Inteligencia Artificial: El retail confía sus ventas a la IA

El porcentaje de retailers que han implementado soluciones basadas en Inteligencia Artificial aumenta a un ritmo importante cada año. Los beneficios no sólo se presenta como un aumento de las ventas, sino también en un importante ahorro de costes asociados a atención al cliente, así como mejoras en la cadena de suministro y el rendimiento.

Competitividad extrema en el mercado del retail

El retail es, sin duda, uno de los mercados más competitivos. Cada día abren nuevas tiendas, la cantidad de productos aumenta y las pymes se sienten presionadas por las grandes firmas del sector.

En este contexto, tener la cantidad justa de inventario es decisivo para la satisfacción del cliente, especialmente cuando determinados productos son perecederos o sufren deterioro al almacenarlos.

La predicción de la demanda como método de supervivencia

En este contexto es donde las nuevas técnicas de previsión de demanda, basadas en la ciencia de los datos, permiten anticiparse y asignar la cantidad óptima de recursos para minimizar el inventario estancado o reducir el coste de oportunidad que supone dejar clientes desatendidos.

La sinergia entre la Analítica de datos y la Inteligencia Artificial ha permitido abordar el análisis de la demanda y establecer modelos predictivos a través de dos aproximaciones soportadas por dos disciplinas pertenecientes a la IA: Machine Learning y Deep Learning.

Machine y Deep Learning arrojan una nueva perspectiva sobre las demandas de los clientes

1. Deep Learning: comparativa de productos basada en análisis de imágenes

Uno de los indicadores más importantes, para asegurar el acierto en nuestra predicción, es identificar qué productos comercializados son más parecidos a fin de proyectar la posible tendencia de ventas de los nuevos productos. Para ello se puede realizar, mediante técnicas de Deep Learning, un análisis de las imágenes de los productos, con los que poder comparar tanto con los productos de la compañía, como con productos de la competencia. Obteniendo las ventajas de prever cuántas ventas va a tener un producto, así como anticiparse al fracaso o éxito de un nuevo producto.

Las técnicas más utilizadas en estos casos son:

• Redes neuronales convolucionales
• Autoencoder
• LSTM (Long Short Term Memory networks)

2. Machine Learning: predicción de demanda de productos

Una vez obtenidos qué productos son los más parecidos se procede, mediante el análisis de datos históricos, a realizar predicciones de ventas de un producto aplicando técnicas de Machine Learning.

Se usarán diferentes modelos de predicción de demanda empleando distintos lenguajes de programación y aprendizaje automático. Python y R, son los lenguajes de referencia en la actualidad. Si bien, el éxito vendrá de la mano de aquel modelo que ofrezca mejores resultados de:

• Ajuste y precisión
• Tiempo de ejecución
• Escalabilidad
• Facilidad de uso

En cuestión de técnicas de aprendizaje, debemos destacar las siguientes:

• Regresión Lineal
• XG Boost
• Arima
• SVC

Ventas acumuladas

*En esta gráfica podemos observar cómo la evolución de las ventas de dos productos similares alcanzan mejores cifras en el primer caso (línea roja), en el que se habrían aplicado modelos comparativos y predicción basados en Inteligencia Artificial para su lanzamiento.

Inteligencia Artificial con impacto directo en el negocio

• Conocimiento del producto. Mayor precisión en el conocimiento de un producto a través de un mejor aprendizaje de su ciclo de vida.
• Escalabilidad del negocio. El autoaprendizaje permite un rápido escalado del negocio.
• Toma de decisiones. La automatización de procesos y la predicción automática, permite agilizar la toma de decisiones, y mejorar la productividad.
• Beneficios inmediatos. Los beneficios se hacen patentes a corto plazo, y se consolidan a medio y largo plazo, favoreciendo la supervivencia de los negocios frente a la competencia.