¿Cómo puede utilizar la Inteligencia Artificial para comprender mejor cómo el pronóstico causal puede ayudar a su empresa? Chris Mason, de Logility, comparte su opinión y experiencia sobre cómo los líderes empresariales pueden aprovechar el software de pronóstico causal para estar mejor preparados ante la demanda que cambia rápidamente.
"¿Está utilizando todos sus datos disponibles para mejorar su pronóstico? La mayoría de nosotros en 2023 hemos escuchado que la Inteligencia Artificial (IA) puede ayudar a fabricantes y cadenas de suministro a optimizar los planes de inventario. Este artículo es para aquellos que buscan ejemplos concretos para entender y relacionarse con sus propias vidas.
El pronóstico estadístico es un método bien establecido para anticipar la demanda y basar un plan de inventario en torno a ello. El enfoque considera las ventas históricas de un solo punto de datos, por ejemplo, un SKU, y utiliza análisis predictivos para estimar las ventas futuras. Útil pero limitado. Mientras tanto, un motor de IA puede considerar múltiples puntos de datos al mismo tiempo y buscar correlaciones entre ellos que se traduzcan en nuevas ideas.
Un ejemplo común de la IA en acción es un automóvil sin conductor, pero realísticamente cualquier máquina que envíe información de uso a su fabricante (piense en IoT) es una fuente de datos relevante para la Inteligencia Artificial. Si su empresa toma decisiones sobre cuántas piezas de repuesto poner en el mercado, ya sea para un automóvil, un electrodoméstico como una cafetera, o una herramienta utilizada en construcción o jardinería, entonces el pronóstico causal puede convertir datos en información significativa.
Al capturar recuentos cíclicos en las máquinas, puede obtener información sobre cuánto tiempo durará una parte específica. Entonces, si considera la estadística del ciclo de vida del producto en el contexto del tamaño y la edad de su base instalada, tiene más inteligencia sobre cuántas piezas de repuesto poner en el mercado.
El análisis avanzado con IA puede refinar aún más su comprensión mediante la planificación de escenarios que utiliza más puntos de datos, como sesgos regionales, el clima, eventos relacionados y precios competitivos.
¿Cuál es la diferencia entre IA, aprendizaje automático y pronóstico causal?
Con los diferentes acrónimos, este tema puede volverse confuso. No es raro escuchar sobre aprendizaje automático e inteligencia artificial en la misma oración y luego aparece el pronóstico causal. Geeks for Geeks.org define la IA como un término amplio que describe máquinas inteligentes capaces de realizar tareas que normalmente realizarían las personas. El aprendizaje automático (ML) es un subconjunto que se relaciona con enseñar a las máquinas a aprender sin ser "programadas explícitamente". Los algoritmos de ML se utilizan para identificar patrones y hacer predicciones basadas en datos. El pronóstico causal es una técnica que busca prever eventos en el mercado basándose en factores que tienen una alta probabilidad de influir en los movimientos futuros dentro de ese mercado.
¿Cómo decide si un factor casual es realmente una causa a considerar?
El clima es un factor casual comúnmente citado, pero ¿siempre es útil? Si vive en el Reino Unido, el clima puede cambiar tan repentinamente que el pronóstico del tiempo es una conversación nacional. Algunos factores causales son simplemente más útiles para algunas aplicaciones que otros, y es útil ser consciente de las limitaciones.
Por ejemplo, si usted es productor de cerveza y el pronóstico del tiempo para los próximos 10 días es bueno y además hay un evento deportivo importante, lo más seguro es producir más cerveza para satisfacer un pico pronosticado en la demanda. La altura del pico y su duración estarán influenciados por otros factores, como el rendimiento del equipo deportivo en el evento.
Otro variable a considerar en la planificación de escenarios son las probabilidades de apuestas: si se espera que el equipo local lo haga bien, tiene sentido que más personas estén emocionadas por la perspectiva de ver ese juego con una cerveza en sus manos.
Cómo afecta el pronóstico del tiempo a largo plazo a la venta de autos convertibles probablemente sea más complicado y discutiblemente menos útil. ¿Tiene más impacto la ola de calor del año pasado o el pronóstico de este año en las ventas? ¿O es el caso que factores macroeconómicos como la inflación y la confianza del consumidor son los que realmente mueven las agujas?
Si tiene la corazonada de que un factor causal como el clima o un evento puede mejorar la precisión de su pronóstico y desea probar la teoría sin riesgos, puede utilizar un motor causal. Este motor validará la teoría ejecutando múltiples elementos de una base de datos de productos a través del algoritmo causal de IA a lo largo del tiempo para demostrar la correlación.
Cuánto tiempo y potencia de procesamiento se requieren para ejecutar la IA dependerá de la aplicación, pero al considerar los pronósticos de demanda, desea que sea lo suficientemente largo como para capturar las ventas accesorias. En el mundo de bienes de consumo de rápida rotación, por ejemplo, es deseable establecer el impacto de los precios competitivos en sus ventas.
¿Puede la IA ayudarme a entender si una estrategia de mantenimiento o una estrategia de reparación y rotura es más útil?
Los usuarios de sistemas como el Pronóstico Causal de Logility pueden aprovechar los recuentos cíclicos que proporcionan información sobre cuánto tiempo duran las piezas. Aquí, el pronóstico causal se utiliza para evaluar el costo de la estrategia de reparación frente a la estrategia de mantenimiento basada en variables como la interrupción de la cadena de suministro.
Si su objetivo es reducir el inventario en una ubicación, entonces una estrategia de reparación es atractiva. Solo necesita pedir, pagar y almacenar la pieza cuando la necesite y no antes. Sin embargo, esto debe equilibrarse con el costo y la interrupción del tiempo de inactividad mientras se obtiene la pieza de repuesto.
Si la cadena de suministro es incierta, es posible que desee tener un plan de mantenimiento para no preocuparse por las piezas agotadas o absorber el tiempo de inactividad asociado con una máquina rota. Las partes individuales pueden tener diferentes estrategias según lo crítica que sea la parte y su función. Por ejemplo, si la parte es una cuchilla que se desgasta con el tiempo, se comportará de manera diferente a un motor que sigue funcionando hasta que un día no arranca porque se quema el cableado.
Las ideas basadas en datos no se detienen allí, porque los datos de uso de los recuentos cíclicos también pueden informarle sobre cuándo es probable que falle una parte.
Luego puede modelar cuántas piezas de repuesto se necesitan en una ubicación dada y cuándo.
Una cosa es usar la modelización de series temporales para analizar las fallas de las piezas mes tras mes, pero mirar estos datos de manera aislada realmente no convierte los datos en información utilizable. Con la IA, se pueden tener en cuenta el ritmo del crecimiento de la base instalada y considerar múltiples conjuntos de datos, como cuántas piezas hay en el mercado que necesitan mantenimiento, cuántos años tienen las diversas máquinas y cuánto se han utilizado. Se vuelve más fácil determinar cuántas piezas de repuesto se necesitarán, dónde y cuándo. Algo que suena simple en teoría pero que ha estado causando grandes dolores de cabeza a la industria de piezas de repuesto durante mucho tiempo".
Comments