Jordi Mansanet CEO de Solver IA
Victoria Corral Strategic Growth Leader de Solver IA
Tradicionalmente, las empresas han utilizado distintos métodos a la hora de realizar previsiones de demanda. La mayoría de ellos están basados normalmente en un enfoque sencillo que consiste en asumir un comportamiento muy similar a momentos del pasado, pero sin tener en cuenta otros potenciales factores relevantes. Por ejemplo, si necesito saber la demanda que voy a tener el próximo martes, asumo que será la misma que tuve el mismo martes del año anterior. Esta metodología tan simple puede ser suficiente en algunos casos sencillos. Sin embargo, normalmente las variaciones de demanda responden a una serie de casuísticas mucho más complejas debidas, tanto al efecto de procesos internos, como a fenómenos externos. Por ejemplo, campañas comerciales, variaciones de precio, ofertas, estacionalidad, meteorología, eventos y festividades, etc. Es en este punto donde los métodos simples se quedan cortos, y es necesario recurrir a cierto conocimiento experto (experiencia humana) que permite realizar modificaciones para ajustar las predicciones originales.
Los modelos basados en Inteligencia Artificial (IA) tienen una serie de ventajas claras con respecto a la utilización de métodos más tradicionales. Precisamente, el punto fuerte de la IA pasa por poder aprender esas casuísticas complejas de las que hablábamos antes, y así poder afinar la predicción. De esta forma, estos modelos mejoran sus prestaciones cuantos más factores asociados a la demanda utilicemos, totalmente al contrario de los métodos clásicos, los cuales tienen una capacidad mucho más limitada. Siguiendo con el ejemplo previamente planteado, nuestra previsión para el próximo martes no solo tendrá en cuenta lo que ocurrió el año pasado, sino también otras potenciales situaciones como si subo el precio del producto un 20%, hay una previsión de lluvia para ese día y, además, el día siguiente es festivo. Otro punto a destacar en la utilización de la IA es el alto grado de automatización y especialización. Mediante el aprendizaje automático, es posible crear un modelo específico para cada producto. Para hacernos una idea estamos hablando en muchos casos de miles de referencias. Cada uno de estos modelos es capaz de hacer predicciones individualizadas de forma automática con la frecuencia deseada, suponiendo un importante ahorro de recursos con respecto a procesos más manuales. Finalmente, también destacar la capacidad de adaptación automática de la IA, lo que se conoce como “aprendizaje continuo”. Esto implica que la IA permite dotar a los modelos de un alto grado de dinamismo, siendo capaces de seguir aprendiendo conforme haya nuevos datos disponibles. De esta forma se consigue que nuestros modelos estén totalmente actualizados de forma automática, y adaptándose continuamente a las nuevas casuísticas que puedan aparecer. En definitiva, la aplicación de la IA a la hora de hacer previsiones supone un salto diferencial mediante la aportación de una serie de ventajas claras. Estas ventajas se suelen traducir, de forma orientativa, en mejoras de hasta un 30% en el acierto de la previsión.
Una vez ya hemos explicado las ventajas que supone la utilización de la IA en los procesos de previsión, queda por responder la pregunta: ¿cómo aplico este tipo de tecnología? Un requisito fundamental para aplicar técnicas de IA es disponer de datos. Sin profundizar en el tema de la “cultura del dato” (y su importancia dentro de las empresas), disponer de datos históricos tanto de la demanda como de los factores internos y externos que han afectado a dicha demanda es básico para plantear la posibilidad aplicar IA. A partir de ahí, la introducción de esta tecnología en una empresa siempre se plantea intentando mantener la infraestructura ya disponible, necesitando obviamente disponer de visibilidad de los datos necesarios. Para hacer una transición suave y poder vencer a la famosa “resistencia al cambio” (sobre todo en procesos manuales), el uso de la IA no supone una sustitución, sino una ayuda al experto. Éste normalmente será el que tome la decisión final, pero para ello tendrá la seguridad de disponer de una previsión que ha tenido en cuenta una gran cantidad de factores. Incluso es posible (y recomendable) que el propio modelo IA también nos devuelva qué factores han tenido más importancia a la hora de realizar dicha previsión (lo que se conoce como “explicabilidad”).