La nueva cadena de suministro: IA y machine learning marcan la diferencia

Por Jacky Marolleau, Director de Ventas para el sur de Europa en Manhattan Associates.

Publicado el 04 Nov 2020

66302_06

En los tiempos que corren, con una pandemia golpeando violentamente al sector minorista y una digitalización que crece a velocidad de crucero, la cadena de suministro se ha visto obligada a adaptarse con rapidez. Para ello han sido claves dos tecnologías que a menudo se confunden por la ambigüedad que las une, y que son decisivas en el porvenir del comercio actual y futuro: la inteligencia artificial (IA) y el machine learning.

No es extraño escuchar a organizaciones y profesionales utilizar términos como inteligencia artificial o machine learning de forma indistinta en muchas ocasiones, siendo difícil discernir donde acaba uno y comienza el otro. Y es que, a pesar de que en determinados aspectos podemos considerarlos sinónimos, lo cierto es que su parentesco los convertiría en primos tecnológicos. Es decir, que no son lo mismo.

La inteligencia artificial es una rama de la informática que explora la construcción de máquinas capaces de comportarse de forma inteligente, si bien el machine learning consiste en que los ordenadores actúen sin estar programados de forma explícita. Dicho de otro modo, la inteligencia artificial es el cerebro y el machine learning es el conocimiento que adquiere.

En Manhattan Associates consideramos que el machine learning se encuentra en la intersección de la ciencia de datos, la informática y las matemáticas. Así, es la capacidad de los sistemas para aprender y mejorar automáticamente las tareas analíticas a partir de la experiencia. Esta tecnología habilita a la IA a través de sus algoritmos y le aporta la capacidad de volverse cada vez más inteligente sin necesidad de programarlo específicamente.

Todo ello puede ser aplicado a una serie de procesos altamente complejos de la cadena de suministro, incluidos software de gestión de transporte (TMS), sistemas de gestión de almacenes (WMS) o escenarios omnicanales. De esta manera, las compañías ganan eficiencia y reducen sus costes de forma considerable, pues mejoran el rendimiento del servicio, la planificación y la precisión.

Hombre y máquina de la mano

Cuando valoramos la aplicación del machine learning en la cadena de suministro, hay unos parámetros que debemos tener en cuenta y que sustentan el trabajo en este campo. El primero es que el aprendizaje supervisado es un aspecto importante del machine learning a la hora de hacer predicciones cuando los datos no son del todo claros. La intervención humana juega un papel fundamental para llegar a donde no lo consigue la tecnología.

Por ejemplo, esto se puede utilizar para predecir el precio de una casa. Dado que conocemos detalles como los metros cuadrados, el número de estancias y disponemos de información de otras casas que se vendieron en la misma zona, podemos utilizar esos datos para capacitar y reforzar el aprendizaje supervisado de cara a futuras predicciones.

Para ello, es necesario tener muy claros los objetivos. En el contexto de las cadenas de suministro, un minorista podría utilizar el aprendizaje supervisado para predecir con mayor precisión las tendencias de compra de la temporada alta mediante el uso de datos históricos de tráfico de clientes y sitios web. Esto resultaría crucial para ajustar de forma más eficaz su estrategia de omnicanalidad y el estocaje en las horas pico.

En segundo lugar, el aprendizaje no supervisado se utiliza para buscar agrupaciones, patrones o relaciones dentro de los datos, especialmente cuando tenemos poca o ninguna idea real de lo que estamos buscando. Con una multitud de promociones que a menudo se ejecutan simultáneamente, es aún más desafiante determinar qué actividad promocional impulsará la demanda, entonces, ¿cómo se puede predecir con precisión cómo cambiará la demanda?

Tener acceso a este tipo de información sobre el rendimiento es fundamental para crecer de forma rentable, pero no es fácil conseguirlo. El pronóstico de demanda de Manhattan Associates, con planificación promocional, utiliza los modelos de ciencia de datos y aprendizaje automático más avanzados para que extrapolar el valor de los datos ocultos y crear los modelos de pronóstico más precisos posibles.

Por otro lado, el aprendizaje por refuerzo es aquel donde se tienen pocos o ningún dato, pero sí un entorno con el que interactuar. Por ejemplo, piensa en un usuario que navega e interactúa con tu entorno para intentar lograr un objetivo. El entorno proporciona una recompensa, como acercarse al objetivo, o una penalización, como alejarse del objetivo, por cada decisión del propio usuario, las cuales se registran y sirven para “aprender”.

Es la misma técnica que se usa en algunas simulaciones de ajedrez. O, sin ir más lejos, en un brazo robótico o cobot, (como los que disponemos en Manhattan Automation Network) que recogen o mueven artículos en un almacén, aprendiendo sobre el tamaño, la velocidad y el peso de diferentes artículos para ser cada vez más eficientes en sus patrones de selección.

Cada dato es un lingote de oro

A través del proceso de analizar grandes cantidades de observaciones históricas, de una tarea analítica y un entorno dados, el aprendizaje automático puede ayudar a resolver desafíos clave dentro de las cadenas de suministro que a menudo son simplemente demasiado grandes o complejos para modelar matemáticamente con precisión.

Al igual que no usarías un rastrillo para cavar un agujero, el mismo principio se aplica también a las herramientas de ciencia de datos. El machine learning es un gran avance, pero es importante tener en cuenta que existen muchos tipos de problemas analíticos que resolver en entornos tan complicados y fluidos como la cadena de suministro, cada uno de los cuales requiere un enfoque científico especializado para llegar a la mejor solución.

El aprendizaje automático aplicado ya es una herramienta poderosa y será cada vez más importante en el transcurso de la nueva década a medida que sigamos necesitando tecnología que pueda escuchar, aprender y adaptarse por sí sola. Eso sí, en este momento, el aprendizaje automático brinda una de las mejores oportunidades en la cadena de suministro.

Segúnun estudio global de McKinsey, implementar la inteligencia artificial en las cadenas de suministro ya está brindando beneficios tangibles para las empresas. El 61% de los ejecutivos obtiene una disminución de los costes y el 53% registra un aumento de los ingresos como resultado directo de esta tecnología.

Está claro que la inteligencia artificial y el machine learning son un hecho científico, en lugar de ciencia ficción, y muchas de nuestras soluciones ya ofrecen impactos demostrables y positivos para clientes de todo el mundo. No son una panacea para todos los desafíos analíticos o tecnológicos que enfrentan las empresas en la actualidad. Sin embargo, vale la pena señalar los considerables beneficios que ambas disciplinas ya están aportando a los entornos de la cadena de suministro.

En los últimos meses, todo se ha acelerado mucho, hasta el punto en el que actualizarse es vital. Ya sea para proteger a tu fuerza laboral, mantener la promesa de tu marca a los clientes finales, ayudar a tu empresa a ser más sostenible y consciente con el medio ambiente, o simplemente ayudar a mejorar las ganancias, la IA y el aprendizaje automático están para ayudar y han venido para quedarse, ahora le queda preguntarse, ¿estamos preparados para las máquinas?”.

¿Qué te ha parecido este artículo?

La tua opinione è importante per noi!

Redacción

Artículos relacionados

Artículo 1 de 3