Contacto

Webinar Recap: El Machine Learning en la Previsión de la Demanda de Retail

Ago 7, 2020 3 min.

El panorama del retail actual es inherentemente dinámico. Cientos de factores pueden afectar potencialmente la demanda, haciendo que la generación de pronósticos de demanda precisos sea algo increíblemente complejo. Frente a esta complejidad, los sistemas de gestión de inventario que hacen un uso pragmático del aprendizaje automático han demostrado ser potentes activos en la estrategia de cualquier retailer. Los algoritmos de machine learning automatizan la capacidad del sistema para combinar y analizar flujos de datos inmensos, identificar patrones complejos, y producir las previsiones de demanda altamente precisas que necesitan los retailers.

En el webinar de RELEX de julio de 2020, moderado por la experta en soluciones Rachel Dutton, Machine Learning en La Previsión de la Demanda en Retail, el científico de datos Henrik Aalto y Josh Mann, director de proyectos, hablaron sobre:

  • La definición de Aprendizaje Automático
  • Cómo puede al machine learning resolver los retos de la previsión de la demanda del retail
  • Ejemplos de cómo se está usando actualmente el machine learning con éxito en la previsión de la demanda
  • Cómo hacer que el machine learning trabaje para su planificación de la demanda de retail

Aalto comenta que actualmente, casi todo el mundo se aprovecha de alguna forma de inteligencia artificial (IA) y aprendizaje automático en sus vidas diarias – como las aplicaciones que predicen, basándose en nuestras preferencias, qué canción o película nos gustaría escuchar o ver. En cualquier caso, continúa Aalto, a medida que la definición de machine learning va evolucionando, a menudo se malinterpreta. Especialmente, los retailers tienen que entender que el machine learning es algo más que un término de moda – es una herramienta que puede usarse para impulsar los beneficios de negocio.

El machine learning (un subconjunto de la IA) es esencial y simplemente una colección de algoritmos de autoaprendizaje. Su fuerza radica en los beneficios que tiene sobre la programación tradicional basada en reglas, que normalmente utiliza datos de un punto fijo del pasado (por ejemplo, la semana 36 de los 3 años anteriores) para predecir cómo será más o menos la demanda para ese mismo período en el futuro (semana 36 de este año). El machine learning, en cambio, permite al sistema combinar estos datos fijos con cientos de variables dinámicas (tendencias de temporada, pronósticos meteorológicos locales, decisiones de precios y promociones, y más) y aprende de esta información, actualizando los cálculos de pronóstico a medida que cambia la información o hay más puntos de datos disponibles.

Mann explica cómo puede usarse el machine learning para analizar múltiples puntos de datos que influencian en la demanda, como patrones de demanda, decisiones de negocio y factores externos (como por ejemplo, días feriados, la afluencia, o la meteorología) para generar un pronóstico de demanda fiable. El machine learning puede, por ejemplo, detectar instancias de canibalización durante un periodo promocional, y luego tener en cuenta este resultado aprendido en pronósticos futuros para hacer ajustes automáticos que puedan minimizar las mermas y maximizar las ventas.

Sin embargo, continúa Mann, los datos válidos que tienen un efecto en la demanda no siempre se capturan en variables que se puedan explicar. Cuando esto sucede, los modelos de series temporales pueden considerar estas incidencias como valores atípicos, que pueden tener un impacto negativo sobre la precisión del pronóstico. Pero el machine learning puede aplicar la detección de puntos de cambio a los datos de ventas, permitiendo que el sistema modele los cambios en la demanda incluso cuando no haya variables explicativas definidas.

Tanto Aalto como Mann coinciden en que, si bien el machine learning puede aplicarse fácilmente a la previsión de la demanda, es una herramienta muy potente que puede incorporarse de manera integral en la optimización de los pedidos, las rebajas, los espacios y las jornadas laborales, idealmente dentro de un único sistema unificado. El aprendizaje automático ofrece un mayor nivel de visibilidad, ayuda a que la planificación del retail sea un proceso más colaborativo, y hace que los planificadores puedan tomar mejores decisiones. Como los retailers de hoy buscan usar la IA para reducir costes, mejorar la toma de sus decisiones y automatizar sus procesos, Mann considera que para el éxito futuro es necesario un enfoque pragmático end2end para la IA y el aprendizaje automático.

Si quiere saber más sobre el machine learning y cómo se usa actualmente para ayudar a resolver los retos de la previsión de la demanda en retail, incluyendo casos reales, puede ver aquí la presentación completa.