Retail es detalle, a gran escala. Los minoristas deben mantener actualizados miles de millones de pronósticos, controlar decenas de millones de flujos de stock y gestionar miles de personas trabajando en tiendas y distribución.
La venta minorista es también muy dinámica. Cada día, los retailers han de tratar con incidencias que van desde envíos con retraso hasta problemas de calidad. Además, la transformación continua del retail afecta a todas las partes del negocio. Los retailers están desarrollando nuevas formas de atender a los clientes y de realizar las compras, experimentando con nuevos formatos de tiendas y haciendo inversiones en tecnología y robótica. Finalmente, las mega tendencias, como la gentrificación y el creciente interés de los consumidores por productos más saludables y sostenibles, están cambiando los patrones de compra.
Para enfrentar estos retos, los retailers tienen que tomar una gran cantidad de decisiones rápidas. Saben que necesitan hacer que sus datos funcionen para que puedan tomar esas decisiones correctamente. Sin embargo, muchos aún están luchando. Aunque la mayoría de retailers tienen muchos datos, muchos carecen de información analítica. El acceso a los datos no hace que un retailer, automáticamente, tome mejores decisiones y más rápidamente. Aquí es donde entra la Ciencia de la Decisión.
Los retailers que triunfan convierten los datos en mejores decisiones, y más rápidas
Los retailers crecerán mejor si convierten esas grandes cantidades de datos en decisiones precisas, rápidas y automatizadas. Esta necesidad está alimentando la actual tendencia alrededor de la Inteligencia Artificial (IA) en retail. Desgraciadamente, no hay una caja negra mágica disponible que solvente los complejos problemas de planificación del día a día/de la vida real del retailer.
Para obtener los mejores resultados, los retailers deben utilizar todo el espectro de la IA pragmática. Han de combinar IA y Machine Learning con modelos estadísticos y de optimización, simulación, clasificación así como reglas y heurística.
El enfoque IA correcto depende del tipo de problema (como por ejemplo, la predicción versus la optimización), así como de los datos disponibles. Otros factores importantes son el rendimiento computacional y la capacidad de procesamiento de los datos disponibles. Un procesamiento de datos lento puede dar lugar a recomendaciones obsoletas. En el peor de los casos, las decisiones deben tomarse antes de que los cálculos estén listos, dejando la IA fuera de juego.
Los datos y las matemáticas son herramientas poderosas, pero los ordenadores aún no son capaces de ejecutar procesos de planificación complejos por sí solos. Esto es especialmente cierto en el turbulento mundo del Retail. Todavía hay un papel importante para la inteligencia humana.
La experiencia es necesaria para definir las prioridades de negocio y resolver problemas mal definidos o sin precedentes. La Inteligencia Ampliada – la parte de la ciencia de la decisión que aprovecha la experiencia humana – es tan importante como la Inteligencia Artificial.
IA pragmática para la precisión y la automatización
La planificación en Retail abarca un amplio abanico de situaciones y decisiones. Por ejemplo, las previsiones/pronósticos a largo plazo, aligerar los flujos de stock o las compras optimizadas de productos frescos son tipos de problemas muy diferentes. No hay ningún método o algoritmo que sirva para todas estas situaciones.
Se necesita toda la gama de IA pragmática para dar sentido a los datos de retail y convertirlos en recomendaciones y decisiones autónomas. Esto incluye IA y Machine Learning, pero también son necesarios un modelo estadístico avanzado, optimización, simulación y clasificación, así como reglas y heurística.
Si se aplica correctamente, los resultados de una IA pragmática son impresionantes: mejores márgenes de beneficios, incremento de ventas, menos mermas y un inventario y un uso de la capacidad más efectivos. Los beneficios para el retailer, sus clientes y el planeta son enormes.
El uso de la IA pragmática, en cualquier caso, necesita ser diseñado cuidadosamente:
- Los métodos y algoritmos correctos tienen que seleccionarse automáticamente en función de los datos disponibles y el tipo de problema.
- Todos los enfoques de IA deben revisarse a medida que se desarrolla la tecnología y cuando haya nuevos datos disponibles.
- Los métodos y algoritmos tienen que funcionar de manera eficiente y segura a escala retail, lo que permite una gestión eficaz de los miles de millones de pronósticos y decenas de millones de flujos de stock.
- Todas las estrategias de IA pragmática han de trabajar juntas y apoyar la planificación multifuncional.
- Su razonamiento debe ser completamente transparente, permitiendo que los usuarios lo entiendan
completamente, confíen y, a veces, puedan ajustar cálculos o resultados sin tener que ser un “científico de datos”.
Soporte de decisiones y Análisis para aprovechar la experiencia de las personas
Un acceso a más datos, mejores algoritmos y el aumento del poder del procesamiento de datos están haciendo que la toma de decisiones sea más precisa y automatizada. Pero, sigue habiendo una demanda de experiencia humana en la planificación.
Nuevas situaciones, con datos limitados, van surgiendo a medida que los retailers se van reinventando a sí mismos. La experiencia humana es importante cuando los retailers idean nuevos formatos de tiendas o nuevos servicios. Igualmente, los planificadores resuelven mejor los muchos problemas complejos discutiendo las opciones disponibles con los gestores de categoría o con los proveedores. Finalmente, la experiencia en la planificación es esencial para traducir la estrategia única de negocio de cada retailer en los objetivos detallados que controlan como la IA optimiza los resultados.
El soporte para convertir los datos en información y en recomendaciones – Inteligencia Amplificada – es necesario para obtener todos los beneficios de la experiencia del planificador. También hace que el trabajo del planificador tenga más sentido ya que permite dedicar menos tiempo a la preparación de datos y disponer de más tiempo para la toma de decisiones. Las herramientas de planificación, por lo tanto, deben tener una poderosa analítica integrada. Así, no se pierde tiempo cambiando entre sistemas o esperando informes cuando es necesario que se tomen decisiones.
La inteligencia amplificada en la planificación en Retail significa que los planificadores pueden:
- Confiar en el sistema que los avisa si hay problemas que el mismo sistema no puede resolver por sí mismo.
- Acceder a todos los datos en el mismo sistema donde se realiza el trabajo del planificador.
- Analizar los datos profundizando en detalles o buscando parones más generales según sea necesario, con
total flexibilidad, en tiempo real y con la ayuda de vistas/visualizaciones potentes. - Ejecutar u comprar escenarios “what if” sobre la marcha para probar el impacto de decisiones complejas
en cada parte de la cadena de suministro y en todas las funciones.
Los retailers que triunfan van más allá de la IA
No se producirá ninguna transformación de negocio añadiendo algunas aplicaciones aisladas de IA en los procesos de planificación de los retailers. Mejores decisiones y más rápidas requieren que los retailers saquen todo el partido/aprovechen toda la magnitud de la ciencia de la decisión. La ciencia de los datos, que se centra en dar sentido a los datos mediante el uso de análisis estadísticos y algoritmos, no es suficiente. Para tomar mejores decisiones, se necesita una aplicación de negocios interdisciplinaria: matemáticas, tecnología, pensamiento de diseño y ciencias del comportamiento – la ciencia de las decisiones.
Para finalizar, consideremos este convincente argumento de Dhiraj Rajaram: “la ciencia de la decisión permite abordar problemas empresariales mal definidos y cambiantes y donde los factores que afectan al problema no se entienden del todo. Facilita el paradigma de pensamiento de diseño. Coger los problemas de negocio que empiezan como un misterio para convertirlos en heurísticos, basados en reglas y juicios, para convertirse en algoritmos a medida que uno empieza a ver patrones, a codificarse y mecanizarse antes de estar operativos en los sistemas. Además permite la continua creación, traducción y consumo de información basada en datos para ayudar a las organizaciones a tomar mejores decisiones. La ciencia de la decisión se integra y se basa en la ciencia de los datos, al añadir aspectos del contexto empresarial, pensamiento de diseño y ciencias del comportamiento”.
Listado de referencias
Pushing the boundaries of data processing requires specialization
Winning the Food Fight: Best Practices for Managing Grocery Retail Supply Chains
Why some data scientists should really be called decision scientists by Dhiraj Rajaram
