En la cadena de suministro y otros sistemas de gran tamaño, la complejidad de la toma de decisiones se está volviendo cada vez más problemática.
Para gestionar el proceso, se necesitan análisis sofisticados, pero se debe seguir involucrando al elemento humano para obtener los mejores resultados.
Para gestionar el proceso, se necesitan análisis sofisticados, pero se debe seguir involucrando al elemento humano para obtener los mejores resultados.
Category
📚
AprendizajeTranscripción
00:00:00Hola y bienvenido a nuestro webinar, Usando Visualización para Conectar a Humanos y Analíticas en Decisiones de la Cadena de Sostenimiento.
00:00:12Soy Bruce Posner, Editor Senior de MIT Sloan Management Review, y seré su moderador hoy.
00:00:21Este evento será grabado y estará disponible a todos los atendientes aproximadamente 3 a 4 días de negocio después del final del evento en vivo.
00:00:33Además, una versión abreviada de las páginas de hoy estarán disponibles a los atendientes.
00:00:40Bienvenidos a sus preguntas para nuestro hombre de hoy. Para enviar sus preguntas, por favor, entreganlos en cualquier momento en la caja de comentarios en la esquina inferior de su pantalla.
00:00:55O pueden enviar sus preguntas a Twitter usando el hashtag MIT SMR Event.
00:01:10Responderemos a tantas preguntas como el tiempo nos permita hoy.
00:01:14Si tenéis dificultades audio mientras escucháis a través del computador, por favor, llamad a través del teléfono en lugar de ver el enlace de ayuda en la parte superior de su consola.
00:01:27Nuestro hombre de hoy es Matias Winkenbach, un científico de investigación en el Centro de Transporte y Logística de MIT y director del Centro Visual Analytics Lab.
00:01:43Nuestros agradecimientos van a SAS por su patrocinio de este webinar.
00:01:50Ahora vamos a nuestra presentación usando la visualización para conectar a los humanos y la analítica en la decisión de la cadena de suministros.
00:02:02Matias.
00:02:04Muchas gracias, Bruce, por la introducción y bienvenido también de mi lado a este webinar sobre cómo podemos usar la visual analítica o visualización de datos y información en la decisión de la cadena de suministros.
00:02:16Como Bruce mencionó, mi nombre es Matias Winkenbach, soy un científico de investigación en el Centro de Transporte y Logística de MIT y mi papel allí es un poco doble.
00:02:25Trabajo en un laberinto sobre logística de la última fila, un tema muy clásico en la transporte.
00:02:32Y también tengo en mi espalda esa nueva iniciativa de investigación en visual analítica que voy a hablar hoy.
00:02:39Entonces, volvamos directamente al contenido.
00:02:42En nuestro trabajo en el Centro de Transporte y Logística de MIT, colaboramos con compañeros de industria de todo el mundo, cubriendo casi todos los tipos de industrias y sectores.
00:02:52Y mientras hace un par de años, el principal preocupación de nuestros compañeros de proyecto fue encontrar el dato correcto para responder a algunos de los problemas logísticos más importantes de la cadena de suministros.
00:03:02El desafío de hoy ya no está relacionado con obtener acceso a los datos adecuados.
00:03:07Hoy, la disponibilidad de datos es bastante abundante y las compañías tienen acceso a una riqueza de fuentes grandes y diversas de datos, tanto internamente,
00:03:17desde sus propios sistemas, capturando, por ejemplo, información sobre transacciones y procesos, desde dentro de su operación, y también externalmente.
00:03:26Las fuentes de datos externas hoy en día pueden, por ejemplo, consistir en datos publicamente disponibles,
00:03:31como información de censura, o datos de fuentes públicas, como mapas de calle abiertas, por ejemplo.
00:03:37O puede ser proporcionado por terceros privados, como las compañías Google o Twitter.
00:03:43Y con todas estas fuentes de datos en nuestros dedos, nuestra capacidad de recoger datos, hoy en día, a largo plazo, es nuestra capacidad de procesar ese dato,
00:03:52y de convertirlo en datos significativos y accesibles rápidamente.
00:03:57Muchos de nuestros compañeros de investigación, en realidad, luchan por separar el sinal del ruido.
00:04:02Eso significa encontrar cuál datos es realmente relevante para su problema de decisión, y cuál no.
00:04:08Y para aplicaciones en la cadena de suministro y gestión logística, validar y interpretar datos, y el resultado de cualquier análisis de datos,
00:04:17requiere información de contexto rica, experiencia rica y intuición, y conocimiento específico de domenio,
00:04:22que, en realidad, es muy difícil de encoder en aplicaciones de análisis de datos puramente automadas.
00:04:28Por eso, en nuestro campo, es cada vez más importante incluir a la decisión humana en el proceso de análisis de datos complejos.
00:04:37Además de la creciente dificultad asociada a encontrar el datos correctos para trabajar con esa riqueza de fuentes posibles,
00:04:47y la dificultad asociada a interpretar y usar esos datos de una manera significativa,
00:04:53otro gran desafío, en realidad, se encuentra en, digamos, la decisión moderna y datos-driven que se comunica.
00:05:00Y, por lo tanto, la comunicación basada en datos se vuelve cada vez más difícil.
00:05:04Ambos los practicantes de la cadena de suministro y gestión logística, y académicos como nuestro equipo en el Centro de Transporte y Logística de MIT,
00:05:12se enfrentan a historias cada vez más complejas a contar y a transmitir, basadas en lo que nos cuentan los datos.
00:05:20Así que, tener acceso a fuentes de datos cada vez más grandes, diversas, finas y sofisticadas,
00:05:27obviamente tiene el beneficio de poder explicar cosas con un nivel más alto de confianza,
00:05:33y explorar fenómenos a mayor profundidad, y investigar problemas de decisión desde una perspectiva más amplia y comprensiva.
00:05:41Pero todo esto viene con el costo del proceso de análisis, los métodos usados,
00:05:45y las pruebas que resultan de ello, para ser más complejos, menos intuitivos, y, por lo tanto, menos fáciles de transmitir.
00:05:53El valor que una empresa puede extraer hoy en día desde lo que se llama analítica de datos grandes,
00:05:58por lo tanto, es muy importante tener las herramientas correctas para también comunicar el proceso de analítica
00:06:04y las pruebas correspondientes a los decisionistas y a otros empresarios.
00:06:08En otras palabras, no hay sentido en realmente realizar analíticas de datos grandes sofisticadas
00:06:13si la única herramienta para comunicarse sobre datos son cosas como los spreadsheets de Excel.
00:06:18Y por eso, desde nuestro punto de vista, la analítica de datos efectiva se está convirtiendo cada vez más
00:06:24en un medio adecuado de visualización de información.
00:06:28Ahora, en la literatura académica, el término analítica de visualización
00:06:33fue coincidido hace poco para describir la ciencia interdisciplinaria de la razón analítica
00:06:39apoyada por las interfazes visuales.
00:06:42La noción subterránea de esa investigación y de cualquier iniciativa de analítica visual
00:06:47es que se puede hacer mejor, más rápido y con resultados más accionables
00:06:51desde la analítica de datos avanzada al combinar las fuerzas específicas de la analistación computadora
00:06:57y la percepción humana, la inteligencia y la intuición en un enfoque de análisis integrado.
00:07:02Porque el análisis de datos automático obviamente utiliza el hecho de que
00:07:07los recientes avances en la potencia de la computación y los avances en el almacenamiento de datos
00:07:13hacen que los computadores y los algoritmos sean muy poderosos y eficientes
00:07:18en procesar enormes cantidades de datos.
00:07:21Estos datos, en su entidad, por ejemplo, no podrían ser percibidos o entendidos
00:07:26por cualquier decisionista humano simplemente a través de una inspección visual.
00:07:31Sin embargo, el análisis de datos computadores automático
00:07:35sufre del hecho de que muchos problemas reales, especialmente en nuestro domenio,
00:07:40en el domenio de la logística de la empresa,
00:07:42no son suficientemente bien definidos desde el principio.
00:07:45Es decir, a menudo no podemos claramente y inambiguosamente especificar la estructura,
00:07:51el método de uso, el objetivo o incluso las constricciones de un análisis antes.
00:07:57Necesitamos primero explorar los datos disponibles
00:07:59y llegar a través de varias iteraciones de formular un problema
00:08:03antes de que realmente capturemos la esencia de la situación real que estamos tratando de resolver.
00:08:09Además, cuando se trata de encontrar soluciones optimas a un problema,
00:08:13los algoritmos computadores a menudo se atrapan en lo que se llama la local optima.
00:08:17Eso significa que un computador puede encontrar soluciones que son las mejores en comparación
00:08:21con alternativas que son, digamos, cercanas,
00:08:24es decir, muy similares a la solución actualmente encontrada.
00:08:27Pero ese algoritmo puede fallar para darse cuenta de que la solución actualmente encontrada
00:08:31es en realidad inferior a soluciones alternativas que son muy disimilares de la solución actual.
00:08:37Y eso obviamente da risa a cuestiones de confianza.
00:08:40Confianza de la decisión humana en los resultados de un análisis completamente computadorizado,
00:08:45porque la manera en que el análisis se conduce y la manera en que un algoritmo se levanta
00:08:50con la supuestamente solución óptima,
00:08:53normalmente remana una caja negra para el decisionista y no puede realmente validarla o ser desafiado por él.
00:08:59La mente humana, por otro lado, es extremadamente poderosa en interpretar datos de tamaño limitado.
00:09:06Es extremadamente poderosa en detectar patrones no triviales,
00:09:10trenes no triviales en esos datos y interpretarlos en la luz de un rico conjunto de puntos de referencia.
00:09:16Esos puntos de referencia pueden originarse de la experiencia,
00:09:20de la consciencia humana del contexto de una decisión,
00:09:23de la intuición y el conocimiento específico del domenio,
00:09:26o tal vez incluso el común sentido del decisionista humano.
00:09:30Y un enabler clave para explotar el potencial completo de la percepción humana y la cognición
00:09:35para el propósito de la analítica de datos es en realidad la visualización.
00:09:39Muy pocas personas piensan en números o tablas de datos.
00:09:43La mayoría de nosotros estamos programados para asociar información cuantitativa con alguna representación física
00:09:50cuando construimos nuestro modelo mental de un problema de decisión basado en datos.
00:09:54Visualizaciones efectivas de información cuantitativa le dan aseguramiento al decisionista humano.
00:10:00Aseguramiento de que, por ejemplo, antes de que una análisis sea realizada,
00:10:05el dato subterráneo es en realidad válido, es en realidad completo,
00:10:08y ha sido limpiado y agregado de manera adecuada.
00:10:15Además, permite al decisionista humano explorar y descubrir relaciones
00:10:21que pueden ser difíciles de detectar,
00:10:23empezando por cualquier asumpción de defaulto que se hace típicamente, por ejemplo, en el modelo estatístico.
00:10:29Por último, la visualización también es increíblemente efectiva para comunicar
00:10:33los resultados de una análisis a varias audiencias
00:10:36de una manera que es adecuada a su base y adecuada a su entendimiento técnico.
00:10:42Las habilidades perceptivas y cognitivas de los humanos
00:10:46obviamente están limitadas a procesar datos que no excedan un tamaño determinado.
00:10:51Por eso, la raza humana debe ser apoyada por una análisis computacional
00:10:55y las representaciones visuales adecuadas de los resultados de esa análisis.
00:11:00La visualización de datos efectivas es también una tarea muy fácil,
00:11:05requiere que las empresas invierten en especialistas muy entrenados en este campo,
00:11:09que es típicamente bastante caro.
00:11:12La pregunta clave aquí es, por lo tanto,
00:11:14cómo encontrar el equilibrio correcto entre la análisis computacional
00:11:18y la interacción humana a través de la visualización de datos en el curso de una análisis.
00:11:24Ahora, con esta pregunta, como podrán imaginar,
00:11:27la respuesta es que depende.
00:11:29Específicamente, depende de tres factores principales.
00:11:33El problema, los datos y el usuario.
00:11:37Por ejemplo, problemas bien definidos con datos muy grandes
00:11:41o datos muy grandes de datos subordinados
00:11:44que no realmente se dedican a la información de contexto rica para gestionar la análisis,
00:11:48no realmente se dedican a la interpretación humana
00:11:51puede llamar por un enfoque fuerte en la análisis computacional,
00:11:55dado que el usuario es experto en entender y validar los resultados de una análisis así.
00:12:02Si el problema, sin embargo, es menos claramente definido,
00:12:04probablemente viene con datos límites o incompletos
00:12:07y, por lo tanto, se basa heavilmente en la provisión y interpretación humana de contexto,
00:12:11un enfoque más fuerte puede necesitar que se ponga en visualización interactiva de datos
00:12:15y resultados a lo largo del camino.
00:12:18Estos tres factores, el problema, los datos y el usuario
00:12:22definen los desafíos que las organizaciones necesitan hacer
00:12:25cuando elegir entre la completa computarización de una análisis
00:12:29y niveles extremos de interactividad a través de visualización en el otro lado del espectro.
00:12:35El nivel óptimo entre los dos
00:12:37se determinará luego por la cantidad de recursos
00:12:40que se necesitan para obtener una solución mejor o, potencialmente,
00:12:43una sola solución mejor,
00:12:45contra los costos y riesgos potenciales
00:12:47asociados con el funcionamiento de una solución buena,
00:12:50sin embargo, probablemente todavía subóptima.
00:12:54Además, la elección de una organización
00:12:56también debería ser dirigida por cómo eficazmente
00:12:58la análisis debe ser ejecutada
00:13:00y cómo efectivamente sus resultados
00:13:02pueden y incluso deberían ser convertidos en acción.
00:13:08Ahora, los sistemas de apoyo a las decisiones más existentes
00:13:11que se ven siendo usados en práctica, por ejemplo,
00:13:13en nuestros partidos de proyectos
00:13:15son actualmente muy enfocados en una análisis puramente descriptiva
00:13:18que apoya la reconocimiento y caracterización
00:13:22de problemas existentes.
00:13:24Sin embargo, los practicantes a menudo faltan
00:13:27las herramientas prescriptivas apropiadas
00:13:29que les permitirían generar, analizar y evaluar
00:13:33soluciones alternativas a los problemas
00:13:36que luego pudieran ser efectivamente implementadas.
00:13:40Con la aumentada complejidad
00:13:42y la aumentada dimensionalidad
00:13:44de los problemas reales
00:13:46y los datos subyacentes,
00:13:48la generación y evaluación
00:13:50de soluciones alternativas frutales
00:13:52se vuelve cada vez más difícil
00:13:54y eso llama a los sistemas de apoyo a las decisiones
00:13:56que actualmente optimizan
00:13:58la análisis computacional y la interacción humana.
00:14:02Para que las aplicaciones analíticas visuales
00:14:04en el futuro cubran este espacio,
00:14:06se necesitan poderosas visualizaciones
00:14:08intuitivamente entendibles
00:14:10de información por un lado,
00:14:12pero la visualización no es suficiente.
00:14:14También necesitan proporcionar
00:14:16capacidades de análisis prescriptivas rigurosas
00:14:18y por el otro lado,
00:14:20necesitan llenar este espacio de información.
00:14:23Y creo que eso nos lleva a la primera pregunta
00:14:25a la que queríamos preguntar al público.
00:14:27Vamos a la primera pregunta del público.
00:14:31¿A qué punto su organización
00:14:33utiliza visualizaciones de información
00:14:35sistemáticamente para apoyar
00:14:37la análisis analítica y la decisión?
00:14:47Espero, Matías,
00:14:49que muchos de nuestros atendidos
00:14:51estarán interesados en ver cómo
00:14:53otras personas están respondiendo
00:14:55y cuáles son los principios
00:14:58para mejorar la visualización de datos.
00:15:00Personalmente, estoy muy curioso
00:15:02de ver si esta audiencia refleja
00:15:04lo que he visto en nuestra práctica de proyectos,
00:15:06porque trabajamos con muchas empresas
00:15:08y algunas de ellas
00:15:10podrían estar en la línea ahora mismo,
00:15:12pero estoy curioso de ver
00:15:14si los resultados mirarán
00:15:16lo que vemos en otros lugares.
00:15:18Creo que tenemos los resultados aquí.
00:15:20Creo que tenemos los resultados aquí.
00:15:22Creo que tenemos los resultados aquí.
00:15:24Creo que tenemos los resultados aquí.
00:15:27Me pregunto
00:15:29si hay algo
00:15:31en estos números
00:15:33que te sorprende.
00:15:35¿Esto está en línea
00:15:37con lo que esperabas
00:15:39y con lo que
00:15:41tú y tu equipo han visto?
00:15:43Sí, esto es
00:15:45lo que hemos visto.
00:15:47La mayoría de nuestros compañeros de proyecto,
00:15:49ya sea en el sector privado
00:15:51o en el sector público,
00:15:53normalmente están en los tres buquetes
00:15:55y muy pocas empresas
00:15:57tienen un enfoque muy estructurado
00:15:59y estandarizado
00:16:01en la utilización de visualización
00:16:03como medio de decisión
00:16:05y como un enfoque problemático
00:16:07en la decisión.
00:16:09Creo que la mayoría de las personas
00:16:11que trabajamos también
00:16:13en ese buquete verde
00:16:15de uso ocasional,
00:16:17visualización estática,
00:16:19que a menudo depende
00:16:21de las preferencias personales
00:16:23para, digamos, prescribir
00:16:25una cierta manera de usar visualización
00:16:27en el proceso de decisión.
00:16:29Entonces,
00:16:31esto también es
00:16:33un buen
00:16:35límite a la siguiente
00:16:37pregunta, que es
00:16:39¿qué es requerido para la visualización de datos
00:16:41y analíticas visualmente aumentadas
00:16:43para que se convierta en un factor de éxito
00:16:45para una organización?
00:16:47Y si miramos la teoría de fit cognitivo,
00:16:49actualmente señala
00:16:51que para que la visualización
00:16:53de información sea efectiva,
00:16:55debe corresponder
00:16:57al modelo mental que tiene un decisionista
00:16:59del problema subjetivo.
00:17:01Ahora, eso suena muy académico,
00:17:03pero en realidad tiene implicaciones
00:17:05muy reales. Por ejemplo,
00:17:07en nuestro proyecto, con muchas organizaciones
00:17:09privadas y públicas, observamos
00:17:11que las visualizaciones de datos
00:17:13empleadas por practicantes,
00:17:15si usan visualización en general,
00:17:17son predominantemente de naturaleza estática,
00:17:19como vimos en el polo anterior.
00:17:21Sin embargo, la mayoría
00:17:23de los problemas de decisión de hoy
00:17:25en la cadena de suministro y el manejo de logística
00:17:27son cada vez más dinámicos.
00:17:29Son caracterizados por el cambio constante
00:17:31y la interacción dinámica entre
00:17:33múltiples aspectos del problema de decisión.
00:17:35Por lo tanto, las herramientas y métodos
00:17:37para la visualización de datos
00:17:39utilizados por la mayoría de las organizaciones
00:17:41deberían ser revisadas para reflejar
00:17:43la naturaleza cambiante del contexto
00:17:45de la industria en el que se utilizan.
00:17:47Además, observamos
00:17:49que en muchas empresas
00:17:51la visualización efectiva de datos y información
00:17:53es generalmente vista como un producto
00:17:55de la decisión.
00:17:57A menudo es visto como agradable
00:17:59en el mejor caso, y probablemente
00:18:01incluso como innecesario en el peor caso.
00:18:03Sin embargo, para ser
00:18:05un dirigente de éxito organizacional,
00:18:07la visualización de datos debe ser
00:18:09vista como parte inherente
00:18:11del proceso de análisis y pensamiento
00:18:13y como un facet importante
00:18:15de la cultura de la decisión
00:18:17de la empresa.
00:18:19La visualización de datos debe ser
00:18:21accesible y usada a todos los niveles
00:18:23y a través de todas las unidades funcionales
00:18:25de una empresa, ya que ayuda a democratizar
00:18:27conocimiento, ayuda a democratizar
00:18:29datos y información a través de la organización,
00:18:31sin importar el papel
00:18:33y el tecnológico background
00:18:35del usuario de esa información.
00:18:37Hace unos días,
00:18:39estuve en el teléfono con el
00:18:41jefe de innovación de una empresa
00:18:43que es una empresa de forwarding.
00:18:45Durante esa conversación, hizo un comentario
00:18:47remarcable que quería mencionar aquí,
00:18:49diciendo que para que la analítica de datos
00:18:51se convierta en un elemento
00:18:53realmente disruptivo para nuestra organización,
00:18:55no puede ser solo limitado
00:18:57a la descripción de trabajo
00:18:59de algunos expertos de la cadena de suministro.
00:19:01No puede suceder solo en la oficina de atrás
00:19:03de la división de la cadena de suministro.
00:19:05Debe llegar a la habitación de la mesa.
00:19:07Y la analítica visual, en nuestra opinión,
00:19:09combinando analíticas avanzadas
00:19:11con visualización interactiva,
00:19:13puede ser la clave para que la analítica de datos
00:19:15sea usada para la decisión
00:19:17en el nivel de la mesa.
00:19:19Ayuda a cerrar el espacio
00:19:21entre analíticas sofisticadas
00:19:23de una mano y
00:19:25gestores de la otra
00:19:27que tal vez no tengan el tiempo
00:19:29o el entrenamiento técnico
00:19:31para realmente entender cada aspecto
00:19:33de una análisis compleja,
00:19:35pero que tienen una enorme cantidad
00:19:37de información de contexto
00:19:39y de información que debería, idealmente,
00:19:41ser integrada a la análisis
00:19:43para lograr resultados más apropiados
00:19:45y más accionables, en realidad.
00:19:49Cerrar ese espacio
00:19:51entre los decisionistas y
00:19:53analíticas complejas es
00:19:55de gran valor
00:19:57en nuestro domenio, en el domenio
00:19:59de gestión y logística de la cadena de suministro.
00:20:01Varios estudios ya han mostrado
00:20:03que, aunque es costoso
00:20:05establecer una cultura de analítica de datos
00:20:07y una capacidad dentro de una empresa,
00:20:09la prestación financiera y operacional
00:20:11de organizaciones dirigidas a la cadena de suministro
00:20:13pueden beneficiarse
00:20:15sustancialmente de la utilidad
00:20:17de la analítica de datos.
00:20:19La razón por la cual
00:20:21la analítica de datos puede ser
00:20:23un motivo clave para convertir
00:20:25las capacidades de analítica
00:20:27en mejoras de la prestación
00:20:29en una organización de cadena de suministro
00:20:31es, en realidad, doble.
00:20:33Primero, nuestro domenio está
00:20:35en la cadena de suministro.
00:20:37En el pasado, las cadenas de suministro
00:20:39se veían como constructos
00:20:41de forma línea, gobernadas por relaciones
00:20:43bilaterales, pero ahora
00:20:45el término cadena de suministro
00:20:47no se refiere a su propósito.
00:20:49Hoy en día, nos encarga
00:20:51de una red de suministro
00:20:53que sea más compleja, global y multilateral.
00:20:55La analítica de datos
00:20:57puede ayudar a agregar
00:20:59información sobre una red de suministro
00:21:01compleja donde sea necesaria,
00:21:03proporcionar una perspectiva comprensiva
00:21:05de la red y alertar
00:21:07a la decisión de aspectos
00:21:09específicos o elementos de la red
00:21:11que requieran atención.
00:21:13La segunda cosa es que,
00:21:15como mencioné antes, demasiadas cantidades
00:21:17de datos son disponibles
00:21:19a los gestores de cadenas de suministro.
00:21:21Sin embargo, los gestores de cadenas de suministro
00:21:23normalmente son expertos de domenio,
00:21:25no son científicos de datos.
00:21:27Así que los gestores de decisiones de cadenas de suministro
00:21:29típicamente construyen sus decisiones
00:21:31basadas en las reglas de Thumb
00:21:33informadas por su conocimiento
00:21:35y experiencia extensivo de la red de suministro.
00:21:37Muchos gestores de cadenas de suministro
00:21:39que hablamos con, en realidad, no ven
00:21:41valor o incluso confían
00:21:43en las recomendaciones basadas en datos
00:21:45a partir de herramientas de apoyo de decisiones
00:21:47puramente analíticas.
00:21:49Y la analítica visual puede ayudar
00:21:51a superar esta barrera
00:21:53a la adopción de analíticas avanzadas
00:21:55proporcionando información intuitiva,
00:21:57visualización y la capacidad
00:21:59de desafiar resultados de análisis computadorizados
00:22:01a través de interactividad rica.
00:22:03Por ejemplo,
00:22:05en nuestro trabajo de proyecto,
00:22:07descubrimos que los gestores necesitan herramientas fácilmente accesibles
00:22:09para desafiar y validar
00:22:11resultados de análisis computadorizados
00:22:13para construir confianza.
00:22:15Y incluso si logran romper un modelo,
00:22:17y eso sucedió con nosotros bastantes veces,
00:22:19pero si logran romper un modelo,
00:22:21eso es algo que se percibe
00:22:23como algo positivo, porque le da
00:22:25a los gestores una mejor sensación de cuándo
00:22:27hacer un análisis y cuándo
00:22:29probablemente tomar un segundo vistazo
00:22:31y usar su propia intuición.
00:22:35Para ayudar a los gestores de decisiones
00:22:37a manejar la complejidad,
00:22:39las aplicaciones de analítica visual
00:22:41generalmente siguen el mantra
00:22:43analizar las cosas primero,
00:22:45luego mostrar sólo lo importante,
00:22:47luego zoomar o filtrar esos resultados
00:22:49o analizarlos más adelante
00:22:51y luego mostrar el detalle adicional
00:22:53pero solo mostrar ese detalle
00:22:55y algunos soluciones comercialmente disponibles
00:22:57ya siguen este enfoque
00:22:59para apoyar
00:23:01la decisión de la cadena de suministro
00:23:03basada en datos bastante bien.
00:23:05Sin embargo, creemos que
00:23:07un elemento importante sigue faltando
00:23:09en este mantra
00:23:11y es que también está faltando
00:23:13en muchas herramientas de apoyo
00:23:15a la decisión de la cadena de suministro
00:23:17que vemos ahí ahora mismo
00:23:19y ese elemento es proponer acción.
00:23:21Y voy a ilustrar eso en un poco,
00:23:23lo que vemos ahí ahora mismo
00:23:25es que muchas empresas
00:23:27ya han dado cuenta
00:23:29de que es importante tener visibilidad real
00:23:31de sus datos de cadena de suministro.
00:23:33Muchas empresas, aquí vimos
00:23:35un ejemplo de un software
00:23:37llamado Elementum
00:23:39que algunas empresas
00:23:41utilizan, por ejemplo,
00:23:43para crear visibilidad real
00:23:45de sus datos de cadena de suministro internos
00:23:47y lo hacen porque
00:23:49más rápidamente y con más precisión
00:23:51las empresas pueden reaccionar
00:23:53a los datos de cadena de suministro
00:23:55que tienen sobre riesgos
00:23:57o probablemente incluso sobre oportunidades
00:23:59dentro de la cadena de suministro,
00:24:01el más rápido y mejor
00:24:03pueden reaccionar a eso.
00:24:05La visibilidad de los datos de cadena de suministro
00:24:07en ese sentido
00:24:09ayuda a aumentar la velocidad
00:24:11de la cadena de suministro
00:24:13y las interfaces visuales
00:24:15como la que vimos aquí
00:24:17para las métricas de la cadena de suministro
00:24:19han ido un paso más
00:24:21y ya han desarrollado soluciones
00:24:23que les permiten no sólo
00:24:25ser conscientes de las disrupciones,
00:24:27ser conscientes de los riesgos o oportunidades
00:24:29dentro de la cadena de suministro,
00:24:31sino también identificar rápidamente
00:24:33las causas principales de estos problemas.
00:24:35Identificar las causas principales
00:24:37de un problema de cadena de suministro
00:24:39basado en datos, normalmente corresponde
00:24:41a la capacidad de agregar y desagregar
00:24:43información flexible,
00:24:45para enfocar en el producto,
00:24:47el material de origen, el cargador
00:24:49o el suministro que puede causar
00:24:51el problema al principio.
00:24:53Y proporcionar niveles arbitrarios
00:24:55de detalle en demanda,
00:24:57mientras que, como podrán recordar,
00:24:59ser un elemento clave de la mantra visual
00:25:01analítica que acabamos de hablar
00:25:03es en realidad uno de los mayores desafíos
00:25:05en diseñar herramientas analíticas visuales efectivas,
00:25:07porque requiere una muy cercana
00:25:09interacción entre expertos de domenio
00:25:11en la logística de cadena de suministro,
00:25:13pero también expertos de analítica
00:25:15y expertos de IT.
00:25:17Por último,
00:25:19muy pocas empresas
00:25:21ya tienen sistemas de apoyo de decisiones
00:25:23en lugar que pudieran convertir
00:25:25la visibilidad y el entendimiento
00:25:27de la causa principal de un problema de cadena de suministro
00:25:29en recomendaciones accionables
00:25:31sobre lo que debería o podría ser hecho
00:25:33sobre ellos.
00:25:35Y para desarrollar estas capacidades
00:25:37en realidad requiere la creación
00:25:39de herramientas analíticas
00:25:41prescriptivas fuertes
00:25:43integradas en interfaces
00:25:45intuitivamente accesibles
00:25:47para que los gestores puedan usarlos fácilmente
00:25:49en sus decisiones de día a día,
00:25:51no solo una vez al año,
00:25:53no solo una vez al cuarto,
00:25:55sino en sus operaciones de día a día.
00:25:57Desde nuestro punto de vista,
00:25:59la industria debe colaborar más
00:26:01con instituciones académicas como MIT
00:26:03para desarrollar estas capacidades,
00:26:05porque hace que sus esfuerzos existentes
00:26:07e inversiones en la visibilidad real
00:26:09generen más recompensas.
00:26:11Hemos discutido muchas cosas hasta ahora
00:26:13y basado en todas estas cuestiones
00:26:15podemos formular probablemente
00:26:17tres requerimientos de diseño a nivel alto
00:26:19que cualquier aplicación de analítica visual
00:26:21y gestión de cadena de suministro
00:26:23deberían cumplir para ser beneficiosas.
00:26:25Primero,
00:26:27una buena herramienta de analítica visual
00:26:29debería siempre ofrecer al decisionista
00:26:31con múltiples comentarios complementarios
00:26:33sobre el problema.
00:26:35Esto nos permite una percepción específica
00:26:37para el público,
00:26:39una presentación específica del problema,
00:26:41pero más importante,
00:26:43permite a los decisionistas investigar
00:26:45problemas de suministro desde varios ángulos.
00:26:47Entonces, diferentes representaciones visuales
00:26:49del problema en manos,
00:26:51de los datos que subestiman el problema
00:26:53y de los resultados de análisis correspondientes
00:26:55de hecho permiten al decisionista
00:26:57entender y evaluar el problema
00:26:59y posibles soluciones alternativas
00:27:01basadas en varias métricas diferentes
00:27:03moderadas por
00:27:05varias encodas visuales diferentes.
00:27:07Esto puede llevar a decisiones
00:27:09más holísticas y informadas,
00:27:11pero también ayuda a evitar que el decisionista
00:27:13se atrape en son llamadas
00:27:15trapas de reinforzamiento
00:27:17autoconfirmadoras.
00:27:19Esto, por lo tanto, asegura
00:27:21que una perspectiva diversificada
00:27:23sobre el análisis es tomada
00:27:25en lugar de acercarse al problema
00:27:27a través de un único ángulo de una específica
00:27:29pero potencialmente biasada encoda visual
00:27:31de la información relevante.
00:27:33Segundo,
00:27:35las aplicaciones de análisis visual
00:27:37solo pueden ser poderosas herramientas
00:27:39de apoyo a las decisiones si permiten
00:27:41una interacción de usuario rica y intuitiva.
00:27:43Siguiendo el mantra
00:27:45del análisis visual que vimos antes,
00:27:47el usuario debe ser proporcionado
00:27:49con el nivel correcto de detalle
00:27:51al momento correcto para evitar
00:27:53un desbordamiento cognitivo a través de toda la información
00:27:55que está disponible.
00:27:57Por lo tanto, necesitamos un buen
00:27:59motor de interactividad para crear la capacidad
00:28:01de literalmente tapar
00:28:03los detalles adicionales en demanda
00:28:05y permitir al decisionista mantener
00:28:07una vista de un problema de decisión complejo
00:28:09mientras al mismo tiempo
00:28:11tener acceso a todos los detalles relevantes
00:28:13cuando sean necesarios.
00:28:15Así que la interacción de usuario
00:28:17con una herramienta de análisis visual
00:28:19debería, por lo tanto, ser diseñada
00:28:21tan visual y tan intuitiva como posible
00:28:23para mantener la atención del usuario
00:28:25enfocada en el análisis,
00:28:27no en el uso técnico del sistema.
00:28:29Tercero,
00:28:31como mencioné muchas veces antes,
00:28:33las aplicaciones de análisis visual
00:28:35necesitan ir más allá de la visualización pura de datos.
00:28:37Las imágenes bonitas de datos
00:28:39no crean por sí mismas
00:28:41ningún beneficio.
00:28:43Las herramientas de análisis visual
00:28:45necesitan proporcionar las capacidades analíticas
00:28:47que los decisionistas de la cadena de suministro
00:28:49necesitan hoy en día para, por ejemplo,
00:28:51predicar los resultados de un desbordamiento
00:28:53de la cadena de suministro o para predicar
00:28:55el resultado de una reacción potencial
00:28:57a tal desbordamiento.
00:28:59Las herramientas de análisis visual
00:29:01necesitan ayudar a los decisionistas de la cadena de suministro
00:29:03a identificar, evaluar y elegir
00:29:05acciones alternativas rápidamente
00:29:07basadas en, idealmente,
00:29:09todos los datos relevantes
00:29:11disponibles para ese problema.
00:29:13Por último, necesitan proporcionar
00:29:15las herramientas de análisis visual
00:29:17para asesorar la criticalidad
00:29:19de ciertos elementos
00:29:21de su red de suministro
00:29:23para, por ejemplo, la performancia
00:29:25o la vulnerabilidad del sistema
00:29:27Los principios que acabamos de hablar
00:29:29básicamente dan nace
00:29:31a una arquitectura del sistema conceptual
00:29:33que cualquier análisis visual, aplicación
00:29:35y gestión de la cadena de suministro
00:29:37debería poderse seguir.
00:29:39La arquitectura que se ve aquí
00:29:41fue actualmente publicada por algunos colegios
00:29:43de la Universidad de Georgia Tech en Boston
00:29:45no mucho tiempo atrás, y debido a las constracciones
00:29:47de tiempo de este webinar, no puedo ir a
00:29:49sus detalles,
00:29:51pero como pueden ver, se basa en
00:29:53tres componentes principales,
00:29:55primero, un motor de representación visual
00:29:57que se centra en convertir
00:29:59datos y resultados de análisis
00:30:01en representaciones visuales apropiadas,
00:30:03luego, un motor de interacción
00:30:05que define la manera en que un usuario
00:30:07puede interactuar con la análisis
00:30:09a través de interfaces visuales,
00:30:11y luego, un motor de analítica
00:30:13que actualmente proporciona la inteligencia
00:30:15descriptiva, predictiva y prescriptiva
00:30:17a este sistema.
00:30:19No va sin decir
00:30:21que, debido a esta arquitectura,
00:30:23el desarrollo de una aplicación
00:30:25de analítica visual poderosa
00:30:27es, de hecho, un esfuerzo
00:30:29muy interdisciplinario.
00:30:31Además de los expertos de domenio
00:30:33en la red de suministros y logística,
00:30:35el desarrollo de estos tres
00:30:37componentes principales, actualmente,
00:30:39requiere investigación y experiencia
00:30:41en varios campos, desde la visualización
00:30:43de información, a la analítica de datos,
00:30:45a la interacción de máquinas humanas,
00:30:47a la psicología cognitiva.
00:30:49Así que, ahora mismo que estamos
00:30:51llegando a un entorno en el que
00:30:53la mayoría de nosotros, digamos,
00:30:55somos expertos de domenio,
00:30:57tenemos que encontrar a colegas
00:30:59para colaborar con nosotros
00:31:01que tengan la necesaria experiencia
00:31:03en todos estos otros campos,
00:31:05lo cual es interesante,
00:31:07pero al mismo tiempo desafiante,
00:31:09y también es algo que cualquier
00:31:11compañía enfrentaría
00:31:13cuando se involucre en desarrollar
00:31:15herramientas de analítica visual
00:31:17para su propia decisión.
00:31:19Ahora mismo que estoy dirigiendo
00:31:21el laberinto de logística de Megacity,
00:31:23colaboramos con el laberinto de medios
00:31:25y desarrollamos y implementamos
00:31:27una herramienta de analítica visual
00:31:29para apoyar la decisión de uno
00:31:31de los mayores vendedores del mundo
00:31:33el año pasado.
00:31:35Más específicamente, para ese vendedor
00:31:37desarrollamos una herramienta de analítica visual
00:31:39que apoyó el diseño de sistemas
00:31:41de entrega urbana de las calles
00:31:43para ordenes comerciales en línea,
00:31:45así que es algo que probablemente
00:31:47se desarrollará en los Estados Unidos.
00:31:49Como se puede ver en este video,
00:31:51el sistema que creamos
00:31:53muy parecido a la arquitectura
00:31:55previamente discutida.
00:31:57Hay un engino de analítica
00:31:59que trabaja en el fondo
00:32:01analizando datos sujetos
00:32:03a una entrada de usuario interactiva
00:32:05a través de una interfaz visual,
00:32:07mientras que un engino visual
00:32:09ofrece a un usuario visual
00:32:11representaciones de los datos
00:32:13de base y el efecto de sus acciones.
00:32:15En este video, un usuario interactúa
00:32:17con un engino de analítica
00:32:19sofisticado que combina
00:32:21métodos de simulación y optimización
00:32:23para asesorar la performancia
00:32:25de una red de logística urbana.
00:32:27Lo hace a través de un engino
00:32:29de interacción muy visual y intuitivo
00:32:31que ofrece feedback visual inmediato.
00:32:33El usuario puede, por lo tanto,
00:32:35disponer de múltiples niveles
00:32:37de información de apoyo, por ejemplo,
00:32:39como un overlay al contexto geográfico
00:32:41de sus decisiones. En este caso,
00:32:43en el área de San Francisco Bay, por ejemplo.
00:32:45El usuario podría mostrar
00:32:47cosas como densidad de población,
00:32:49variables socioeconómicas, características
00:32:51de infraestructura, patrones de tráfico
00:32:53o información de demanda
00:32:55a una resolución muy alta
00:32:57y en su contexto geospacial real.
00:32:59A partir de esta información,
00:33:01el usuario puede desarrollar libremente
00:33:03una red de distribución urbana
00:33:05colocando objetos en la mapa
00:33:07que representan diferentes tipos
00:33:09de instalaciones de distribución,
00:33:11o bolsas de almacenamiento.
00:33:13Y luego, el engino de analítica
00:33:15que se ejecuta en el fondo
00:33:17toma este inpuesto físico,
00:33:19computa la performancia del sistema
00:33:21en términos de alcance de mercado,
00:33:23en términos de costo de servir,
00:33:25en términos de nivel de servicio
00:33:27y luego lo devuelve en casi tiempo real
00:33:29a través de un engino de visualización
00:33:31que proyecta estos resultados
00:33:33como una mapa de calor, en este caso,
00:33:35en el contexto de la decisión geospacial.
00:33:37Así que este prototipo,
00:33:39fue extremadamente efectivo
00:33:41en permitir a varios diferentes
00:33:43asociados en la decisión de la empresa
00:33:45sobre cómo diseñar sus redes de distribución
00:33:47urbana futuras participar en ese proceso
00:33:49de decisión.
00:33:51Nuestra herramienta, en realidad,
00:33:53proporcionó una base de comunicación
00:33:55que permitió a la gente de varios
00:33:57diferentes backgroundes,
00:33:59desde la cadena de suministro,
00:34:01a la financiación, a la ingeniería,
00:34:03al marketing, al HR,
00:34:05para proporcionar su conocimiento
00:34:07a través de un análisis computerizado.
00:34:09Sin embargo,
00:34:11este input resulta ser muy crucial
00:34:13para la viabilidad real
00:34:15de la solución que
00:34:17este sistema propone.
00:34:19Así que,
00:34:21espero que puedan ver
00:34:23estos videos bien que estoy
00:34:25mostrando.
00:34:27Tomando esta investigación y
00:34:29esfuerzos de desarrollo
00:34:31a nivel próximo, el Centro de Transporte
00:34:33y Logística de MIT está creando
00:34:35un nuevo espacio laboral físico
00:34:37dedicado a la
00:34:39exploración y avancemiento
00:34:41de las capacidades de analítica visual,
00:34:43pero también de su aplicación
00:34:45a problemas reales
00:34:47en la gestión de la cadena de suministro y logística.
00:34:49El laboratorio irá en vivo en enero
00:34:51y ofrecerá, como pueden ver en este
00:34:53rendimiento, una multitud de equipos
00:34:55audiovisuales, desde superficies
00:34:57multitouch, a pantallas equipadas
00:34:59con sensores inteligentes,
00:35:01a dispositivos de realidad virtual
00:35:03que permitirán
00:35:05esfuerzos de investigación muy interdisciplinarios
00:35:07en la intersección de la gestión de la cadena de suministro,
00:35:09la ciencia de datos,
00:35:11la visualización de información y la ciencia de computadoras.
00:35:13Tenemos un par de
00:35:15proyectos de investigación iniciales
00:35:17para este laboratorio, que cubren aplicaciones
00:35:19desde la logística urbana,
00:35:21a la respuesta humanitaria, a la gestión
00:35:23de la cadena de suministro global,
00:35:25incluso a la investigación abstracta,
00:35:27por ejemplo, en el campo de la ciencia de la red.
00:35:29Y, por supuesto, esperamos que este laboratorio
00:35:31tenga un impulso importante
00:35:33para avanzar más adelante
00:35:35tanto la investigación académica en la analítica visual
00:35:37en la gestión de la cadena de suministro,
00:35:39sino también su aplicación a gran escala
00:35:41para los problemas de decisión real
00:35:43de nuestros compañeros privados y públicos,
00:35:45porque queremos tener un impacto real
00:35:47con la investigación que estamos haciendo.
00:35:49Ahora, como se vio en el video,
00:35:51la tecnología de realidad virtual
00:35:53puede tomar un papel central
00:35:55en el desarrollo a largo plazo
00:35:57de esa investigación en el campo de la analítica visual
00:35:59y en las aplicaciones de la cadena de suministro y logística.
00:36:01De hecho, como se puede ver en este gráfico,
00:36:03estas tecnologías están avanzando rápidamente.
00:36:05Están siendo cada vez más poderosas,
00:36:07cada vez más tecnológicamente robustas,
00:36:09y al mismo tiempo
00:36:11se están convirtiendo en una aplicación
00:36:13a largo plazo de desarrollo
00:36:15en el entorno corporativo.
00:36:17Y eso me lleva a la segunda pregunta
00:36:19que nos gustaría preguntarles.
00:36:21La segunda pregunta es
00:36:23¿cuál es el potencial
00:36:25para el uso de la red virtual
00:36:27y la tecnología de realidad augmentada
00:36:29para apoyar la decisión corporativa?
00:36:41Matías, los recortes de costo
00:36:43en ese gráfico
00:36:45son bastante dramáticos.
00:36:47Y,
00:36:49basado en la economía,
00:36:51esto debería ser
00:36:53un factor
00:36:55significativo, ¿no crees?
00:36:57Sí, ya vemos
00:36:59que los dispositivos
00:37:01que en este momento
00:37:03se están discutiendo en el contexto
00:37:05de las aplicaciones de consumidores,
00:37:07básicamente las aplicaciones de juego y experiencia,
00:37:09se están convirtiendo
00:37:11en una aplicación
00:37:13a largo plazo de desarrollo
00:37:15en el mercado consumidor y, por lo tanto,
00:37:17si es necesario y si es aplicable
00:37:19en cualquier contexto corporativo.
00:37:21Y al mismo tiempo,
00:37:23lo bueno es que no solo
00:37:25los costos bajan, sino que la calidad
00:37:27de esa tecnología se está aumentando
00:37:29rápidamente.
00:37:31Creo que tenemos
00:37:33los resultados aquí.
00:37:35Esto es interesante.
00:37:37¿Hay algo que
00:37:39nos parezca?
00:37:41¿Esto corresponde a tu opinión
00:37:43sobre el uso
00:37:45de la realidad aumentada y la realidad virtual
00:37:47en los sitios corporativos?
00:37:49Sí, bueno,
00:37:51corresponde a mi opinión personal
00:37:53o a la opinión de nuestro laboratorio.
00:37:55No me sorprende
00:37:57que tantas personas en el público
00:37:59acuerden con el hecho de que
00:38:01hay potencial para AR y VR
00:38:03en las aplicaciones de la industria,
00:38:05porque probablemente si hubiéramos
00:38:07preguntado eso hace unos años,
00:38:09la gente habría pensado en AR
00:38:11como cosas como la visión de PIC
00:38:13en un negocio DHL, por ejemplo,
00:38:15que es AR, pero es probablemente
00:38:17solo, digamos, romper la superficie
00:38:19de su potencial.
00:38:21Así que estoy contento de que muchas personas
00:38:23crean en el potencial de esa tecnología
00:38:25para cosas más avanzadas.
00:38:31Así que estoy contento
00:38:33de ver esto, porque
00:38:35el resto de la presentación
00:38:37no contradicará la intuición
00:38:39del público, porque creemos que
00:38:41la tecnología AR y VR
00:38:43en realidad tiene el potencial
00:38:45de convertirse en el siguiente paso evolucionario
00:38:47en el desarrollo y aplicación
00:38:49de herramientas analíticas visuales
00:38:51en los medios corporativos.
00:38:53No puede suceder hoy, no puede suceder mañana,
00:38:55pero creemos que los devices AR y VR
00:38:57serán una interfaz crucial
00:38:59para datos y herramientas analíticas
00:39:01en el futuro corporativo, digamos.
00:39:05Primero, creemos que esta tecnología
00:39:07puede ayudar a, como dije antes,
00:39:09democratizar el acceso
00:39:11y democratizar el uso
00:39:13de analíticas de datos
00:39:15a través de la organización, simplemente
00:39:17haciéndolo móvil, haciéndolo escalable,
00:39:19así como proporcionando medios intuitivos
00:39:21para interactuar con datos y modelos
00:39:23a través de gestiones, a través de ojos
00:39:25o comandos de voz, en lugar de
00:39:27a través de interfaces complicados
00:39:29y counterintuitivos.
00:39:31Mucha software especializada
00:39:33que se utiliza hoy en día, normalmente
00:39:35viene con ello.
00:39:37En segundo lugar, vemos oportunidades tremendas
00:39:39en la capacidad de inmersar al decision maker
00:39:41en la exploración de datos
00:39:43que son naturalmente disponibles
00:39:45para la percepción humana.
00:39:47La capacidad de inmersarse a través
00:39:49de una representación visual tridimensional
00:39:51de datos puede, de hecho, aumentar
00:39:53el contenido de información que podemos
00:39:55transmitir al decision maker,
00:39:57mientras que al mismo tiempo no estamos
00:39:59teniendo el riesgo de entrar en problemas
00:40:01como, por ejemplo, la oclusión visual
00:40:03o el desbordamiento cognitivo
00:40:05que muy a menudo incurrimos
00:40:07cuando intentamos visualizar datos
00:40:09muy complejos, por ejemplo,
00:40:11a través de una pantalla tridimensional.
00:40:13En tercer lugar,
00:40:15el AR y el VR permitirán
00:40:17nuevos niveles de presencia virtual y remota
00:40:19y experiencias colaborativas.
00:40:21Los decision makers podrán
00:40:23inmersarse en modelos virtuales
00:40:25de la verdadera
00:40:27environamiento operacional de la decisión
00:40:29que están a punto de tomar.
00:40:31Podrán ser conscientes de más aspectos
00:40:33de ese ambiente operacional
00:40:35y incorporar esos aspectos
00:40:37a la análisis que están realizando
00:40:39y a la decisión que están tomando.
00:40:41También podrán visualizar
00:40:43los resultados de cualquier
00:40:45análisis cuantitativo en el contexto
00:40:47de la verdadera environamiento operacional
00:40:49que se afecta, lo que vuelve a
00:40:51tener un enorme avance en
00:40:53comunicar resultados
00:40:55de procesos analíticos complejos.
00:40:57Así que déjame concluir este webinar
00:40:59ilustrando algunas de estas ideas
00:41:01muy rápidamente en los próximos slides.
00:41:03Por ejemplo, aquí
00:41:05vemos algunos primeros ejemplos
00:41:07de aplicaciones AR y VR
00:41:09visuales analíticas que están
00:41:11siendo desarrolladas, en este caso,
00:41:13por una empresa. Por ejemplo,
00:41:15analíticas de datos geospaciales,
00:41:17así como para métodos de ciencia de datos abstractos
00:41:19como la análisis de clústeres que
00:41:21probablemente están viendo en este video.
00:41:23Y estos ejemplos
00:41:25son algunos ejemplos
00:41:27que muestran que los beneficios
00:41:29de esta tecnología claramente
00:41:31se encuentran en una densidad de información más alta
00:41:33que puede ser transmitida, menos oclusión visual
00:41:35porque añadimos una dimensión a la pantalla
00:41:37y una aproximación más natural
00:41:39a la manipulación y filtro de datos
00:41:41a través de modos de interacción
00:41:43más intuitivos.
00:41:45Los modelos virtuales
00:41:47de los environmentos operacionales
00:41:49también pueden permitir que los decisionistas
00:41:51corporativos o los políticos
00:41:53basen sus decisiones en información
00:41:55de contexto más rica.
00:41:57Por ejemplo, imaginen un arquitecto
00:41:59o un plan de ciudad o un gestor
00:42:01de logística urbana que puede ser
00:42:03basado en una herramienta de análisis visual
00:42:05que ofrece información de contexto,
00:42:07como la estructura de un edificio
00:42:09de una ciudad, los patrones de elevación,
00:42:11la topografía geográfica
00:42:13y otras cosas que otras veces serían
00:42:15muy difíciles de transmitir y también
00:42:17muy difíciles de formular
00:42:19en una análisis puramente computacional.
00:42:21Y con tal herramienta, el decisionista
00:42:23podría hacer su diseño
00:42:25o sus elecciones de diseño
00:42:27en medio de un modelo virtual del
00:42:29environmento real que forma la decisión
00:42:31forman el contexto
00:42:33de su decisión.
00:42:35Y, al igual que si lo llevamos
00:42:37a los cuatro mundos, las implicaciones
00:42:39de, por ejemplo, un rediseño de procesos
00:42:41o un cambio de diseño de una línea de producción
00:42:43o un diseño de una nueva tienda de comercio
00:42:45pueden, de hecho, ser
00:42:47más eficazmente asesoradas
00:42:49por métodos cuantitativos
00:42:51sofisticados como simulación
00:42:53y modelos de optimización, mientras
00:42:55sean comunicados y entendidos
00:42:57más efectivamente a base de
00:42:59modelos virtuales sofisticados de estos
00:43:01environmentos operacionales.
00:43:03Aquí, AR y VR pueden demostrar
00:43:05que son muy útiles para
00:43:07comunicar resultados de análisis
00:43:09a varios asesores dentro de una organización.
00:43:11Puede abrir
00:43:13nuevas formas de comunicar
00:43:15y decidir sobre un problema
00:43:17normalmente muy no trivial, porque es
00:43:19un problema de decisión basado en datos
00:43:21con personas de varios
00:43:23tecnicos y profesionales que
00:43:25a menudo no comparten la misma
00:43:27vocabulario para
00:43:29describir el problema.
00:43:31Y eso es lo que ya vimos en el
00:43:33prototipo con ese asesor americano
00:43:35que les mostré antes, que
00:43:37proporcionar una plataforma común
00:43:39de comunicación puede ser
00:43:41una proposición de valor clave
00:43:43de interfaces virtuales y documentados
00:43:45para datos y analíticas.
00:43:47Por tanto, la línea final
00:43:49es que creemos que AR y VR
00:43:51pueden ser un enabler clave
00:43:53de la creación de aceptación
00:43:55de decisiones basadas en análisis de datos
00:43:57en grandes y diversas organizaciones.
00:43:59Y con esto, me gustaría
00:44:01concluir este webinar.
00:44:03Muchas gracias a todos por
00:44:05escucharnos.
00:44:07Gracias, Matías. Ahora
00:44:09vamos a nuestra sesión de preguntas y respuestas.
00:44:11Recibimos
00:44:13muchas buenas preguntas
00:44:15y seguiremos tomando vuestras preguntas
00:44:17durante los próximos minutos.
00:44:19Un recuerdo
00:44:21de que pueden enviar sus preguntas
00:44:23a través de la caja de comentarios
00:44:25en la parte inferior de su consola
00:44:27o en Twitter usando
00:44:29el hashtag
00:44:31MITSMREvent.
00:44:35La primera pregunta
00:44:37que recibí
00:44:39tenía
00:44:41que ver con
00:44:43la aproximación
00:44:45general. ¿Hay una metodología
00:44:47desarrollada para hacer la visualización de datos
00:44:49una aproximación estándar?
00:44:51¿Y cómo obtenemos
00:44:53del uso ocasional
00:44:55de la visualización
00:44:57a un uso más regular
00:44:59embedido en una
00:45:01organización?
00:45:03Bueno, la cosa
00:45:05sobre la visualización
00:45:07de tareas de análisis complejos es que
00:45:09es muy difícil definir
00:45:11una aproximación estándar que puede ser fácilmente
00:45:13transferida de, digamos, una empresa
00:45:15a otra o de un
00:45:17problema de decisión a otra.
00:45:19Lo que podemos hacer y lo que parte de nuestra investigación
00:45:21es sobre cómo podemos estandar
00:45:23interfaces. Entonces, ¿cómo podemos
00:45:25básicamente construir
00:45:27una bolsa de herramientas de potencial
00:45:29interfaces de usuario que se relacionan
00:45:31con ese motor de interacción que mencioné antes
00:45:33que puede ser conectado
00:45:35una vez necesaria para
00:45:37básicamente asumir un caso de uso específico?
00:45:39Sin embargo,
00:45:41desde que la analítica de datos, como mencioné antes,
00:45:43se convierte en una tarea cada vez más compleja
00:45:45y la decisión a través de datos en el
00:45:47manejamiento de datos se vuelve
00:45:49cada vez más compleja, creemos que
00:45:51si una empresa realmente quiere
00:45:53generar valor a través de usar
00:45:55sus datos y visualizarlos
00:45:57de manera adecuada, necesitan
00:45:59de alguna manera desarrollar una aproximación
00:46:01que significa que necesitan sentarse con
00:46:03personas como nosotros o alguien más para
00:46:05apoyarlos, para realmente entender
00:46:07¿cuál es el problema que estamos tratando de resolver?
00:46:09¿Por qué no podemos resolver
00:46:11ese problema con las herramientas estándar
00:46:13de, digamos, visualizaciones
00:46:15de datos a los que nos acostumbramos?
00:46:17¿Y cómo se vería un
00:46:19motor de visualización más poderoso
00:46:21que conectara a nuestros usuarios
00:46:23con ese
00:46:25proceso de analítica
00:46:27más
00:46:29estrictamente?
00:46:31Porque lo que vemos ahora es que
00:46:33las empresas ya hacen algo bastante
00:46:35sofisticado con la analítica de datos
00:46:37para apoyar la decisión.
00:46:39Pero como mencioné antes, se centra
00:46:41mucho en especialistas,
00:46:43en grupos muy pequeños, por ejemplo,
00:46:45en la división de la cadena de suministro,
00:46:47no está sucediendo en la habitación de la mesa.
00:46:49Para la habitación de la mesa, necesitamos
00:46:51una interfaz fácil de comprender
00:46:53y una manera fácil de interactuar
00:46:55con la analítica sofisticada que
00:46:57ocurrió en el fondo.
00:46:59Pero para crear esas interfaces,
00:47:01necesitan ser diseñadas específicamente
00:47:03para el problema en manos.
00:47:05Bien.
00:47:07Otra pregunta
00:47:09llegó.
00:47:11¿Tienes alguna sugerencia
00:47:13sobre cómo pilotar
00:47:15un programa
00:47:17en una cadena de suministro?
00:47:19Sí.
00:47:21Y eso es básicamente lo que hacemos
00:47:23o lo que hicimos con el vendedor
00:47:25el año pasado y lo que estamos haciendo
00:47:27con otros compañeros de proyectos.
00:47:29Típicamente tratamos de isolar
00:47:31un problema que
00:47:33está probablemente siendo resolvido
00:47:35subóptimamente por nuestro compañero de investigación.
00:47:37Y eso es, sin embargo,
00:47:39una análisis recurrente
00:47:41que necesitan realizar frecuentemente
00:47:43y que quieren crear interfaces mejores para ello.
00:47:45Entonces, isolamos ese problema.
00:47:47Tratamos de sentarnos con nuestros compañeros de proyecto
00:47:49y realmente definir
00:47:51cada aspecto de la decisión
00:47:53que necesita ser hecha.
00:47:55Porque si recuerdas el mantra de Visual Analytics,
00:47:57no quieres complicar las cosas demasiado
00:47:59desde el principio.
00:48:01Así que, básicamente, necesitas sentarte y definir
00:48:03cuál es la visibilidad de nivel superior
00:48:05que necesito obtener con respecto a este problema.
00:48:07¿Cuáles son los detalles que necesito poder
00:48:09poner en marcha?
00:48:11¿Y cuáles son las analíticas prescriptivas
00:48:13que realmente necesito?
00:48:15¿Cuáles son los consejos que el modelo
00:48:17debería básicamente darme?
00:48:19Y entonces, lo que normalmente haces es
00:48:21isolar el problema a, digamos,
00:48:23una escala geográfica
00:48:25o una división de negocios
00:48:27donde estás seguro de que
00:48:29tienes el apoyo necesario de gestión
00:48:31donde estás seguro de que para desarrollar
00:48:33este primer prototipo tienes
00:48:35una base de datos a mano
00:48:37para que puedas enfocarte
00:48:39en el desarrollo de las interfaces
00:48:41y el engino de analítica
00:48:43en el fondo, en lugar de
00:48:45tratar demasiado con, por ejemplo,
00:48:47recoger los datos en primer lugar.
00:48:49Estamos haciendo esto ahora mismo.
00:48:51Por ejemplo, estamos trabajando en un proyecto
00:48:53que eventualmente será una red de suministro global
00:48:55de tiempo real, visibilidad
00:48:57y plataforma de analítica.
00:48:59Pero ahora mismo lo hemos reducido
00:49:01a problemas más pequeños, más fáciles,
00:49:03para poder desarrollar la aplicación
00:49:05primero.
00:49:07¿Puedes decirnos,
00:49:09esta es otra pregunta,
00:49:11¿puedes decirnos
00:49:13sobre algunas de las empresas líderes
00:49:15que están llevando a la vida
00:49:17estas interfaces?
00:49:19Bueno, creo que una empresa
00:49:21que es probablemente valiente de mencionar
00:49:23aquí es Flextronics
00:49:25o anteriormente Flex.
00:49:27Realmente, creo que son uno de los pioneros
00:49:29en este domenio,
00:49:31aunque en realidad no son una empresa
00:49:33de analítica o visualización de datos,
00:49:35son una empresa de red de suministro.
00:49:37Pero crearon un sistema
00:49:39internamente que se llama Flexpulse
00:49:41que básicamente cubre los primeros
00:49:43dos niveles
00:49:45o capas, disculpe, que mencioné
00:49:47antes. Tienen una muy buena visibilidad
00:49:49real de lo que está pasando en su red de suministro.
00:49:51Tienen un gran sistema
00:49:53que les permite agregar y desagregar
00:49:55datos para
00:49:57reducirse a los costos principales
00:49:59de las interrupciones. Pero también
00:50:01no tienen la capacidad
00:50:03de combinar eso con
00:50:05analítica predictiva, y ahí es donde
00:50:07personas como nosotros entramos en juego
00:50:09para hacer esos sistemas aún más poderosos.
00:50:11Y hay otras personas allí.
00:50:13GE tiene una plataforma similar
00:50:15y el software que viste en uno de esos videos,
00:50:17Elementum, ya es una empresa independiente
00:50:19que fue, sin embargo, básicamente
00:50:21expulsada de su desarrollo en ZFlex.
00:50:25Otro asistente
00:50:27quería saber
00:50:29¿cómo extraes
00:50:31conocimiento experto
00:50:33en forma
00:50:35para aplicarlo a
00:50:37visualizaciones analíticas?
00:50:39Conocimiento experto
00:50:43No estoy seguro de
00:50:45exactamente qué significa,
00:50:47para ser honesto, pero
00:50:49conocimiento experto,
00:50:51la manera en que lo interpreto es, por ejemplo,
00:50:53un colega mío está pensando
00:50:55¿cómo estamos diseñando
00:50:57el futuro, o la tienda comercial del futuro?
00:50:59¿Cómo estamos diseñando
00:51:01digamos, el
00:51:03diseño de la tienda del futuro?
00:51:05Y anteriormente
00:51:07esta pregunta de investigación fue
00:51:09parcialmente respuesta por la construcción
00:51:11de tiendas mock-up y tener
00:51:13complicados y costosos
00:51:15grupos de foco de estudios sobre cómo
00:51:17este nuevo diseño de la tienda podría, por ejemplo,
00:51:19ser aceptado. Y lo que vemos
00:51:21en el futuro es que en realidad
00:51:23especialmente con AR y VR
00:51:25que vienen,
00:51:27esas interfaces no solo pueden ser
00:51:29interfaces que ayuden a la gente a percibir
00:51:31datos y a percibir información,
00:51:33pero también podemos usarlos
00:51:35de la otra manera para entender
00:51:37cómo la gente percibe datos
00:51:39y cómo la gente hace decisiones
00:51:41basadas en información. ¿Por qué, por ejemplo,
00:51:43trazar su movimiento, trazar sus gestiones,
00:51:45trazar dónde están mirando
00:51:47primero y cuánto tiempo?
00:51:49Y todo esto es posible con la tecnología
00:51:51que ya está disponible y que
00:51:53actualmente está bajo uso.
00:51:59Alguien quería saber,
00:52:03esta es la pregunta,
00:52:05una de las preguntas más importantes
00:52:07sobre analítica
00:52:09y datos en general es
00:52:11quién propone los datos.
00:52:13¿La visualización no
00:52:15realmente resuelve ese problema?
00:52:17¿Lo hace? ¿O hay
00:52:19alguna opinión que tengas
00:52:21sobre cómo lidiar
00:52:23con eso?
00:52:25Es verdad, es un gran desafío
00:52:27que también vemos en muchos
00:52:29de nuestros proyectos. Y obviamente
00:52:31la visualización no resuelve
00:52:33este problema, pero como mencioné antes
00:52:35creemos que
00:52:37primero de todo, la visualización
00:52:39tiene que ser parte de una cultura
00:52:41de decisiones corporativas. No debería
00:52:43ser limitada a grupos pequeños
00:52:45dentro de la empresa, no debería ser solo limitada
00:52:47a los principales decisionistas,
00:52:49debería ser limitada
00:52:51idealmente al nivel del mercado.
00:52:53Así que todos, según sus roles,
00:52:55obviamente pueden hacer uso de la visualización
00:52:57para acceder a la información.
00:52:59Y eso va
00:53:01en línea con la noción
00:53:03de que el datos
00:53:05dentro de una organización, al menos,
00:53:07deberían ser más democratizados.
00:53:09Porque cuanto más personas estén conscientes
00:53:11de los datos que están disponibles
00:53:13dentro de la organización,
00:53:15más accesible esa información puede ser.
00:53:17Y muchas empresas todavía
00:53:19están muy protegidas de los datos
00:53:21y incluso internamente no comparten datos
00:53:23a través de divisiones funcionales
00:53:25o a través de diferentes niveles hierárquicos.
00:53:27Y personalmente, pero también
00:53:29a muchos de los profesores y gestores
00:53:31a los que he hablado, hay una fuerte sensación
00:53:33de que eso tiene que cambiar.
00:53:35Que el uso de la información y el dato
00:53:37deben ser democratizados. Y creemos que
00:53:39la analítica visual puede ser una clave
00:53:41para eso.
00:53:43¿Hay algún campo en particular
00:53:45o mercado que usted está
00:53:47objetivando para liberar su dashboard
00:53:49de visualización?
00:53:51Bueno,
00:53:53la belleza de este laboratorio
00:53:55no es solo
00:53:57un dashboard.
00:53:59La belleza de este laboratorio es que
00:54:01no es solo una iniciativa de investigación
00:54:03muy interdisciplinaria.
00:54:05No solo trabajamos con muchas personas
00:54:07que no pueden saber nada
00:54:09sobre la logística del mercado,
00:54:11sobre la ciencia de datos
00:54:13o la ciencia de computadoras, por ejemplo.
00:54:15Pero también no solo nos limita
00:54:17a aplicaciones en el domenio
00:54:19de la cadena de suministros y logística.
00:54:21Debe ser aplicado a cualquier
00:54:23problema de decisión basado en datos
00:54:25que usted pueda tener. Hay gente
00:54:27en el plan urbano, por ejemplo,
00:54:29que puede tener un interés en trabajar con nosotros
00:54:31en ese laboratorio para resolver un problema
00:54:33que puede o no tener una conexión directa
00:54:35con nuestra cadena de suministros y logística.
00:54:37Puede haber gente en la economía
00:54:39que usa esto para su investigación
00:54:41y para su decisión.
00:54:43No hay un sector
00:54:45o un contexto geográfico
00:54:47que queremos
00:54:49enfocar en en este momento.
00:54:51Obviamente, tenemos que empezar
00:54:53en algún lugar. Los primeros casos de uso,
00:54:55como usted vio anteriormente,
00:54:57están muy ligados a la investigación
00:54:59que hacemos de todos modos.
00:55:01La cadena de suministros, la gestión de logística,
00:55:03el diseño de la red, el plano de distribución,
00:55:05el plano de respuesta
00:55:07y cosas así.
00:55:09Pero en el futuro, eso no será
00:55:11la frontera de esta cadena.
00:55:17Alguien quería saber
00:55:19cómo
00:55:21predicen que la comunicación
00:55:23móvil se incorporará
00:55:25en el fenómeno
00:55:27de la visualización
00:55:29AR-VR.
00:55:31Sí, es un punto interesante
00:55:33porque la comunicación móvil
00:55:35puede beneficiar a todo esto de dos maneras.
00:55:37Una es probablemente obvia,
00:55:39la comunicación móvil es
00:55:41más rica y las fuentes de datos
00:55:43más reales
00:55:45podemos conectar
00:55:47a cualquier aplicación,
00:55:49cualquier aplicación de analítica
00:55:51y esa data puede venir de todo el mundo.
00:55:53La segunda cosa que vemos
00:55:55probablemente como un desarrollo
00:55:57de la analítica visual
00:55:59y el uso de la visualización
00:56:01en la decisión corporativa es
00:56:03nuevamente conectado
00:56:05a las interfaces virtuales y de realidad
00:56:07porque si piensas en el ejemplo
00:56:09que mencioné antes,
00:56:11el centro de control de Flex, por ejemplo,
00:56:13es un investimiento multimillonario
00:56:15en una sola habitación
00:56:17en la alcaldía corporativa
00:56:19que les permite interactuar tan bien con el datos.
00:56:21Pero quieres democratizar eso,
00:56:23quieres empujar eso a cada planta
00:56:25en tu cadena de suministro.
00:56:27Probablemente quieres empujarlo
00:56:29a cada país en el que estás activo.
00:56:31Y creemos que una vez que conectes
00:56:33la AR y la VR,
00:56:35las cabezas, por ejemplo,
00:56:37con las redes de comunicación más fuertes,
00:56:39podrías crear
00:56:41esa visibilidad de datos
00:56:43y acceso a analíticas de datos
00:56:45en cualquier momento
00:56:47y para cualquiera, porque es afordable.
00:56:49Podrías literalmente sentarte
00:56:51en el Alps de Francia
00:56:53en una cabina
00:56:55y resolver los problemas
00:56:57de tu cadena de suministro global.
00:56:59Esto podría ser tomado
00:57:01por el uso de la AR y la VR
00:57:03en el futuro mediano.
00:57:05Una pregunta que acaba de llegar es
00:57:07¿podemos construir
00:57:09componentes de visualización reutilizables
00:57:11para otras empresas,
00:57:13para otras funciones de negocio
00:57:15como venta, servicio y financiación?
00:57:17¿Lo ves desarrollando?
00:57:21Sí.
00:57:23Cuando se trata de la visualización
00:57:25y las interfaces, es lo que intenté
00:57:27explicar antes,
00:57:29puedes standardizar cosas. Por ejemplo,
00:57:31muchos problemas de negocio
00:57:33pueden ser pensados
00:57:35como problemas de red.
00:57:37Tienes algunas conexiones
00:57:39entre nodos que pueden ser
00:57:41puntos de datos, que pueden ser
00:57:43localizaciones físicas de tu negocio,
00:57:45que pueden ser clientes, que pueden ser mercados
00:57:47y se conectan con los demás
00:57:49a través de algún tipo de enlace,
00:57:51de algún tipo de flujo o relación.
00:57:53Muchos problemas de negocio, si lo piensas,
00:57:55pueden ser basados en un problema de red,
00:57:57un problema de gráficos.
00:57:59Entonces, puedes diseñar interfaces visuales
00:58:01que te ayuden a visualizar
00:58:03datos basados en gráficos o en red
00:58:05y que te ayuden a zoomar y zoomar
00:58:07detalles específicos
00:58:09de esos datos dinámicamente
00:58:11a través de una buena interfaz visual.
00:58:13La analítica en el fondo,
00:58:15básicamente el engino de analítica
00:58:17que hace sentido de esos datos
00:58:19y crea, digamos, esas capacidades
00:58:21predictivas de las que hablaba en el webinar,
00:58:23eso es algo que es bastante
00:58:25tatalizado, porque eso es muy
00:58:27problema específico y no puede
00:58:29simplemente ser tomado, digamos,
00:58:31de un problema de red, no podemos simplemente
00:58:33tomar ese engino de analítica para resolver
00:58:35un problema de marketing.
00:58:37Pero las interfaces visuales, el engino de interacción
00:58:39y el engino de visualización,
00:58:41de hecho, serán capaces
00:58:43de ser, a una cierta extensión,
00:58:45estandardizados.
00:58:47Creo que tenemos tiempo para una pregunta más
00:58:49y voy a
00:58:51introducir
00:58:53la idea de si
00:58:55la cadena de bloques
00:58:57juega un papel aquí. ¿Estás
00:58:59introduciendo la cadena de bloques a tu
00:59:01punto de vista futuro para la cadena de suministros
00:59:03y el recorrido de inventario y materiales
00:59:05básicos?
00:59:07Bueno, sí, la cadena de bloques
00:59:09es algo que está muy discutido
00:59:11en la industria
00:59:13y también en el campo académico
00:59:15relacionado con
00:59:17la logística de la cadena de suministros. El problema es
00:59:19que todavía no hemos entendido
00:59:21completamente lo que la cadena de bloques
00:59:23puede significar para la
00:59:25logística de la cadena de suministros. Personalmente,
00:59:27no veo, digamos, una conexión
00:59:29de corto plazo
00:59:31entre, digamos, el aspecto
00:59:33de la visualización de datos
00:59:35y la cadena de bloques. Pero donde veo
00:59:37una conexión es en la
00:59:39colección y la verificación
00:59:41de los datos que estamos
00:59:43intentando visualizar y hacer accesibles
00:59:45a los decision makers.
00:59:47Voy a tener que dejarlo ahí.
00:59:49Creo que eso es
00:59:51todo lo que tenemos tiempo para.
00:59:53Durante los próximos días, por favor,
00:59:55miren nuestro survey
00:59:57de respuestas
00:59:59que enviaremos a través de e-mail.
01:00:01Agradecemos de gran manera
01:00:03sus pensamientos y opiniones.
01:00:05Esto concluye esta
01:00:07porción de nuestro programa. Agradecemos nuevamente
01:00:09a nuestro presentador,
01:00:11Matías Winkenbach, y, por supuesto,
01:00:13a nuestro sponsor, SAS.
01:00:15Un recuerdo de que la
01:00:17grabación de este programa y las
01:00:19imágenes de presentación estarán disponibles
01:00:21en tres o cuatro días de negocio.
01:00:23Gracias a todos por
01:00:25asistir a nuestro programa hoy.
01:00:27Gracias.