Covid-19 separa a los líderes de los rezagados en el pronóstico de demanda basado en ML

By: Jorge Choque
Set.16, 2020
0

El aprendizaje automático (ML) ha revitalizado la previsión de la demanda al permitir a las empresas anticipar los patrones de compra de los clientes con una precisión notable. Pero, ¿los poderes de ML están comprometidos por los patrones de demanda sin precedentes de Covid-19?

La respuesta es sí y no, dependiendo del tipo de empresa y modelo de negocio involucrado. Además, la diferencia entre las empresas que continúan obteniendo una ventaja competitiva de los pronósticos de demanda basados ​​en ML y las que luchan por aprovechar la tecnología podría ser mayor en un futuro pospandémico.

Reducir las deficiencias de predicción exigentes con datos

En las aplicaciones de previsión de la demanda, los algoritmos de ML suelen recopilar información sobre el comportamiento de compra pasado a partir de grandes volúmenes de información histórica. Luego utilizan este conocimiento para refinar los pronósticos de la demanda futura.

Sin embargo, la pandemia de Covid-19 es un evento único (muchos argumentan que fue un cisne negro) con poca precedencia histórica, que ofrece a los algoritmos de aprendizaje automático un material escaso con el que trabajar. Esta escasez de información puede embotar o incluso negar los poderes de mejora de los pronósticos del ML en empresas que no son expertas en el uso de la tecnología.

Los principales defensores de la previsión de la demanda basada en ML aprecian que el antídoto para este malestar son los datos. En un entorno altamente volátil e inherentemente incierto, como el creado por la pandemia, los algoritmos de aprendizaje automático deben ser impulsados ​​por los flujos de datos actuales. Por lo tanto, los modelos reflejan la naturaleza de los mercados que pueden girar en un centavo y lo hacen.

Estos líderes aprovechan una amplia gama de fuentes de datos en tiempo real que van desde aplicaciones integradas en cadenas de suministro hasta proveedores externos de inteligencia de mercado. Además, las fuentes son lo suficientemente granulares como para proporcionar una imagen matizada de las condiciones del mercado a nivel del suelo. Por ejemplo, ¿cuáles son los impactos regionales de Covid-19, como los efectos de diferentes políticas gubernamentales sobre la reapertura de empresas o fronteras nacionales? ¿Cómo está modificando la pandemia la demanda de productos específicos como ropa de moda o libros académicos?

Además, las empresas que han desarrollado potentes capacidades de pronóstico de demanda mejoradas por ML a menudo aumentan los rendimientos competitivos de sus modelos que todo lo ven al integrarlos con plataformas de cadena de suministro digitalizadas.

El poder de la experiencia en el aprendizaje automático

La última estrategia da una pista sobre los tipos de empresas que componen este grupo de élite de campeones de ML: empresas que han recorrido varias millas en sus viajes de ML.

Las empresas ubicadas muy a lo largo de la curva de madurez de ML tienden a ser aquellas que continúan obteniendo la máxima ventaja de sus algoritmos incluso cuando la pandemia avanza. Han construido, y continúan construyendo, la infraestructura de datos descrita anteriormente y han adaptado sus modelos a las incertidumbres de Covid-19.

En estas organizaciones, los creadores de modelos colaboran estrechamente con usuarios como los planificadores de la demanda. Esto es de vital importancia, especialmente durante situaciones de incertidumbre extrema, porque estas relaciones de colaboración proporcionan los circuitos de retroalimentación que actualizan los modelos. Actualizar modelos con la última inteligencia de mercado también ayuda a garantizar que los algoritmos ML aprendan de los parámetros correctos.

Es importante destacar que los líderes de ML no solo han adquirido la experiencia necesaria para crear y ejecutar modelos en sintonía con las condiciones actuales del mercado; han aprendido a interpretar los resultados de estos modelos. Traducir los hallazgos en tácticas y estrategias significativas de la cadena de suministro puede ser un desafío. Por ejemplo, incluso el modelo de pronóstico de demanda impulsado por ML más sofisticado puede presentar anomalías, especialmente cuando la demanda es inusualmente volátil.

También es esencial comprender que el entorno de toma de decisiones en el que funcionan los modelos de ML varía en naturaleza entre dos extremos: abierto y cerrado. Los tipos abiertos están asociados con cambios impredecibles, mientras que las reglas predefinidas delinean claramente los entornos cerrados. Estas características dan forma al proceso de toma de decisiones y, por lo tanto, a la forma en que se utilizan y evolucionan los modelos de ML. Otros factores, en particular las capacidades de trabajo en equipo humano-máquina, también influyen en el papel del ML en la previsión de la demanda.

Los equipos altamente competentes continúan progresando a lo largo de la curva de aprendizaje. Por lo general, observan y analizan resultados inesperados en busca de oportunidades interesantes para mejorar el entrenamiento del modelo. Los equipos menos capaces tienen más probabilidades de participar en actividades de extinción de incendios mientras luchan por aprovechar la tecnología.

En resumen, un profundo conocimiento técnico y operativo combinado con curiosidad e intuición permite a los líderes maximizar las ganancias competitivas de la previsión de demanda basada en ML.

Orientado al crecimiento pospandémico

Es probable que las ventajas competitivas de los líderes de ML se vuelvan aún más pronunciadas cuando la crisis de Covid-19 ceda porque las habilidades que adquirieron los convertirán en competidores formidables.

Este beneficio es particularmente sorprendente para aquellas empresas impulsadas por una cultura de innovación y la necesidad de convertir la adversidad en oportunidad. Su luz guía durante la pandemia es el crecimiento, en oposición a la supervivencia. Saben que aplicar las lecciones clave aprendidas durante la crisis a la innovación de productos puede abrir nuevas vías de crecimiento en un futuro pospandémico.

Fuente: MITSupplyChain


Social Media Auto Publish Powered By : XYZScripts.com