Machine Learning en el contexto de la previsión de la demanda en retail
May 25, 2019 • 6 min.
La industria de la tecnología ha estado sobrevolando el Machine Learning desde hace algunos años – parece que cada semana, las empresas introducen nuevas formas de explotarlo para transformar sus negocios. No sorprende pues, que los retailers líderes que reconocen su ventaja competitiva también hayan recurrido al Machine Learning para transformar su planificación. Pero ¿qué es exactamente el Machine Learning y como lo usamos en la planificación en retail? Empecemos con un ejemplo:
Pongamos por caso, un retailer que opera en aeropuertos ofreciendo productos frescos. Su demanda fluctúa no solo de un día para otro, sino que también lo hace a lo largo del día, dependiendo del número de personas que transita por el aeropuerto. La entrada manual de este tipo de datos consumiría muchísimo tiempo – sin mencionar que, casi seguro, garantizaría un pronóstico con errores.
Un algoritmo de machine learning con acceso a los datos del aeropuerto podría, automáticamente, reconocer los patrones de tránsito y aplicar estas tendencias a la previsión de la demanda del retailer, sin necesidad de programación. De esta manera es como RELEX ayudó a WHSmith, uno de los retailers líderes en el Reino Unido, a lograr una mejora significativa en la precisión de sus pronósticos. Es una solución sencilla, pero poderosa.
En este momento, hay mucha excitación en torno a este tema, pero es importante recordar que el machine learning no es, de ninguna manera, una solución para todo. Machine learning es solo matemáticas, y con frecuencia, bastante simples. Por eso es tan importante tomarse tiempo para entender del todo el desafío que queremos solucionar, ya que diferentes retos requieren métodos diferentes. Un retailer inteligente reconocerá que los problemas de la vida real nunca se resuelven con solo una solución, ni siquiera una tan potente como el machine learning.
Machine Learning no es determinista, sino que aprende de los datos
Machine Learning le da al sistema la capacidad de aprender y mejorar automáticamente a partir de los datos, sin necesidad de programar. El sistema se alimenta de datos como por ejemplo, experiencias directas o instrucciones, en los que buscar patrones. Aún más, puede usar los patrones que identifica en los datos para tomar mejores decisiones. En resumen, el algoritmo de aprendizaje elimina la necesidad de programación al generar automáticamente un programa/modelo basado en los datos que se proporcionan (Sistema experto).
El principal beneficio del machine learning es que el sistema puede procesar grandes cantidades de datos de varias fuentes sin la intervención de las personas. El valor que se obtiene del machine learning dependerá de la calidad y cantidad de los datos.
Ejemplos prácticos del Machine Learning en Retail
En el escenario del retailer de aeropuerto, el machine learning se utilizó para identificar la relación entre un factor externo (afluencia) y una demanda local por tienda y producto. Pero el machine learning puede tomar en consideración una variedad de factores externos en el entorno de retail.
Meteorología
La meteorología, por ejemplo, también es una fuente importante de fluctuaciones en la demanda de los consumidores. Aunque predecir el tiempo que va a hacer puede ser difícil, en realidad es bastante fácil crear reglas o modelos basados en la relación entre la demanda para un producto y factores meteorológicos como la lluvia, horas de sol, temperaturas, etc.
Pero, al contemplar nuestro surtido completo, esta sencilla tarea se convierte en algo bastante laborioso. Se necesita una manera automatizada para procesar los datos en tan grandes cantidades, esto es especialmente cierto cuando nos damos cuenta de que el proceso debe mirar tanto al futuro, como al pasado. Un pronóstico robusto y preciso también filtrará el efecto meteorológico de los datos de ventas históricos.
Cuando estos procesos están automatizados, los retailers pueden planear de forma proactiva los aumentos o disminuciones en la demanda local, asumiendo que tienen una disponibilidad de productos suficiente. En el retail de alimentación, tener en cuenta los factores meteorológicos puede reducir los errores de pronóstico entre un 5% y un 15% para los productos sensibles al clima y hasta un 40% a nivel de categoría y tienda. Un supermercado de Gran Bretaña utilizó las correcciones de meteorología de RELEX durante un verano inusualmente frío y lluvioso, pudiendo aumentar la precisión del pronóstico para sus productos sensibles a los factores climáticos a más del 90%.
Canibalización
Mientras que la meteorología puede tener un efecto variable, la promoción de productos siempre tiene un impacto positivo directo en el volumen de ventas de los productos promocionados. Sin embargo, demasiado a menudo, los retailers no tienen en cuenta el impacto que la promoción de un producto puede tener en el volumen de ventas de otros productos no promocionados. Cuando la mayor demanda de un producto se traduce en una menor demanda de otro, se le llama canibalización. La canibalización se puede dar, por ejemplo, entre dos tipos de carne picada: cuando una está en promoción, el consumidor prefiere llevársela, lo que resulta una disminución de la demanda de la carne picada que no está en promoción. Tener en cuenta este tipo de relaciones mejora significativamente la precisión del pronóstico durante las promociones que tienen efecto canibalización, lo que disminuye el riesgo de mermas de los productos canibalizados.
Puede parecer fácil predecir cómo las promociones de ventas afectan el comportamiento de compra, pero ¿qué pasa cuando manejamos miles de productos? ¿Cómo reconocemos las relaciones importantes entre millones de posibilidades? La solución más práctica es usar las técnicas del machine learning que automáticamente reconocen estas relaciones basadas en ventas históricas y datos de promoción.
Usar una combinación de herramientas para tener los mejores resultados
En la planificación en retail, el pronóstico de demanda es un área de aplicación obvia para machine learning. Dado que servimos a todos los horizontes de planificación con el mismo pronóstico, empleamos un enfoque de pronóstico en capas:
- Pronóstico de series temporales para unos pronósticos fiables que respalden la planificación a largo plazo
- Una combinación de modelos casuales y machine learning para capturar el impacto a medio plazo de, por
ejemplo, promociones y canibalización - Machine learning para modelar el impacto de factores externos (como la meteorología) a corto plazo.
Los diferentes modelos de pronóstico tienen sus propias fortalezas y debilidades en términos de sostenibilidad frente a reactividad, demanda de acceso a datos, horizontes de planificación y rendimiento computacional. Tiene sentido pues, que obtengamos los mejores resultados usando una combinación de métodos.
Claves para desarrollar las capacidades de Machine Learning
Para beneficiarse realmente de las técnicas del machine learning, necesitamos conjuntos de datos excepcionalmente grandes, pero los conjuntos de datos grandes requieren un poder de procesamiento extraordinario. En RELEX, tenemos una relación mutuamente beneficiosa con nuestros clientes en la que los retailers pueden proporcionarnos grandes cantidades de datos y nosotros podemos ofrecerles a nuestros clientes la base tecnológica sólida de nuestra plataforma de datos in memory y las capacidades de la integración de datos. Trabajando juntos, estamos en condiciones de desarrollar unas excelentes técnicas de machine learning. La plataforma RELEX ofrece a nuestros clientes de retail una velocidad y rendimiento superiores, necesarios para ejecutar cálculos de machine learning, incluso con conjuntos de datos excepcionalmente grandes.
En RELEX estamos constantemente examinando y experimentando con nuevos métodos, y actualmente tenemos un equipo dedicado a trabajar a tiempo completo en machine learning y la investigación relacionada con el análisis. Nuestro equipo de R&D está investigando como las redes neuronales con múltiples conjuntos de datos pueden beneficiar a nuestros clientes, desarrollando modelos de regresión Bayesian de patrones de venta de múltiples niveles y explorando el uso de algoritmos de clasificación para mejorar aún más el pronóstico de nuevos productos.
Está claro que el machine learning ha llegado para quedarse, pero en vez de centrarse en un solo método, es importante tener en cuenta cuál es el reto que tenemos enfrente y que herramientas pueden ayudarnos a solucionarlo. Creemos que una vez “baje el suflé”, el machine learning seguirá funcionando como siempre y se aplicará en combinación con otros métodos complementarios para brindar las mejores soluciones posibles para los problemas más complejos de la planificación en retail.
Autor
Artículos relacionados
El caso de la conformación de la demanda en la planificación de la cadena de suministro de bienes de consumo
La modelización de la demanda es una palanca estratégica muy necesaria para los proveedores que buscan un nivel de control en este mar de caos de la cadena de suministro.
Detección de la demanda: Cómo vencer el caos de la cadena de suministro de bienes de consumo
En busca de alivio ante la incertidumbre económica, las empresas de bienes de consumo de alta rotación y sus primos cercanos, los bienes de consumo de rápida rotación, deberían mejorar sus procesos de la cadena de suministro con una solución de detección de la demanda que dé sus frutos rápidamente y ahorre a las empresas tiempo y dinero en el futuro.
Programación de la producción: Planificación minuciosa para obtener grandes beneficios
La programación de la producción es la clave para alcanzar estratégicamente los objetivos de producción: ni infrautilizar los recursos ni intentar objetivos imposibles con recursos de los que no se dispone; ni reaccionar exageradamente a las fluctuaciones, sino adaptarse a tiempo para evitar costosos retrasos.