Prevé la demanda de productos con ayuda de la IA y los humanos
La nueva tecnología le permite a diversas industrias adelantarse y prevenir ciertos escenarios. (Imagen generada con Inteligencia Artificial/น้ำฝน สามารถ
/Adobe Stock)
Un nuevo marco ayuda a los líderes a organizar agentes humanos y de Inteligencia Artificial para pronosticar con precisión la demanda de productos.
El rosa fuerte regresó el verano pasado. Pero a medida que numerosas marcas de moda se sumaron con entusiasmo a la tendencia impulsada por Barbie, muchas tuvieron dificultades para acertar con sus números. Esto lo pudieron evitar con ayuda de la Inteligencia Artificial (IA).
Aldo, colaborador oficial de la marca, vio sus zapatos con plataforma basados en Barbie volar de los estantes en 24 horas, gracias al hashtag viral #TikTokMadeMeBuyIt.
El fenómeno Barbie pone de relieve un dilema moderno: cómo pronosticar con precisión la demanda de productos cuando el panorama comercial cambia constantemente. Esto siempre ha sido un desafío, pero el entorno minorista ahora es más volátil y está más impulsado por las modas pasajeras que en el pasado.
Esto que requiere que las empresas lleven la previsión de la demanda a un nivel más alto.
Muchas empresas han implementado herramientas de próxima generación para afrontar el desafío. Si bien los algoritmos están mejorando el desempeño de los pronósticos, aún se necesitan intervenciones humanas para contextualizar los cambios del mercado. 1
Entender a la IA, este es el primer paso para prevenir un cualquier ciberataque
Complejidades del producto
Un obstáculo para el desarrollo de modelos de pronóstico de la demanda hoy en día son las características muy variables de las diferentes categorías de productos.
Los productos de ciclo de vida corto, como los de las industrias de la moda, la belleza y la alta tecnología, tienen pocos o ningún dato histórico, lo que hace que pronosticar la demanda sea una tarea desafiante.
Estos productos también plantean un mayor riesgo para las empresas porque son susceptibles a mayores desabastecimientos o niveles excesivos de existencias.
Los productos de ciclo de vida largo , como muebles y electrodomésticos básicos, por otro lado, se benefician de una presencia ampliada en el mercado y, por tanto, proporcionan amplios datos históricos para pronosticar su demanda.
Estos productos requieren ajustes menos frecuentes en respuesta a los cambios en la demanda. Sin embargo, cada producto dentro de una categoría puede seguir diferentes patrones de demanda y los métodos de pronóstico.
El marco de pronóstico de la IA humana
Nuestro marco para la previsión de la demanda personalizada proporciona un enfoque estructurado basado en dos factores. El ciclo de vida del producto y la volatilidad de la demanda.
Con base en esta matriz de volatilidad de la demanda y el ciclo de vida del producto, los métodos de pronóstico de IA humana se pueden dividir en cuatro cuadrantes:
- IA con detección de demanda
- Ventaja experta
- Extrapolación tradicional
- Agrupación y predicción
Los métodos de pronóstico de IA humana se pueden dividir en cuatro cuadrantes en función de dos factores: el ciclo de vida del producto y la volatilidad de la demanda. El grado aproximado de participación de los agentes humanos y de IA en el proceso de previsión de la demanda se indica en los gráficos circulares.
Los gráficos circulares indican el grado de implicación de cada agente en el proceso de previsión de la demanda. Para productos con una alta volatilidad de la demanda y un ciclo de vida largo, la intervención humana se convierte en el factor más crítico porque la tarea de pronóstico requiere juicio experto y adaptabilidad.
Al avanzar por los cuadrantes en el sentido contrario a las agujas del reloj. La importancia de la intervención humana disminuye y los modelos de pronóstico pueden realizar la tarea de manera más efectiva. Los productos con ciclos de vida cortos y alta volatilidad de la demanda requieren la menor participación humana.
Para productos con ciclos de vida cortos, la función principal de los humanos es el modelado estadístico y el análisis de datos. Por el contrario, para los productos de ciclo de vida largo, los pronósticos dependen del conocimiento del dominio de los humanos y de su juicio más que de sus capacidades analíticas y técnicas.
Lo que sigue son descripciones de los roles de los humanos y la IA para cada uno de los métodos de pronóstico. Junto con estrategias para implementarlos con éxito.
IA con sentido de la demanda: ciclo de vida corto, alta volatilidad de la demanda
La IA versus los agentes humanos
Los modelos de IA sobresalen en este entorno volátil porque asimilan información de una amplia gama de fuentes de datos internas y externas. Esto es para reaccionar rápidamente a patrones de demanda cambiantes que a los humanos les tomaría más tiempo pronosticar.
Las empresas han ido más allá de simplemente incluir datos sobre ventas pasadas y características de los productos. El procesamiento del lenguaje natural impulsado por IA permite a las empresas analizar tweets y publicaciones de Instagram para identificar las últimas tendencias, así como lo que ya no está de moda.
En marcado contraste, los pronosticadores humanos a menudo tienen dificultades para predecir cambios rápidos en la demanda. Especialmente cuando se enfrentan a señales complejas de series temporales.
Estrategia para el éxito
Las empresas de esta categoría deberían invertir en la creación de capacidades digitales internamente. Las empresas también deberían desarrollar centros de datos para capturar información de gran volumen y alta calidad de diversas fuentes e incorporarlos a los modelos de IA.
Se recomienda que las organizaciones cuenten internamente con intérpretes capacitados que comprendan cómo los modelos de IA pueden impulsar decisiones comerciales de manera efectiva.
Ventaja experta: ciclo de vida largo, volatilidad de alta demanda
El papel de la IA versus los agentes humanos
Para productos con ciclos de vida largos, como muebles, los datos históricos pueden resultar ventajosos para pronosticar la demanda. Por lo tanto, se pueden implementar modelos estadísticos estándar para aprender de patrones pasados y predecir la demanda futura.
Sin embargo, los humanos han demostrado su capacidad para capturar la tendencia media mejor que los modelos de series temporales. Los gerentes poseen conocimientos valiosos sobre la dinámica del mercado, el comportamiento de los clientes y otros factores externos que pueden influir en los cambios en los patrones de demanda.
Estrategia para el éxito
Incorporar información contextual de expertos internos y externos es esencial para mejorar la precisión y relevancia de los modelos de pronóstico. La forma en que los humanos interpretan y utilizan la información es tan importante como la abundancia y calidad de la información.
Extrapolación tradicional: ciclo de vida largo, volatilidad de la demanda baja
La IA y los agentes humanos
En mercados estables con cambios graduales en las tendencias de la demanda y una gran cantidad de datos históricos de ventas, como baterías, los modelos estadísticos pueden predecir con precisión la demanda futura, reduciendo la necesidad de intervención humana frecuente.
Sin embargo, cuando el mercado experimenta eventos o cambios únicos que no se capturan adecuadamente en los datos históricos, los pronosticadores humanos, pueden intervenir para realizar ajustes informados a los pronósticos del modelo.
Estrategia para el éxito
Si bien la demanda de estos productos es estable, la alta incertidumbre en la oferta puede deberse a la escasez de materiales, máquinas o mano de obra.
Si se espera un aumento en los plazos de entrega, podría ser necesario abastecerse de inventarios o acelerar los envíos. Por ejemplo, la cadena de suministro de baterías también enfrenta desafíos ambientales, sociales y de gobernanza que pueden afectar la planificación de la demanda.
Cómo lograr la transparencia en la cadena de suministro con ayuda de los líderes y la tecnología
Agrupar y predecir: ciclo de vida corto, baja volatilidad de la demanda
El papel de la IA frente a los agentes humanos
Productos de tecnología de consumo altamente innovadores, como smartphones, están disponibles en el mercado desde hace menos de cinco años.
Estos productos suelen tener una breve fase de crecimiento seguida de una rápida disminución de la demanda. La dificultad radica en lograr una previsión precisa del ciclo de vida durante las etapas iniciales, cuando se dispone de datos de ventas limitados.
Estrategia para el éxito
La precisión de los pronósticos influye sin lugar a dudas en el inventario de seguridad y las necesidades de capacidad. Sin embargo, también afecta profundamente los compromisos de abastecimiento y las opciones de transporte.
Por lo tanto, el planificador de la demanda debe considerar estos factores adicionales al diseñar un pronóstico. Así como la influencia potencial de los productos recién introducidos que podrían canibalizar la demanda de los productos existentes.
Además, los datos históricos de productos comparables deben incorporarse a los modelos de pronóstico. Los modelos de IA también deberían ser lo suficientemente flexibles como para realizar ajustes ocasionales según las variaciones estacionales y las actividades promocionales.
Se deben probar varios algoritmos de agrupación de productos para identificar el más adecuado para utilizarlo como base para la predicción de la demanda.
Un futuro asegurado
Nuestro marco ayudará a las empresas a mejorar su juego de pronóstico de la demanda, pero ¿disminuirá la necesidad de colaboración entre humanos y IA a medida que los algoritmos ganen en sofisticación y alcance? No lo creemos.
La interfaz entre humanos y IA seguirá siendo de vital importancia porque los mercados y el contexto de los cambios que cambian los mercados siguen siendo muy impredecibles. Habrá nuevas perturbaciones al estilo Barbie, así como cambios geopolíticos y fluctuaciones económicas.
Además de proporcionar información contextual invaluable y reacciones rápidas, los humanos pueden ampliar los beneficios de la IA a otros productos y geografías.
SOBRE LOS AUTORES
Devadrita Nair es asociada postdoctoral en el laboratorio de Transformación de la Cadena de Suministro Digital del MIT. María Jesús Sáenz es directora del laboratorio de Transformación de la Cadena de Suministro Digital del MIT y directora ejecutiva del programa de maestría en gestión de la cadena de suministro del MIT.
REFERENCIAS
1. Véase E. Revilla, MJ Saenz, M. Seifert, et al., “ Colaboración entre humanos e inteligencia artificial en la predicción: un experimento de campo en la industria minorista ”, Journal of Management Information Systems 40, no. 4 (diciembre de 2023): 1071-1098.
Síguenos en Google News
