El reto de las series cortas y lanzamiento de nuevo producto
La inteligencia artificial ha emergido como un recurso invaluable en el sector del retail, brindando una variedad de ventajas que incluyen la previsión de la demanda, la optimización de precios y las recomendaciones personalizadas, todo ello influenciado por requisitos temporales.
En el dinámico mundo del retail, la falta de datos históricos sólidos dificulta la estimación precisa de la demanda futura. Esta incertidumbre sobre cuántos productos deberían producirse o adquirirse para satisfacer las necesidades del mercado plantea una dificultad constante para las empresas, desde pequeños comerciantes hasta gigantes del comercio electrónico.
Este desafío afecta tanto a los equipos de marketing y ventas como a los de gestión de la cadena de suministro y de logística.
Puede llevar a problemas de sobreinversión en la producción, resultando en excedentes de inventario y pérdidas financieras, o a subinversión, con la consecuente pérdida de oportunidades de venta y la insatisfacción de los clientes. En un mercado altamente competitivo, las empresas que pueden prever la demanda tienen ventaja competitiva, mientras que quienes no anticipen las tendencias del mercado se arriesgan a quedarse rezagadas frente a sus competidores.
Por ello, las empresas buscan soluciones innovadoras para superar estos desafíos. La inteligencia artificial (IA) ha emergido como un recurso invalorable en el sector. Utilizando algoritmos de Machine Learning y análisis de datos en tiempo real, la IA ofrece una variedad de ventajas en el retail, no sólo en la previsión de ventas, sino también en otros problemas comunes como la optimización de precios o las recomendaciones personalizadas.
Sin embargo, ¿Qué pasa cuando lanzamos un producto de nueva creación? ¿Qué pasa cuando lanzamos miniseries de temporadas en la moda? Aquí no hay datos históricos para que los sistemas puedan aprender, y debemos buscar alternativas.
Cinco métodos probados para previsión de ventas sin histórico
Cuando nos enfrentamos a modelar series temporales con datos históricos limitados, utilizamos estrategias creativas. Debemos diferenciar dos escenarios:
- Si disponemos de datos limitados en nuestra serie temporal en comparación con otras, debemos intentar encontrar correlaciones entre los datos disponibles y conjuntos de datos más completos.
- Si la serie temporal que queremos predecir es nueva, pero contiene atributos como color, nombre de marca o categoría de producto, es posible segmentar estos atributos para identificar productos similares con historial disponible, y utilizar esa información para realizar predicciones sobre aquellos que no lo tienen.
Incluso si contamos con una combinación de datos temporales y atributos comparativos, aprovecharemos ambos para mejorar nuestras predicciones.
A continuación, enumero una serie de métodos basados en ejemplos para tratar de entenderlo mejor. Estos métodos no son independientes y pueden combinarse entre ellos con el objetivo de mejorar las predicciones.
1. Clustering para identificar productos similares
Supongamos que lanzamos un nuevo tipo de zapatilla deportiva ecológica. Mediante el clustering, detectamos que se agrupa junto con otras zapatillas de alto rendimiento destinadas a corredores profesionales, pero también comparte características con productos ecológicos en otras categorías. Este análisis nos permite mirar las tendencias de ventas y el comportamiento del consumidor en estos dos segmentos, para inferir el potencial de nuestro producto.
La técnica de clustering es fundamental para agrupar productos basados en características similares, especialmente útil cuando no se dispone de datos históricos directos.
2. Uso de datos iniciales para ajuste
Si nuestro nuevo refrigerador inteligente vende 500 unidades en el primer mes cuando el modelo había proyectado 800, es bueno ajustar el modelo para calibrar las expectativas y entender mejor los factores detrás de la discrepancia.
Cuando se tengan los primeros datos de ventas, pueden usarse para refinar las predicciones iniciales, ajustando la escala o tendencia proyectada.
3. Modelos jerárquicos para capturar interdependencias
En la industria de la moda, si una colección de verano obtiene una recepción excepcionalmente positiva, es probable que todos los productos de esa colección experimenten un aumento en la demanda. Un modelo jerárquico permitiría ajustar las predicciones para cada artículo de la colección, basado en el rendimiento global de la misma.
En sectores donde los productos son lanzados en colecciones o tienen fuertes interdependencias, los modelos jerárquicos resultan ser particularmente útiles.
4. Predicciones para productos funcionalmente equivalentes
Veamos aquí la venta online de un pantalón de yoga. En lugar de focalizarnos en la predicción de las ventas de un único modelo de pantalón de yoga, evaluamos el desempeño de toda la categoría de pantalones de yoga a lo largo del tiempo, lo que nos da una comprensión más precisa de las tendencias generales de demanda en esa categoría de producto.
Las predicciones agregadas por categorías pueden ser extrapoladas para orientar el lanzamiento de nuevos productos dentro de la misma categoría.
5. Modelos de caja blanca y uso de relaciones causales explícitas
Al lanzar un repuesto para un modelo específico de coche, desarrollamos un modelo que tome en cuenta el número de vehículos de ese modelo aún en uso, la vida media del componente y nuestra penetración en el mercado de repuestos. Si sabemos que hay 100,000 coches de ese modelo en circulación y el componente tiende a fallar cada 5 años en promedio, podemos hacer una estimación razonable de la demanda anual, ajustada por nuestra cuota de mercado esperada. Para productos cuya demanda puede ser explicada por factores conocidos, los modelos de caja blanca que incorporan relaciones matemáticas explícitas son extremadamente valiosos.
Cada uno de estos enfoques no solo nos ayuda a predecir la demanda de un nuevo producto sino también a entender mejor el mercado y cómo nuestro producto se posiciona dentro del mismo. La clave está en la iteración y en el ajuste constante de los modelos a medida que se dispone de nueva información, permitiendo una estrategia de mercado más informada y dinámica.
Mejores prácticas aprendidas de proyectos reales
Por último, me gustaría compartir un par de ejemplos concretos de proyectos reales en los cuales hemos implementado estas técnicas con resultados beneficiosos para nuestros clientes.
Para una multinacional de la industria alimentaria, utilizamos algoritmos de clustering para segmentar los productos según sus atributos. A partir de estos segmentos, evaluamos múltiples enfoques en colaboración con el cliente. Detectamos que la demanda estaba fuertemente influenciada por factores locales y culturales, como la región de venta. Esto nos llevó a seleccionar la estrategia más alineada con la realidad operativa del negocio.
Por ejemplo, observamos que la demanda variaba significativamente según la provincia, con patrones de venta correlacionados dentro de una misma región.
No olvides nunca validar la posible influencia de factores externos, que mejorarán significativamente la precisión de tu modelo de predicción de ventas.
Cojamos ahora el ejemplo de un sector de la moda. Este desafío particular estaba relacionado con la interdependencia entre productos en esta industria. Un cliente del sector de la moda necesitaba prever las ventas de su nueva colección, pero se enfrentaba al problema de que el rendimiento de cada artículo estaba influenciado por el éxito general de la colección.
Utilizando nuestros modelos predictivos, llegamos a capturar este efecto de «colección» de manera efectiva. Implementamos modelos jerárquicos que permitieron analizar cómo el rendimiento de cada artículo estaba correlacionado con el rendimiento general de la colección. Gracias a ello, proporcionamos al cliente una predicción más precisa y completa de las ventas de su nueva línea de productos, lo que les permitió tomar decisiones más informadas sobre la gestión de inventario y estrategias de marketing.
Finalmente, en nuestros casos de uso, comprendemos que estas soluciones demandan una colaboración estrecha entre científicos de datos y profesionales del negocio. Es crucial identificar y analizar las relaciones significativas entre las series temporales, así como validar su coherencia y relevancia desde una perspectiva empresarial. Por lo tanto, el análisis de series temporales no se limita simplemente a la aplicación de algoritmos sofisticados, sino que también implica comprender el contexto del negocio y validar rigurosamente las predicciones.
