José Cuenca, Jefe de Área - Organizacion de Ventas y Logística en Consum
Solver IA: ¿Qué reto se trataba de solucionar con la inteligencia artificial?
Consum: Éramos conscientes del potencial que tenia la aplicación de modelos Machine Learning para mejorar la previsión de demanda. Queríamos modificar el motor de previsión de nuestra herramienta de aprovisionamiento y evolucionar hacia estos modelos. Lo veíamos como un proyecto para iniciar la aplicación de inteligencia artificial en nuestras áreas de responsabilidad. Buscábamos como poder utilizar la inteligencia artificial para mejorar el servicio al cliente y generar ventaja competitiva.
Solver IA: ¿Qué beneficios consideráis que os ha aportado la implantación de la solución?, ¿consideráis que han mejorado vuestros procesos de negocio?
Consum: Hemos mejorado en gran medida nuestros modelos de predicción de suministros, lo que ha repercutido de forma directa en el proceso de aprovisionamiento, evitando roturas de producto, optimizando la gestión de stocks, y por tanto, mejorando la experiencia de compra del cliente.
Solver IA: Después de haber implantado una herramienta de predicción de demanda basada en la inteligencia artificial, ¿cómo crees que la IA puede dar respuestas a diferentes problemas o retos del sector?
Consum: Según nuestra experiencia, creemos que puede ayudar a mejorar la competitividad del sector en muchos ámbitos. Para nosotros, ha sido clave poder alinear nuestras necesidades y conocimiento del negocio con la aplicación de las técnicas de IA/ ML. Además, se pueden implantar mejoras sin cambios radicales, de hecho, en nuestro caso la herramienta de aprovisionamiento no ha cambiado, sino que la hemos mejorado alimentando con los nuevos modelos.
Solver IA: ¿De qué forma afectó la pandemia a la solución de la previsión de suministro?
Consum: Como era de esperar, el error de la previsión aumentó significativamente, ningún modelo predictivo podía “ver venir” una situación tan excepcional. Por tanto, en un primer momento las predicciones no fueron de gran ayuda para gestionar el aprovisionamiento. Sin embargo, fuimos capaces de que el modelo se adaptara a los nuevos patrones de demanda generados por la situación. De hecho, entendemos que en la actualidad seria capaz de identificar patrones de situaciones similares a la que hubo (restricciones, confinamiento, etc.) y tenerlo en cuenta en las predicciones. Adicionalmente, creemos que va a ser capaz de “aislar” el efecto de aquellas semanas para las previsiones futuras.
Digamos que la capacidad de “reaprender” y tratar las “anomalías” de estos modelos nos permitió volver a una situación de acierto en la previsión de forma más rápida que lo hubiéramos hecho con modelos predictivos más tradicionales y estar preparados por si este tipo de situaciones se vuelven a repetir.
Solver IA: ¿Permitió la solución de inteligencia artificial una adaptación y respuesta a los acontecimientos de una forma rápida y eficiente?
Consum: Sí, con los modelos de previsión que teníamos anteriormente, basados en técnicas más tradicionales, entendemos que no habríamos podido reaccionar tan rápido y detectar y aislar los cambios de demanda y los efectos “anómalos”.
Solver IA: ¿Crees que la puesta en funcionamiento ha permitido satisfacer de forma más eficiente las necesidades y expectativas del cliente? ¿En qué aspectos?
Consum: Sin duda, ese era objetivo principal cuando iniciamos el proyecto y lo sigue siendo a medida que evolucionamos los modelos. De forma directa, una mejor previsión incide en la minimización de roturas de stock de producto en punto de venta que sabemos que repercute directamente en la experiencia de compra del cliente. Adicionalmente, la eficiencia en nuestra gestión de pedidos y stocks nos da una ventaja competitiva que podemos repercutir en un mejor servicio a nuestros clientes.
Solver IA: ¿Qué transformación(es) del resto de la operativa origina la adopción de una herramienta de predicción de la demanda? ¿Se puede ser “inteligente” en una parte e “intuitivo” en el resto?
Consum: En nuestro caso, la herramienta de gestión de la demanda ya existía, lo que hemos modificado es el motor de previsión, por lo que para los usuarios ha sido un cambio transparente. De lo que sí estamos seguros es que tener una previsión más acertada genera confianza en los usuarios de la herramienta y les ayuda en su trabajo al reducir la necesidad de revisión de pedidos.
Por otra parte, es cierto que en la realización de este tipo de proyectos es muy importante realizar una correcta gestión del cambio de forma que los usuarios finales entiendan los beneficios generados tanto en su día a día como a nivel global.
Como comentas, se tiene que buscar el equilibrio entre la inteligencia artificial y el factor humano. En nuestro caso, los pedidos generados en base a los modelos predictivos son revisados por los técnicos y modificados si lo estiman necesario, si bien es cierto, que la mejora en los modelos nos ha permitido ganar en confianza y reducir esa revisión. Ante situaciones como la derivada de las restricciones por la pandemia, en un primer momento, hasta que los modelos fueron capaces de reaprender y adaptarse, el factor humano fue clave y totalmente protagonista para poder mantener el servicio adecuado a nuestros clientes.
Solver IA: ¿Cuál es la situación del retail español en relación con los sistemas de predicción de la demanda?
Consum: Desconozco la situación de cada retailer, también depende en gran medida de cual sea su estrategia de cadena de suministro. En nuestro caso el avance en los últimos años ha sido muy elevado y creemos que tenemos que seguir potenciándolo como un aspecto diferencial que nos aporte ventaja competitiva en el sector. De hecho, desde que iniciamos el primer proyecto hemos seguido trabajando de forma continuada en la evolución y nuevas aplicaciones de estos modelos de previsión.