El sistema siempre lo sabe: por qué la eficiencia local y el rendimiento del sistema no son el mismo problema

Dietrich Braess describió un resultado que todavía parece incorrecto la primera vez que lo escuchas: agregar una carretera a una red de tráfico puede empeorar el viaje de todos.

El camino no tiene por qué fallar. No es necesario que haya un accidente, un retraso en la construcción o un mal diseño. La carretera puede funcionar exactamente como se esperaba y el sistema aún puede empeorar.

La razón es incómoda. Cada conductor elige la ruta que mejor le parece. Esa elección es individualmente racional. Pero cuando suficientes conductores toman la misma decisión racional, la red puede adoptar un patrón general peor. Ningún conductor puede mejorar fácilmente su viaje cambiando de ruta por sí solo, pero todos están atrapados en un resultado peor que el que el sistema podría haber producido.

En la teoría de juegos, ésta es la distinción útil entre equilibrio y optimización. Un equilibrio de Nash puede ser estable sin ser bueno. Sólo significa que cada actor está haciendo el mejor movimiento disponible teniendo en cuenta lo que están haciendo los demás. Esto no significa que el sistema haya alcanzado el mejor resultado posible.

Esa distinción importa mucho más allá del tráfico.

Aparece dentro de las empresas cada vez que los equipos optimizan su propia parte del negocio sin ver qué efecto tienen sus decisiones en el futuro. El panel de costos mejora. El panel de servicio se debilita. Una función puede mostrar ahorros, mientras que otra función absorbe quejas. Todo el mundo puede actuar racionalmente según su propia métrica, y el sistema total aún puede empeorar.

Ésta es la trampa de la optimización.

Es especialmente visible en la logística de última milla, donde uno de los objetivos más tentadores es aumentar la densidad de lotes.

La métrica que parece progreso

La entrega de última milla tiene una estructura de costos simple a nivel de viaje. Un conductor, un vehículo, combustible, despacho, rutas y coordinación operativa cuestan dinero, ya sea que el viaje atienda a uno o cinco clientes.

Eso hace que la lógica básica del procesamiento por lotes sea muy intuitiva. Si un viaje de entrega cuesta aproximadamente $60 y atiende a un cliente, el costo de ese viaje se basa en un pedido. Si el mismo viaje atiende a tres clientes, el costo del viaje se distribuye entre tres pedidos. Si atiende a seis clientes, se reparte entre seis.

Es por eso que los equipos de operaciones se preocupan por el costo por entrega o CPD. No es una métrica abstracta. Es la matemática operativa de la ruta traducida en un número que el liderazgo puede manejar.

Al principio, mejorar el DPC no sólo es racional. A menudo es realmente bueno. Una ruta con una sola entrega suele estar infrautilizada. Una ruta con dos o tres entregas puede utilizar al conductor y al vehículo de manera más eficiente y al mismo tiempo mantenerse dentro de los plazos de entrega prometidos. La operación se vuelve más productiva sin necesariamente empeorar la experiencia del cliente.

Esta es la parte de la optimización que se siente limpia. El modelo recomienda un mayor procesamiento por lotes. Las rutas llevan más pedidos. El costo por entrega cae. El tablero se mueve en la dirección correcta.

El problema comienza cuando la organización olvida que CPD solo ve una parte del sistema operativo.

El cliente no experimenta costo por entrega. El cliente comprueba si el pedido llega en el momento prometido. Esto generalmente se captura a través de Entrega a tiempo u OTD.

Y la OTD no siempre mejora cuando mejora el CPD.

A veces se mueve hacia el otro lado.

Donde las curvas se separan

Imagine una ruta de entrega de comestibles con varias paradas.

En una parada, el viaje es sencillo pero caro. Tras dos o tres paradas, el sistema suele mejorar. Se utiliza mejor al conductor, se utiliza mejor el vehículo y todavía hay suficiente holgura en la ruta para absorber la fricción normal.

Esta es la zona útil. Los costos mejoran, el servicio se mantiene y la operación se vuelve más eficiente sin volverse frágil.

Pero a medida que se añaden más paradas, la ruta empieza a llevar algo más que pedidos. Comienza a llevar retraso acumulado.

Un ascensor lento en la tercera parada. Falta un código de puerta en el cuarto. Un problema de aparcamiento en la quinta. Un cliente que tarda más de lo esperado en el sexto. Ninguna de estas cuestiones parece dramática de forma aislada. Cada uno podrá añadir sólo unos minutos.

Pero el último cliente de la ruta los hereda todos.

Ese cliente no causó la lentitud del ascensor, el problema de la puerta, el problema de estacionamiento o el traspaso más largo. Pero su ventana de entrega absorbe el efecto combinado. Desde el tablero, la ruta aún puede parecer eficiente. Por parte del cliente, el pedido llega tarde.

Este es el punto donde la curva de costos y la curva de servicios comienzan a separarse. Es posible que el CPD siga mejorando porque se completan más entregas por viaje. El OTD puede comenzar a degradarse porque las paradas posteriores están expuestas a un mayor retraso acumulado.

La métrica mejora dentro de su límite. El sistema absorbe el costo fuera de ese límite.

Ésa es la trampa de la optimización en su forma más simple.

Una visión más realista de la compensación

En la práctica, la forma de esta compensación variará según el mercado. Una zona urbana densa con distancias de viaje cortas se comporta de manera diferente a una ruta suburbana de baja densidad. Una ventana de entrega de dos horas se comporta de manera diferente a una promesa de treinta minutos. La tienda de comestibles se comporta de manera diferente a la entrega de paquetes. La experiencia del conductor, la fricción al estacionar, el acceso al apartamento, el clima y la hora del día son importantes.

Pero el patrón es lo suficientemente común como para que valga la pena observarlo con atención.

En niveles de dosificación muy bajos, la operación suele ser demasiado costosa. No hay suficiente densidad para que la ruta sea eficiente. Con niveles de lotes moderados, el costo mejora y el servicio puede permanecer estable. Ésta suele ser la zona que los líderes esperan encontrar.

El peligro aparece cuando la organización sigue presionando la misma palanca después de que el equilibrio ha cambiado. Más paradas aún reducen el costo por entrega, al menos en el panel de entrega. Pero los efectos secundarios empiezan a aparecer en otros lugares. Las paradas posteriores pasan por alto ventanas con mayor frecuencia. Los contactos con los clientes aumentan. Suben los reembolsos o los apaciguamientos. Los reintentos se vuelven más comunes. El estrés del conductor aumenta. La confianza del cliente se debilita en determinadas zonas.

El modelo CPD original aún puede dar resultados. Es posible que el negocio en realidad no esté ganando.

Es posible que simplemente haya trasladado los costos de la entrega a la atención al cliente, los reembolsos, la recuperación de entregas fallidas, las escaladas de los conductores o la demanda futura.

Por eso es tan fácil pasar por alto este problema. Los ahorros son visibles en un solo lugar. El daño se distribuye entre varios otros.

Por qué sobrevive la trampa

Figura 1. La compensación de la densidad de lotes: el costo por entrega (CPD, panel superior) cae a medida que aumentan las paradas por viaje, mientras que la entrega a tiempo (OTD, panel inferior) alcanza un máximo de ~3 paradas y luego se degrada.
La zona de divergencia (más de 4 paradas) es donde las métricas de eficiencia y la calidad del servicio se mueven en direcciones opuestas.

La trampa de la optimización no suele ser causada por equipos descuidados. Sobrevive porque las organizaciones a menudo están diseñadas en torno a la responsabilidad local.

Un equipo posee el costo de envío. Otro equipo posee la lógica de enrutamiento. Otro equipo es dueño de la experiencia del cliente. Otro equipo se encarga de los contactos de soporte. Otro equipo explica los cambios en el comportamiento repetido. Es posible que cada grupo esté haciendo exactamente lo que se le pidió que hiciera.

El equipo de costos reduce el CPD. El equipo de enrutamiento aumenta la densidad. El equipo de experiencia del cliente monitorea OTD. El equipo de soporte absorbe las quejas. Ninguno de estos equipos tiene que ser irracional para que el sistema total empeore.

Este es el problema de la teoría de juegos dentro del modelo operativo. Una vez que los equipos se miden localmente, la organización puede adoptar un patrón estable pero ineficiente. Cada equipo sigue haciendo el mejor movimiento disponible desde su propio panel. Pero la empresa hereda el resultado combinado.

El problema no es que la gente ignore el sistema a propósito. El problema es que el sistema no es visible desde ningún asiento.

Eso se manifiesta de tres maneras recurrentes.

Primero, el límite métrico se convierte en el límite del pensamiento. Si un equipo se mide en CPD, naturalmente se centrará en CPD. Eso no es un defecto del equipo. Es el comportamiento que la organización ha pedido. Pero un modelo por lotes que pregunta: "¿Cómo reducimos el costo por entrega?" no hace la misma pregunta que un líder operativo que pregunta: "¿En qué momento la reducción del costo por entrega comienza a dañar el desempeño a tiempo, la experiencia del cliente y la demanda futura?"

La primera pregunta optimiza una métrica. El segundo gestiona un sistema.

En segundo lugar, el daño aparece en otra parte. Es posible que el equipo de entrega pueda mostrar un CPD más bajo, mientras que otro equipo ve más "¿dónde está mi pedido?" contactos, más reembolsos, más escalaciones de conductores o menor satisfacción del cliente. La relación causa-efecto rara vez está clara cuando aparece en los informes. Es posible que el clima haya cambiado. Es posible que las promociones hayan cambiado la demanda. La combinación de controladores puede ser diferente. Es posible que se haya actualizado la lógica de enrutamiento. Cuando el problema del servicio se vuelve visible, la decisión original de procesamiento por lotes es sólo una de varias explicaciones posibles.

Así es como sobreviven las malas compensaciones. La ganancia métrica es clara. El costo del sistema es discutible.

En tercer lugar, el modelo más sencillo es el primero en recibir financiación. Un modelo de optimización CPD es relativamente sencillo. El objetivo es claro: reducir el coste por entrega completada. Los datos son mensurables: distancia, mano de obra, número de paradas, duración de la ruta, combustible, coste del vehículo y densidad de entrega. El resultado es fácil de explicar en una reunión de liderazgo.

Un modelo de sistema es más difícil. Tiene que conectar el costo, los plazos de entrega, la secuencia de la ruta, el retraso en el nivel de parada, la promesa al cliente, el comportamiento del conductor, los reintentos, los contactos de soporte, los reembolsos y, posiblemente, el comportamiento de reorden. Es más difícil de construir y de explicar. Pero se acerca más a cómo funciona realmente el negocio.

Aquí es donde muchas organizaciones analíticas necesitan madurar. A menudo son muy buenos construyendo modelos que mejoran métricas aisladas. Son menos maduros en la construcción de modelos que expliquen cómo interactúan esas métricas.

El resultado no es una mala analítica. Es una analítica incompleta.

Y los análisis incompletos pueden ser peligrosos cuando le dan a la organización la confianza necesaria para avanzar más rápido en la dirección equivocada.

La solución práctica no es más paneles

La respuesta no es dejar de optimizar el CPD. El costo importa. Una red de última milla que ignora los costos eventualmente perderá frente a otra que no lo hace.

La respuesta es dejar de tratar el CPD como si viviera solo.

Antes de aumentar la densidad de lotes, la pregunta operativa no debe limitarse a si mejora el costo por entrega. También debería preguntarse qué sucede con la entrega a tiempo, qué posiciones de parada son las más afectadas, qué zonas son más sensibles, qué clientes absorben el retraso y si los ahorros aún se mantienen después de incluir los contactos de soporte, los reembolsos, los reintentos y la deserción.

Lo más importante a encontrar es el punto de divergencia.

Ese es el punto donde la métrica local continúa mejorando, pero el sistema más amplio comienza a degradarse. En el procesamiento por lotes, puede ser el punto en el que agregar una parada más aún reduce el CPD pero aumenta las entregas tardías para los clientes que paran más tarde lo suficiente como para borrar el valor de los ahorros.

Este punto no debería descubrirse después de que los clientes se quejan. Debe modelarse antes de que cambien las políticas.

Ahí es donde la simulación resulta útil.

Lo que realmente puede hacer un gemelo digital liviano

En este contexto, un gemelo digital tiene un trabajo limitado y práctico. El objetivo no es construir una réplica perfecta de toda la red de entrega. El objetivo es crear un entorno de decisión donde los líderes puedan probar los cambios operativos antes de implementarlos en el mundo real.

Para una decisión por lotes, una simulación ligera podría incluir la densidad de pedidos por zona, el tiempo promedio de servicio por parada, los plazos de entrega prometidos, la distancia de la ruta, los retrasos históricos en el estacionamiento o en el acceso a los edificios, el tráfico en la hora del día, la capacidad de los conductores, la secuencia de rutas y la probabilidad de retrasos por posición de parada.

Con esos aportes, el equipo puede simular diferentes umbrales de procesamiento por lotes y formular una pregunta más útil:

Si aumentamos el tamaño promedio de lote de 3,2 paradas a 4,8 paradas, ¿qué sucede con el costo, la entrega a tiempo y el riesgo de demora por posición de parada?

El resultado no debe ser un solo “sí” o “no”. Debería mostrar la forma de la compensación. Quizás un mayor procesamiento por lotes reduzca el CPD en un 7% en general, pero después de cinco paradas, el OTD cae drásticamente para los clientes que paran más tarde en zonas de baja densidad. Quizás el cambio funcione bien en áreas urbanas densas, sea neutral en zonas suburbanas y se vuelva destructivo en rutas rurales o de baja densidad.

Esa es una decisión mucho mejor.

La organización ya no dice: "Un mayor procesamiento por lotes reduce los costos". Dice: "Un mayor procesamiento por lotes reduce los costos en estas condiciones, crea riesgos de servicio en estas condiciones y debe limitarse de manera diferente según la zona".

Eso no es anti-optimización. Es una mejor optimización.

Figura 2. Vista del panel frente a la realidad del sistema: el panel izquierdo muestra el costo por entrega como la única métrica rastreada, con cuatro métricas posteriores conectadas que se encuentran de manera invisible fuera del límite de medición. El panel derecho muestra la cadena causal que el aumento del procesamiento por lotes se activa dentro del sistema, lo que termina en la erosión de la confianza del cliente.
Ilustración conceptual, no a escala.

La diferencia entre mejorar una métrica y mejorar el negocio

En un nivel, la analítica trata de mejorar las métricas. A un nivel superior, se trata de comprender las consecuencias de mejorarlos.

Esa diferencia importa.

Un modelo puede reducir costos y aun así debilitar el negocio. Un modelo de dotación de personal puede reducir las horas de trabajo y aun así aumentar el abandono. Un modelo de centro de contacto puede reducir el tiempo promedio de atención y aun así perjudicar la resolución del primer contacto. Un modelo de fraude puede reducir las pérdidas y aun así bloquear a demasiados buenos clientes. Un modelo de recomendación puede aumentar los clics y aun así erosionar la confianza a largo plazo.

En cada caso, es posible que el modelo haya hecho exactamente lo que se le pidió que hiciera. El problema es lo que se le permitió ignorar.

Es por eso que el diseño métrico no es un detalle de informes. Es una decisión de liderazgo.

Cuando una empresa elige una métrica, también está eligiendo un límite en torno a lo que importa. Cualquier cosa que esté fuera de ese límite se vuelve más fácil de dañar por accidente.

El siguiente nivel de liderazgo en análisis no consiste solo en crear modelos más precisos. Se trata de construir una mejor visión del sistema en el que operan esos modelos.

Eso requiere un tipo diferente de pregunta operativa.

En lugar de simplemente preguntar: "¿Cómo mejoramos esta métrica?" Los líderes deben preguntarse: “¿Qué podría empeorar si esta métrica mejora?”

Esa única pregunta cambia la calidad de la discusión.

Si aumenta la densidad de lotes, ¿qué le sucede al último cliente de la ruta? Si los plazos de entrega se reducen, ¿qué pasará con las tasas de utilización y aceptación de los conductores? Si se reducen las horas de trabajo, ¿qué sucede con el trabajo atrasado y el tiempo de recuperación? Si la rotación de inventario mejora, ¿qué sucede con la tasa de sustitución y la confianza del cliente?

El objetivo no es evitar compensaciones. Las compensaciones son inevitables.

El objetivo es hacer visible la compensación antes de que la organización la confunda con un progreso.

Figura 3. Un marco de decisión práctico para encontrar el punto de divergencia: tres pasos para pasar de la optimización de una sola métrica a una vista de sistema completo: nombrar la métrica, mapear lo que no puede ver y luego modelar la compensación. El punto de divergencia –donde se separan la eficiencia y la calidad del servicio– es la verdadera limitación operativa.

La verdadera ventaja

Las empresas que manejen bien esto no serán las que dejen de optimizar. Serán ellos los que optimicen con un campo de visión más amplio.

Seguirán reduciendo el costo por entrega, pero sabrán dónde la reducción de costos comienza a perjudicar la entrega a tiempo. Seguirán mejorando la utilización, pero sabrán cuándo la utilización empieza a crear fragilidad. Seguirán automatizando las decisiones, pero comprenderán dónde la automatización necesita barreras de seguridad a nivel de sistema.

Ese es el valor práctico de los gemelos digitales, las capas de simulación y el análisis consciente del sistema. No mejores paneles de control por sí mismos. Mejores decisiones.

La mayoría de las organizaciones ya tienen suficientes métricas. Muchos tienen demasiados.

El problema más difícil es comprender cómo interactúan las métricas.

Una empresa no funciona como un conjunto de paneles. Funciona como un sistema. Y en un sistema, la optimización más peligrosa suele ser la que parece exitosa de forma aislada.

La paradoja de Braess demostró que una carretera puede funcionar correctamente y aun así empeorar la red. Lo mismo ocurre en las operaciones. Un modelo puede mejorar la métrica para la que fue creado y aun así empeorar el negocio.

En la logística de última milla, la densidad de lotes lo hace visible. A medida que se agregan más paradas a un viaje, el costo por entrega puede seguir mejorando. Pero después de cierto punto, la entrega a tiempo puede comenzar a degradarse, especialmente para los clientes que llegan más tarde y heredan todos los retrasos que les preceden.

Ninguna curva está mal.

El error es mirar sólo uno.

El siguiente nivel de análisis de operaciones no consiste simplemente en crear mejores modelos para métricas individuales. Está construyendo una mejor visión del sistema en el que residen esas métricas.

De ahí provienen mejores decisiones de liderazgo.

No solo por preguntar:

"¿Mejoró la métrica?"

Pero al preguntar:

"¿Qué pasó con el sistema cuando lo hizo?"

Referencias

Braess, D. (1968). Über ein Paradoxon aus der Verkehrsplanung. Unternehmensforschung, 12(1), 258–268. Traducido como: Braess, D., Nagurney, A. y Wakolbinger, T. (2005). Sobre una paradoja de la planificación del tráfico. Ciencias del transporte, 39(4), 446–450.

Prados, DH (2008). Pensar en sistemas: una introducción. Editorial verde de Chelsea

Arjun Kaarat trabaja en ciencia de datos e inteligencia artificial, con experiencia en entrega de última milla, análisis de la cadena de suministro, sistemas de inteligencia artificial empresarial y monitoreo de inteligencia artificial. Su trabajo se centra en cómo se comportan en la práctica los sistemas complejos. Ha publicado investigaciones sobre aprendizaje federado, computación de punta y monitoreo responsable de IA, y escribe sobre las decisiones que se encuentran en la intersección de datos, infraestructura y resultados del mundo real.