Demasiadas empresas aún confían en el pronóstico manual porque piensan que la IA adecuado requiere datos de mejor calidad que los que tienen disponibles. Hoy en día, eso es un error costoso.
¿Qué tienen en común funciones internas tan diversas como la evaluación de riesgos, la planificación de gastos de capital y la planificación de la fuerza laboral? Cada uno se trata fundamentalmente de comprender la demanda, haciendo que la previsión de la demanda sea un proceso analítico esencial. En medio de la creciente presión para aumentar la precisión de los pronósticos, más empresas han llegado a confiar en los algoritmos de IA, que se han vuelto cada vez más sofisticados en el aprendizaje de patrones históricos.
Los modelos de IA tienen claras ventajas sobre los métodos analíticos tradicionales basados en hojas de cálculo. La aplicación de pronósticos impulsados por IA a la gestión de la cadena de suministro, por ejemplo, puede reducir los errores entre un 20 y un 50 % y traducirse en una reducción de las ventas perdidas y la falta de disponibilidad de productos de hasta un 65 %. Continuando con el círculo virtuoso, los costos de almacenamiento pueden caer entre un 5 y un 10 por ciento y los costos de administración entre un 25 y un 40 por ciento. Las empresas de las industrias de telecomunicaciones, energía eléctrica, gas natural y atención médica han descubierto que los motores de pronóstico de IA pueden automatizar hasta el 50 % de las tareas de administración de la fuerza laboral, lo que lleva a reducciones de costos del 10 al 15 % mientras mejora gradualmente las decisiones de contratación y la resiliencia operativa.
El pronóstico automatizado impulsado por IA promueve estos beneficios al consumir datos en tiempo real e identificar continuamente nuevos patrones. Esta capacidad permite acciones rápidas y ágiles porque el modelo se anticipa a los cambios de demanda en lugar de simplemente responder a ellos. Por el contrario, los enfoques tradicionales para la previsión de la demanda requieren una actualización manual constante de los datos y ajustes en los resultados de la previsión. Estas intervenciones suelen llevar mucho tiempo y no permiten respuestas ágiles a los cambios inmediatos en los patrones de demanda.
Sin embargo, a pesar de las numerosas ventajas de la IA, las organizaciones se han enfrentado a desafíos que limitan su adopción. A partir de 2021, una sólida mayoría, el 56 %, de las organizaciones encuestadas informaron que habían adoptado la IA en al menos una función. Eso es un progreso en comparación con la cifra del 47 por ciento reportada en 2018, pero la tasa de crecimiento sugiere que aún quedan barreras serias, particularmente para alcanzar la escala más allá de una sola función. Para muchas organizaciones, la disponibilidad limitada de datos, o la utilidad limitada de los datos disponibles, sigue siendo un problema.
Cuatro estrategias para entornos de datos ligeros
Desde un punto de vista técnico, las empresas pueden usar hasta cuatro estrategias, individualmente o en combinación, para crear resultados confiables en entornos de datos escasos.
- Elegir el modelo de IA adecuado. El primer paso es identificar el algoritmo de IA más adecuado, en función de la cantidad y la calidad de los datos disponibles. En muchos casos, los modelos de machine learning (ML) pueden probar y validar múltiples modelos para encontrar la opción óptima, con una participación humana mínima.
- Aprovechar las técnicas de suavizado y aumento de datos. Esta técnica funciona cuando un período dentro de una serie temporal no es representativo del resto de los datos. Por ejemplo, los datos de ventas durante la pandemia de COVID-19 generalmente han mostrado tendencias y estacionalidad anómalas.
- Preparación para las incertidumbres de predicción. Las herramientas sofisticadas de planificación de escenarios que permiten a las personas insertar una amplia gama de parámetros pueden ayudar cuando los modelos de pronóstico no logran una precisión satisfactoria o cuando solo se dispone de datos históricos mínimos.
- Incorporación de APIs de datos externos. Esta opción es aplicable cuando se necesitan fuentes de datos externas (por ejemplo, relacionadas con el clima o el tráfico peatonal) para informar los valores de pronóstico.
Elegir el modelo de IA adecuado
Aunque tener más datos históricos generalmente hace que el pronóstico sea más sólido, el ejemplo de un centro de llamadas ilustra que el pronóstico puede ser efectivo incluso cuando la información histórica es limitada.
La complejidad de la previsión en un centro de llamadas puede ser abrumadora debido a la variedad de interacciones con los clientes que los centros de llamadas tienden a manejar. El centro de llamadas de una empresa de servicios públicos identificó 15 tipos de llamadas, clasificadas por el motivo subyacente, como soporte técnico o procesamiento de pagos. Dentro de cada tipo de llamada, los gerentes rastrearon tres métricas: volumen total de llamadas, tiempo promedio de atención (AHT) para llamadas dirigidas al personal interno y una métrica AHT “externa” separada para llamadas dirigidas por proveedores. La empresa agregó los pronósticos en tres niveles: mensual, diario y por hora. La combinación de tipos de llamadas, métricas y niveles de agregación requirió 135 pronósticos independientes.
Como era de esperar, los datos históricos de larga duración no están disponibles para todos los tipos de llamadas o métricas. En tales situaciones, un pronóstico exitoso proporciona resultados razonables para casos con un tamaño de muestra bajo mientras maximiza la precisión de los resultados para casos con datos históricos a largo plazo.
Además, otros factores podrían complicar aún más el proceso de pronóstico. Por ejemplo, los patrones de estacionalidad pueden ser muy complejos, variando semanal, mensual y anualmente. Estos patrones también pueden cambiar gradualmente con el tiempo, debido a diferentes iniciativas comerciales. De manera similar, las tendencias observadas pueden ser inconsistentes a lo largo del tiempo y mostrar múltiples puntos de cambio en todo momento.
Este articulo puede interesarle Advanced analytics beneficia los impactos en la cadena de suministro agrícola