-Think 0 comentarios

Este artículo contiene parte de la transcripción de la conferencia ofrecida por Joannes Vermorel, director general de Lokad -compañía que desarrolla software para la cadena de suministro-, en la Escuela Politécnica de Palaiseau (Francia) con motivo del simposio “Inteligencia Artificial, Digital y Cambio Climático”, organizado por Sylvain Le Corff, profesor de Telecom Sud Paris, y Eric Moulines, académico de la Escuela Politécnica y miembro electo de la Academia de Ciencias de Francia.

Mi competencia reside en la ciencia de la cadena de suministro y en el análisis predictivo de la cadena de suministro. La cadena de suministro es, a grandes rasgos, el vínculo entre la producción y el consumo: los materiales deben ser adquiridos, transportados, transformados y distribuidos. De esto trata la cadena de suministro. Confieso de inmediato que es poco probable que la ciencia de la cadena de suministro sea el futuro de la climatología.

Sin embargo, las cadenas de suministro modernas ya están aprovechando las técnicas de previsión automatizadas a escala. Esto es exactamente lo que mi empresa, Lokad, ha estado haciendo durante más de una década.

En esta década, he aprendido una serie de lecciones críticas en lo que respecta al uso de técnicas de predicción, normalmente algoritmos de aprendizaje automático, en entornos del mundo real. La lección más importante es que es mejor acertar aproximadamente que equivocarse exactamente. Sin embargo, cuando miro a mi alrededor, veo toneladas de esfuerzos de ciencia de datos profundamente equivocados.

El aspecto más insidioso de la explotación de datos es que los algoritmos -o la tecnología- pueden dar una ilusión de racionalidad, una ilusión de ciencia. Sin embargo, con demasiada frecuencia, esos esfuerzos erróneos de crujido de datos arrojan conclusiones que no son mejores que la astrología. Ningún algoritmo te salvará si enfocas un problema de forma equivocada.

Para entender cómo la modelización predictiva de la cadena de suministro puede darnos valiosas lecciones para la previsión del cambio climático, permítanme señalar que el clima y los mercados mundiales tienen mucho en común. En ambos casos, está en juego nuestro modo de vida. En ambos casos, tenemos sistemas complejos que no se comprenden del todo. En ambos casos, cada participante tiene un impacto en el sistema, pero es un impacto pequeño. En conjunto, una serie de pequeños impactos puede producir un gran impacto. Sin embargo, los participantes tienen sus propios incentivos y, por tanto, nada es sencillo.

Así pues, voy a evaluar, al estilo de la cadena de suministro, la evolución del clima desde la perspectiva de la metrópoli francesa, al igual que una empresa utiliza sus propias cuotas de mercado para evaluar el mercado.

Las cadenas de suministro me han enseñado que el coste siempre está en los extremos. Los pequeños excesos de producción y las pequeñas carencias suelen ser triviales de solucionar; son los grandes los que suponen la perdición de las empresas. Por eso, a la hora de prever el cambio climático, como planificador de la cadena de suministro, no son las pequeñas variaciones las que me interesan. Francia tiene un clima suave; y recuerden que estoy adoptando aquí una perspectiva centrada en Francia.

Francia tendría poco o ningún problema para adaptarse a temperaturas dos grados más altas o más bajas de media. Del mismo modo, podríamos tener un 10% más de viento, o menos viento, o un 10% más de lluvia o menos lluvia, no habría casi ninguna diferencia. Permítanme aclarar inmediatamente que no estoy diciendo que no habría ningún impacto. Simplemente señalo que otros países -como Dinamarca o Italia- no tienen ningún problema a largo plazo asociado a climas más fríos o más cálidos, mientras mantienen un estilo de vida que, a todos los efectos, es casi idéntico al que disfrutamos en Francia. Al cambiar el clima, se producirían ajustes en toda una serie de ámbitos que van desde la elección de los cultivos para la agricultura hasta el grosor de las capas de aislamiento térmico de los edificios. Sin embargo, esas evoluciones son modestas en comparación con otras fuentes de cambio que afectan a Francia.

Por eso, como planificador de la cadena de suministro, son los extremos climáticos los que captan mi interés. Para evaluar lo que se puede esperar, hay que fijarse en los extremos históricos. En efecto, los extremos futuros deben estimarse siempre como mayores que los extremos pasados. Esto es cierto para los mercados y muy probablemente para el clima. Así pues, echemos un vistazo a lo que nos dice la historia de Francia.

Verano de 1636 es el año en que Corneille escribió Le Cid, pero también el de un verano terriblemente caluroso. Las temperaturas subieron a 39°C en París durante semanas. En un verano se produjeron 500.000 muertes, sobre todo de bebés y niños. La principal causa de muerte fue el agua contaminada y enfermedades como la disentería. El número de muertos, en relación con la población francesa de la época, es comparable al de la Primera Guerra Mundial, que duró algo más de 4 años.

Por lo tanto, una temperatura sostenida de 39°C durante todo el verano, para toda Francia, debería ser la referencia para la que deberíamos estar preparados. No hay casi ninguna modelización climática en esta proposición: es una lectura directa de la historia climática francesa reciente. Si ocurrió hace cuatro siglos, mi propuesta es simplemente que puede volver a ocurrir el próximo verano.

Naturalmente, en los últimos dos siglos, la ciencia médica y el saneamiento han eliminado prácticamente la disentería en Francia. Sin embargo, ¿significa esto que podemos pasar los veranos calurosos sin problemas? Si juzgamos por los recientes acontecimientos del verano de 2003 en Francia, los veranos calurosos siguen presentando graves riesgos. La ola de calor de 2003 apenas duró dos semanas, alcanzando los 39°C en París, y causó 15.000 muertes en Francia, principalmente entre personas mayores. Sin embargo, en los años siguientes, la tasa de equipos de aire acondicionado en los hogares de Francia pasó del 4% en 2005 al 25% en 2020.

OBSERVACIÓN Y ADAPTACIÓN

Aquí tocamos un aspecto crítico de la previsión de los asuntos humanos: la gente observa, y la gente se adapta. Esto no siempre repercute negativamente en la exactitud de las previsiones -aunque a menudo lo hace-, pero el ingenio humano casi siempre contribuye a que las previsiones a largo plazo sean irrelevantes. De hecho, hay que tener en cuenta que una previsión, cualquier previsión, es ante todo una elección de modelo. El modelo define el campo de batalla: lo que se va a pronosticar. Una previsión puede ser muy precisa y, sin embargo, completamente irrelevante. Este es un peligro al que se enfrentan todas las empresas que gestionan una cadena de suministro: los mercados son de naturaleza cambiante, no sólo crecen o se reducen.

Volviendo a nuestros extremos climáticos, veamos ahora el gran invierno de 1709. Durante el mes de enero de 1709, las temperaturas descienden a -20°C en París; es como un invierno frío en la ciudad de Quebec. El río Sena se congela como los demás grandes ríos de Francia. En once días, Francia pierde 100 mil personas debido a la ola de frío. En total, el invierno se cobra 600.000 personas, en su mayoría familias pobres. Una vez más, esas pérdidas son comparables con el impacto total de la Primera Guerra Mundial en Francia, salvo que, una vez más, el desastre ocurre en cuestión de semanas, en lugar de años. Este invierno formó parte de un período conocido como la Pequeña Edad de Hielo en Europa, que duró desde mediados del siglo XIII hasta mediados del siglo XIX.

Aunque el hecho de que el río Sena se haya congelado en París puede sorprender a este público, cabe señalar que la latitud norte de París es de 49º, mientras que la latitud de la ciudad de Quebec es de solo 47º. Así que, geográficamente, París está más al norte que la ciudad de Quebec.

En cualquier caso, en los siglos pasados, el río Sena se congeló muchas veces. Es una cuestión de historia, no de modelización climática. Si ese invierno ocurrió hace 3 siglos, mi propuesta sigue siendo que puede volver a ocurrir el próximo invierno.

Por lo tanto, consideremos el tipo de problemas que surgirían en Francia, si sufriéramos un invierno canadiense como el que ocurrió en el pasado.

El primer problema que se me ocurre es: el agua. En Francia, las tuberías de agua suelen estar enterradas a 80 centímetros de profundidad, pero en la ciudad de Quebec están a 130 centímetros y por buenas razones. A 80 centímetros, las tuberías se congelan y se rompen en Quebec. Por lo tanto, una gran ola de frío, en Francia, probablemente destruiría una parte considerable de nuestra infraestructura de distribución de agua.

Además, el transporte se vería gravemente afectado. Los camiones canadienses utilizan calentadores de bloque porque el gasóleo se congela a -10°C. No tengo estadísticas sobre la prevalencia de los calentadores de bloque en los camiones en Francia, pero el índice de equipamiento parece ser muy limitado. Teniendo en cuenta que más del 98% de los vehículos profesionales funcionan con gasóleo, es razonable suponer que casi todos esos vehículos quedarían inoperativos durante una gran ola de frío.

Por último, también es probable que la red eléctrica sufra graves apagones. En 2012, que fue un invierno frío, Francia importó hasta un 9% de su electricidad de Alemania. La parte de la energía que se puede apagar a voluntad, sobre todo en las grandes empresas industriales, solo produce una reducción de energía del 1%. Un apagón controlado produce aproximadamente un 3% más de reducción de energía. Más allá de este punto, la única opción que le queda a la red eléctrica es cortar partes de la red.

EL INVIERNO DE 1956

Estos problemas no son teóricos. Resulta que cuando discutí con mi padre el caso de los grandes inviernos, esos problemas son exactamente como lo que ocurrió en Saint Etienne en 1956.

1956 fue el invierno más frío del siglo XX en Francia. En Saint Etienne, la red eléctrica se colapsó. Las tuberías de agua estallaron. Los vehículos dejaron de funcionar. En el sur, incluso el puerto de Marsella se congeló.

Las familias se quedaron sin agua, comida o calefacción durante días. Un examen superficial de las estadísticas de mortalidad del INSEE de febrero de 1956 indica un exceso de 15.000 muertes en comparación con los años anteriores.

Este duro invierno de 1956 acaeció en una sociedad de posguerra que todavía no confiaba en los aparatos eléctricos. Además, esta sociedad seguía utilizando ampliamente la calefacción de leña, que no depende de la red eléctrica. No me cabe duda de que el mismo invierno en Europa tendría hoy consecuencias mucho más graves.

Volviendo a nuestro debate sobre las previsiones climáticas, está claro, a estas alturas, que lo que realmente importa no son las temperaturas futuras, sino las consecuencias de esas temperaturas. Lo mismo podría decirse de todas las demás variables climáticas: viento, lluvia, etcétera.

Si el primer error de previsión de la “ciencia de los datos” es centrarse en los promedios en lugar de centrarse en los extremos; entonces, el segundo error de previsión es confundir los artefactos numéricos con las consecuencias del mundo real. En la cadena de suministro, esta idea se resume en que los porcentajes de error en las previsiones son irrelevantes, sólo importan los dólares de error.

De hecho, las previsiones son artefactos numéricos que se diseñan para apoyar las decisiones. La calidad de esas previsiones depende en gran medida de su idoneidad para tomar, en última instancia, mejores decisiones.

Evaluar la calidad de las previsiones basándose únicamente en indicadores estadísticos arbitrarios como el error medio absoluto (MAE), el error medio cuadrático (MSE) o el error medio porcentual absoluto (MAPE), todos ellos totalmente desconectados de las consecuencias del mundo real, es probablemente uno de los errores más comunes que observo entre mis colegas científicos de datos.

Personalmente, me refiero a esas previsiones como previsiones desnudas. Las previsiones desnudas son como lo contrario de las profecías míticas. Esas previsiones reciben mucha más atención de la que deberían, y cuando la gente presta atención a esas previsiones, sólo empeoran la situación.

PRECISIÓN, ESTUPIDEZ…

Para entender por qué los pronósticos desnudos son erróneos, hay que darse cuenta de que, en la cadena de suministro -y sospecho que también en el clima- es sencillo generar pronósticos que son extremadamente precisos y extremadamente estúpidos al mismo tiempo.

En efecto, pensemos en un minimercado con reposiciones diarias. Para casi todos los productos del minimercado, la previsión de ventas diarias más precisa es de cero unidades. De hecho, la mayoría de los productos, en un minimercado, ni siquiera se venden una vez al día por término medio. Por lo tanto, una previsión de ventas cero suele ser la previsión diaria más precisa teniendo en cuenta el error medio absoluto.

Entonces, si se toma una previsión de ventas cero como entrada, la tienda no repondrá nada. En efecto, una previsión de ventas nula significa cero unidades a reponer. Muy pronto, todas las estanterías del minimercado estarán vacías y, por tanto, tendremos efectivamente cero ventas, lo que hace que este modelo de previsión de cero ventas sea 100% preciso. Mientras tanto, el minimercado quiebra.

Esta situación ocurre en la vida real (con soluciones de software empresarial que compiten con Lokad). Se llama problema de congelación del inventario. Para solucionarlo, el modelo debe pronosticar la demanda en lugar de pronosticar las ventas; sin embargo, esto es difícil, porque las ventas se observan mientras que la demanda no.

En general, las métricas de previsión estadística dan la ilusión de ser científicas: He diseñado un modelo de previsión que es un 1% más preciso, por lo tanto, mi modelo es probadamente mejor. Sin embargo, esto no suele ser así, y ni siquiera estoy hablando de sobreajuste. El problema que señalo es que perseguir una métrica estadística empeora invariablemente el modelo. El modelo de previsión se vuelve exactamente erróneo mientras que antes era aproximadamente correcto.

No soy un experto en el clima, pero desde mi punto de vista de la cadena de suministro, en los medios de comunicación -la prensa, pero también las redes sociales- veo una abundancia de previsiones climáticas desnudas: previsiones que no están vinculadas a ningún proceso práctico de toma de decisiones. No estoy cuestionando la exactitud de esas previsiones; este es un debate para los climatólogos. Sin embargo, mi experiencia en la cadena de suministro me dice que tratar de inferir cualquier tipo de decisión en el mundo real basándose en esas previsiones desnudas es una receta para las consecuencias no deseadas, que suelen desperdiciar toneladas de recursos en el proceso, y que a menudo logran lo contrario de lo que era la intención original.

Una buena previsión comienza con un problema que hay que abordar. Una vez caracterizado adecuadamente el problema, se avanza hacia atrás identificando los datos y las recetas numéricas adecuadas para apoyar la decisión que esté en juego.

Por el contrario, un mal pronóstico comienza con un conjunto de datos que resulta estar disponible por suerte y con un científico de datos que resulta estar ansioso por probar que el último documento de aprendizaje automático en este mismo conjunto de datos, posiblemente un documento escrito por el propio científico de datos.

Por lo tanto, mi conclusión, que se aplica tanto a la cadena de suministro como al clima, es que si quieres separar las buenas previsiones de las malas, empieza por rechazar inmediatamente las previsiones desnudas. Nunca se obtiene nada bueno de esas previsiones. A continuación, asegúrese de que las previsiones son aproximadamente correctas, en lugar de ser exactamente erróneas. Y por último, busque la proximidad de esas previsiones con las decisiones del mundo real. Si las personas que hacen las previsiones no tienen que vivir las consecuencias de las mismas, tu posición por defecto debería ser de profundo escepticismo.

Leer el texto original en https://bit.ly/3Qgz3Wl

Para #SCMThink: Claudio Lobos