Machine learning y logística

machine learning y logística

La inteligencia artificial es ya una realidad. El milagro de las máquinas que piensan se produce a diario y la cantidad de investigadores e inversión que hay detrás hace presagiar que tendrá un gran futuro. El machine learning, o aprendizaje automático, es una de sus ramas y va a dar mucho que hablar en el mundo de la logística por su capacidad para afinar las predicciones de la demanda, luchar contra el efecto látigo y para ayudar en la planificación de las cadenas de suministro.

Qué es el machine learning

Machine learning es el proceso de análisis que permite a las computadoras extraer conocimiento a partir de enormes montones de datos, sin la necesidad de ser programadas específicamente sobre dónde y cómo buscar. El aprendizaje automático logra generalizar comportamientos a partir datos, información y ejemplos. Y, a raíz de esos razonamientos y de los nuevos datos que recibe, logra el “aprendizaje”.

 

Cómo puede ayudar el machine learning a la logística

Resulta sencillo imaginar por qué la capacidad para obtener conclusiones a través de grandes cantidades datos es muy atractiva para la logística.

La previsión de la demanda

La previsión de la demanda es una de las tareas más delicadas y complejas a la hora de cuidar una cadena de suministro. Con los modelos tradicionales, la previsión exige un trabajo intensivo, muchas veces manual o no completamente automatizado, y que muchas veces no da los resultados esperados.

¿Qué variables hemos de introducir? ¿Cómo ponderamos su importancia en nuestro algoritmo de la demanda? ¿Qué conclusiones podemos sacar de nuestros errores en la predicción? ¿Cuánto tiempo, esfuerzo y dinero nos cuesta continuar haciendo estos cálculos y modificaciones de forma constante?

Estas preguntas son las que responde el machine learning, al ser capaz de adaptarse continuamente sin intervención ajena. El aprendizaje automático aprende gradualmente qué variables son las que más afectan a nuestra demanda, adaptándose para futuros cálculos, sin necesidad de que un humano tenga que volver a analizar todo el proceso.

Los datos no significan conocimiento a no ser que las empresasa sean capaces de encontrar los patrones, las causas o las conexiones que expliquen lo que ha sucedido y/o lo que va a suceder. El machine learning busca patrones, árboles de decisiones, similitudes… y pone a nuestra disposición el conocimiento extraído, además de poder aplicarlo por su propia cuenta.

Por el contrario, los modelos tradicionales no están creados para aprender automáticamente de los nuevos datos. El machine learning permite a los ordenadores aprender sin tener que ser explícita y continuamente reprogramados.

 

Luchando contra el efecto látigo

El efecto látigo consiste en los desajustes creados a lo largo de la cadena de suministro entre las predicciones de la demanda y la demanda real. Este efecto puede ser muy perjudicial y genera atascos, problemas de abastecimiento, roturas de stocks, etc. Una de sus principales causas es la incapacidad para compartir información de forma completa y eficiente entre los diferentes actores de la cadena de suministro.

Son varias las razones para que se produzcan estos problemas con la información: dificultad tecnológica, reticencia de las empresas participantes a hacer públicos ciertos datos, la falta de alineación de intereses entre los diferentes negocios, la falta de confianza para establecer relaciones a largo plazo, errores humanos a la hora de introducir datos e incluso las trabas para ceder poder dentro de las propias organizaciones. Y es que, pese a que hablemos de cadena de suministro, muchas veces las relaciones logísticas se producen simplemente de un eslabón a otro, sin integrar realmente a todos.

Esto significa que la predicción de demanda, en un escenario en el que se comparte información de manera perfecta, está sujeta a datos incompletos. Si ya resulta complicado hacer predicciones afinadas contando con todos los datos, aún lo es más hacerlo con datos dispersos. Y en esta situación, el machine learning es capaz de trabajar mejor y de integrar con más éxito en sus modelos matemáticos la falta de certeza presente en toda predicción de demanda.

 

Por qué es difícil predecir la demanda

Puede que algunos tengan reticencias a la hora de seguir confiando la demanda de su empresa a la inteligencia artificial, pero hay buenas razones para hacerlo. Estas son algunas de las trabas que tienen los métodos tradicionales:

Gran cantidad de promociones en gran número de referencias o SKUs: las campañas promocionales son especialmente difíciles de prever: cuánto material se va a vender, cuánto producto se necesita vender para cubrir los gastos de la campaña y/o el material promocional que no se venda, etc. Lo que hace que a veces los errores en la predicción se coman todo el beneficio obtenido.

Además, hay sectores como el retail en el que las promociones son constantes y en montones de productos, haciendo muy difícil ir analizando sus resultados de forma manual en cada nuevo ciclo promocional. Es muy difícil anticipar el éxito que tendrá una campaña, una bajada de precio, un nuevo producto, una nueva línea de ropa, etc. Pero el machine learning está dando resultados esperanzadores.

Creciente cantidad de productos: a principio de 2017 Amazon vendía 398.040.250 referencias diferentes. Resulta imposible y económicamente insostenible crear equipos humanos que tengan que analizar manualmente las predicciones de demanda o siquiera que tengan que revisarlas con continuidad a la vista de nuevos datos.

Productos long tail: se conoce así a los productos que menos venden de nuestro portafolio. Incluso empresas con volúmenes mucho más discretos van a sufrir si tienen que estudiar caso a caso cada uno de los artículos de su catálogo. Además, cada vez existen más cantidad de estos productos, aumentando la dificultad de su análisis. Un hecho que se repite con los productos personalizados: menos ventas de cada modelo y más cantidad de modelos.

Tendencia de las empresas a hacerse más complejas: las empresas, según pasa el tiempo, tienden a diversificar su oferta. Nuevos productos, nuevas líneas, nuevos ámbitos geográficos -que también son una nueva variable a tener en cuenta-, etc.

Demasiado trabajo manual: la obtención de previsiones sigue suponiendo muchas horas de dedicación y en muchas ocasiones no aporta los resultados esperados, lo que redunda en la frustración de los que la realizan y de los que trabajan atendiendo a ella. Este desgaste puede repercutir en que los fallos se vayan agravando y se produzca una espiral negativa que ponga en peligro la posición del personal dedicado a estas tareas. Además, la subjetividad humana también es una fuente de error en los modelos.

Exceso de datos: la mera aglomeración de datos no significa nada. En la actualidad, las empresas generan una cantidad enorme de datos y puede resultar difícil saber a qué hay que prestar atención. Y, más importante, tener los recursos para hacerlo. El machine learning nos ayuda a gestionar estos volúmenes y a automatizar su tratamiento.

Nuevas fuentes de datos: las fuentes de datos son cada vez más heterogéneas. Un buen ejemplo son las redes sociales, cuya temperatura ya ha comenzado a ser tenida en cuenta para prever la acogida de los productos que van a llegar al mercado según las reacciones de los usuarios.

Tener en cuenta herramientas como Twitter para nuestra cadena de suministro es algo que cada vez va a sonar menos extraño, especialmente en algunos sectores. De nuevo, el aprendizaje automático facilita que estos datos sean tenidos en consideración de forma más cómoda y evalúe cuál es la importancia.

 

Otros usos del machine learning

Hasta ahora nos hemos centrado en la predicción de la demanda, pero las aplicaciones del aprendizaje automático no terminan allí.

Gestión de rutas

Otra actividad que genera multitud de datos a diario y muy propensa a ser optimizada. El ‘machine learning’ evalúa para ti los cambios que gradualmente se van dando en tus rutas y de los que tal vez no seas capaz de darte cuenta.

Sugerencias de productos

El modelo más básico de estas sugerencias cuando compramos en un ecommerce es la de ofrecernos productos muy similares a los que estamos visitando. Sin embargo, el machine learning tiene más capacidad para establecer relaciones que no resultan obvias. Saber encontrar esas relaciones también nos permitirá calcular mejor nuestra demanda.

Políticas de precios

Si el machine learning nos permite darnos cuenta antes de las tendencias, también puede darnos información valiosa de cuándo se está acabando el ciclo de vida de un producto, de si los compradores ya han iniciado el cambio de temporada en la compra de ropa, etc. Tener esa información nos facilitará ejecutar mejores políticas de precios, descuentos, reposiciones…

Optimización de inventarios

Saber ajustar inventarios, buscando el punto ideal entre el stock de seguridad y la reducción de stocks, tiene una repercusión directa en nuestra cuenta de resultados. El aprendizaje automático evita el excesivo miedo a la rotura de stock o, en el otro extremo, dejarnos seducir por su reducción peligrosa, reduciendo la subjetividad en nuestras decisiones.

Evaluación y elección de proveedores

¿Cada cuánto evalúas a tus proveedores? ¿Eres capaz de detectar tendencias al alza o a la baja en su servicio? ¿Puntos débiles o fuertes? ¿Zonas geográficas donde se entrega mejor o peor?  Las máquinas también pueden aprender a discernir los mejores proveedores, los tiempos estimados de entrega -más allá de las condiciones prometidas por tu proveedor-, etc. Teóricamente, el machine learning puede avisar de la amenaza de una rotura de stock atendiendo a la experiencia pasada y analizando las condiciones actuales.

Si aceptamos que estas tecnologías sabrán con mayor fiabilidad cuál es el servicio que podemos esperar de los diversos proveedores. ¿Por qué no dejarles tomar las decisiones? Permitirles que, sin necesidad de supervisión, elijan los proveedores adecuados para los diferentes envíos.

Relaciones inesperadas

Encontrar relaciones inesperadas puede ser una fuente de ingresos y mejoras muy importante. Por ejemplo, Walmart descubrió que había una relación entre el clima que hacía y el tipo de carne que se vendía en sus establecimientos. Durante los días tibios, nublados o con viento se despachaban más filetes, mientras que en los días de aire caliente y seco las triunfadoras eran las hamburguesas.

Este descubrimiento supuso un 18% de aumento en la venta de hamburguesas. Esta es otra manera de aprovechar la mayor facilidad del aprendizaje automático para encontrar patrones de compra en principio no relacionados o entre productos que no son similares.

 

Para cuándo el machine learning

El Gartner Hype Cicle es una clasificación que evalúa el punto de evolución en el que se encuentran las nuevas tecnologías: aparición de la innovación, punto álgido de expectativas, una bajada posterior (rendimiento por debajo de las expectativas) y, finalmente, el punto en el que estas nuevas tecnologías empiezan a ser realmente productivas.

Según el baremo de 2016, al machine learning aún le faltaban entre cinco y 10 años para llegar a esa adopción generalizada que comience a dar réditos a gran escala. Las cadenas de suministro más competitivas en los próximos años serán las que sean capaces de extraer significado valioso de diversas fuentes. En un mundo con cada vez más datos y con sensores y aparatos de medición cada vez más exhaustivos y económicos, los que logren diferenciar la información útil del ruido serán los que partan con ventaja.

 
Consulta en el siguiente enlace los servicios logísticos de Transgesa.

Un comentario

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *