Tecnología & Comunicación
Tecnología & Comunicación
Consultoría empresarial

MACHINE LEARNING EN EL PRONÓSTICO DE LA DEMANDA 

06.08.21 01:19 PM Comment(s) By Mario Badillo R.

Machine Learning en el pronóstico de la demanda 

Uno de los retos de todas las organizaciones es optimizar sus operaciones e incrementar los márgenes, para esto deben gestionar los diferentes flujos de producto que intervienen en los procesos de la empresa, planificándolos adecuadamente. Sea en empresas de retail, manufactura, distribución u otras, en el centro del proceso de planning se encuentra el pronóstico de la demanda.

Un pronóstico confiable, preciso y apalancado por todas las operaciones de la empresa puede ayudar en la gestión de la capacidad, asegurar la asignación correcta de recursos en los centros de distribución y/o almacenes o tiendas, así como ayudar a los compradores a gestionar compras complejas con elevado tiempo de entrega. Si las condiciones de mercado fueran estables la complejidad podría no ser mayor, pero, en entornos con gran dinamismo, pueden identificarse muchas variables que impactan en la demanda; por ejemplo: patrones recurrentes, decisiones internas de la empresa o factores externos.

Considerar toda esta data al momento de realizar un pronóstico es prácticamente imposible para cualquier planificador, pero no para un sistema. Es aquí donde toma importancia el machine learning: vuelve posible considerar el impacto de cada uno de estos factores individualmente por cada producto o a nivel de almacén/tienda o canal de venta.

Machine Learning y sus beneficios

El machine learning permite que un sistema tenga la capacidad de aprender automáticamente de la data que se le provee, mejorando así las recomendaciones que puede dar cara al usuario. Debido a la excesiva cantidad de datos que maneja una empresa, las soluciones de machine learning generan valor rápidamente: mientras más data, mejor.

Los algoritmos de machine learning detectan y toman en consideración todos los factores que influyen en la demanda, generando con esto modelos en constante mejora.

Por ello, el machine learning es extremadamente poderoso en entornos o industrias ricos en datos como lo es el de una empresa retail, farma, CPG u otras, permitiendo anticiparse y explicar los cambios en la demanda. Los algoritmos especializados usados para machine learning pueden detectar los siguientes tipos de factores con impactos en la demanda:

Patrones recurrentes de la demanda

El modelado por series de tiempo es un método comprobado en generar muy buenos pronósticos de patrones recurrentes de la demanda, como variaciones por estacionalidad o el día de la semana. Al combinarlo con algoritmos que permiten machine learning se puede extender su eficacia, no solo analizar los patrones pasados, sino tambien definir las relaciones actuales entre las variables y los patrones de la demanda. Además, automáticamente toma múltiples factores en consideración y la relación ente ellos para generar el pronóstico, por ejemplo: el día de la semana, las promociones, precios, los feriados, pueden afectar la demanda de algunos productos específicos.

Decisiones internas del negocio

La misma empresa es una fuente de variaciones de la demanda: promociones, cambios de precios, ubicación en tienda; si bien todo esto es controlado por la empresa, no todas saben cómo predecir correctamente el impacto que tendrán en la demanda. Machine learning permite generar un modelo preciso sobre la elasticidad de precio de un producto, es decir, que tanto afectan los cambios en el precio de un producto a la demanda del mismo.

Sin embargo, no es lo único a tener en cuenta: cambiar el precio a un producto puede tener un impacto negativo en productos de la misma categoría, generando canibalismo en las ventas, o incluso incrementar las ventas de productos relacionados fuera de esta categoría, los cuales normalmente no se toman en consideración al momento de aplicar estos cambios.

Utilizando los algoritmos de machine learning, las empresas pueden ser capaces de predecir el impacto que tendrán las promociones y los cambios de precio en la demanda, considerando algunos factores como:

- El tipo de promoción.

- Las actividades de mercadeo.

- Las modificaciones en el precio.

Factores externos

Sean el clima, conciertos, partidos o cambios en los precios de los competidores tienen un impacto significativo en la demanda, pero son difíciles de tomar en consideración en el pronóstico si no se cuenta con un sistema que automatice esta labor. Muchas veces no se sabe cuántas variables afectan a cada uno de estos factores.

Es en estos casos donde se ve el potencial del machine learning: sus algoritmos pueden detectar automáticamente las relaciones entre las variables del clima, por ejemplo, y las ventas locales y mapearlas a un nivel más granular y localizado que cualquier humano. Incluso, puede llegar a identificar y actuar en relaciones que el “sentido común” no podría detectar, generando un modelo enriquecido.

Factores desconocidos

Hasta ahora, se han analizado factores con impacto en la demanda que pueden ser identificables. No obstante, el machine learning puede ayudar a detectar factores internos o externos que son desconocidos por la empresa.

Esto ocurre porque algunas acciones de la empresa o sus competidores no son registradas en el sistema, por lo que no se llegan a tener en consideración. A pesar de ello, los algoritmos de machine learning pueden detectar estos puntos en el modelo del pronóstico, evaluar la data posterior a estos y validar la influencia de los factores en dicho cambio para detectar la causa; de esta forma, se adapta rápida y automáticamente a nuevos niveles de demanda.

Conclusión

Si bien la automatización, la inteligencia artificial y las herramientas tecnológicas forman parte ya del presente y futuro de las organizaciones de todo tipo, permitiendo tener un mejor panorama del futuro de la demanda y facilitando la toma de decisiones en el presente, esto no debe ser motivo para creer que debemos buscar algoritmos mágicos o reemplazar a todos los planificadores de demanda por máquinas. Si el uso de algoritmos especializados estadísticos y de machine learning son efectivos, no son perfectos: los pronósticos pueden requerir ajustes que solo puede realizar un planificador conocedor del negocio y el mercado. Por tanto, el trabajo conjunto entre planificador y sistemas es la clave para generar una ventaja competitiva incalculable para la empresa dentro del mercado donde se desarrolle.

Autor: Fabricio Navarrete

 

Fuentes:
Machine Learning for Dummies. Judth Hurwitz/Daniel Kirsch. 2018

Machine Learning in Retail Demand Forecasting. Johanna Smaros/Henry Kaleva. 

Share -