Rodolfo Torres-Rabello

Jorge H. Chávez

Se dice que el conocimiento se duplica hoy cada 18 meses, por lo que la cantidad de datos ha venido aumentando exponencialmente en los últimos años. De hecho, en 1986 los datos almacenados eran todos de naturaleza analógica y se estimaban en 2.62 Gigabytes (Gb), mientras que en 2007 habían llegado a 18.86 billones de Gb y la de datos digitales a 276.12 Gb. es decir, estos últimos habían crecido unas 14 veces más que los análogos. Y esta tendencia ha continuado aumentando a ritmo acelerado.

Es así que hoy una de las mega-tendencias de las Tecnologías de Información es el manejo de grandes volúmenes de datos (“Big Data”), datos que podrían provenir de distintas fuentes y estar en distintos formatos. Pensemos en el proceso logístico de distribución que se relaciona con el proceso de abastecimiento del cliente: tanto el proveedor como el cliente tienen bases de datos de productos, de precios, de clientes y de proveedores, entre otros. También hay datos de los documentos electrónicos utilizados, tales como pedidos, facturas, guías de despacho, ASN (advanced shipping notes) y otros. Hay datos de fechas, de horas, de personas que intervienen, de cantidades, de kilómetros recorridos, de combustible y un largo etcétera. Hay correos electrónicos, mensajería instantánea y redes sociales. Hay llamados telefónicos y documentos impresos. En solo estos dos procesos la cantidad de datos diarios es enorme. Pero, a pesar de esa enormidad, en la práctica se captura y se procesa una ínfima cantidad.

En gestión de empresas y, en particular, en la gestión de Cadenas de Suministro, hay mucho pensamiento deductivo. Dos ejemplos: Una vez pedimos a un Gerente de Supply Chain que describiera su Cadena de Suministro. El, ex alumno de un Diplomado, recurrió sin titubear al modelo SCOR (Supply Chain Operations Reference Model) y se conformó con los procesos de alto nivel. En la práctica, sin embargo, su quehacer no se realizaba en la misma secuencia que el modelo teórico, puesto que había actividades en paralelo y vueltas atrás, lo que habría podido ser detectado si se hubiera llevado el modelamiento hasta el nivel de tareas, observando, captando y procesando los datos reales. Pero ese Gerente parecía pensar que su realidad era plenamente descrita por el SCOR teórico de alto nivel. Los modelos teóricos de este tipo intentan reflejar todos los casos posibles, pero no cada uno en particular, del mismo modo como la Mona Lisa no pretende ser un retrato de cada mujer del mundo.

Otro ejemplo: un Gerente de Logística nos mostró, orgullosamente, un manual con el levantamiento de procesos y con sus correspondientes procedimientos. Observando y hablando con los operarios de bodega, en muchos casos, las actividades que se hacían en la práctica no correspondían con los procedimientos. Incluso, en algunos, el procedimiento estaba equivocado. Ciertos autores hablan de “procesos asumidos”, en contraposición a los “procesos reales”, que salen de los datos.

Los datos son la clave. Los datos pueden estar en múltiples formatos y en distintos sistemas, desde ERP hasta Excel. Pueden estar incompletos o tener alta calidad. Lo cierto es que si se hace caso omiso de lo que creemos y pensamos, dejando de lado por un momento los modelos teóricos, los datos reales pueden describir un panorama insospechado, el panorama de los fríos hechos. Ello es posible mediante lo que el mundo tecnológico llama “minería de datos” (data mining).

El pensamiento inductivo en las ciencias aplicadas procede, entonces, de lo particular a lo general, de los datos a las generalizaciones. Un caso especial lo constituyen los modelos que impactan en los inventarios. Sorprendentemente, a menudo se utiliza un antiguo modelo, el EOQ (Economic Order Quantity), con más o menos variantes, pero la teoría que describe está tan alejada de la realidad como la falsedad de los supuestos en los que se sustenta: ¿Demanda fija? ¿Lead Time constante? ¿Precios sin variación? Heroicos supuestos que no se cumplen en el mundo real.

Pensamiento deductivo: “Vamos a aplicar un modelo popular de los libros de texto y la realidad debe ajustarse”. Es ilusorio pretender que la realidad se ajuste. Aplicar el EOQ, con esos supuestos, es equivalente a creer que los gallos nacen de huevos esféricos.Pensamiento deductivo: “Vamos a aplicar un modelo popular de los libros de texto y la realidad debe ajustarse”. Es ilusorio pretender que la realidad se ajuste. Aplicar el EOQ, con esos supuestos, es equivalente a creer que los gallos nacen de huevos esféricos.

Pensamiento inductivo: “Vamos a estudiar los datos y luego a ajustar los modelos o a construir otros nuevos”. El pensamiento inductivo parte de los hechos, captura datos en cualquier formato, los segmenta y aplica técnicas analíticas avanzadas para reconstruir la realidad tal cual es, no la realidad imaginada. Capturar los datos, aprehender la complejidad, segmentar esa complejidad y construir modelos especiales para cada segmento basados en Estadística avanzada, es la base de las actuales soluciones para Supply Chain Management en las que hemos venido trabajando. Y es que el futuro ya está aquí y se alimenta de datos. Esta partida la ganan los porfiados hechos. Volvamos a inventar la rueda: volvamos a los datos.