Sinnetic México - Ciencia de datos e investigación aplicada

La mejor forma de diferenciarse es creando canales de distribución y asegurando que el producto está en el lugar, presentación y precio correcto. Se sabe que estos diferenciales son difícilmente copiables a diferencia de estrategias de comunicación o promoción que cualquier competidor puede imitar y superar en cuestión de días. Nuestra metodología de planeación de la demanda y gestión del inventario, nos ha permitido implementar proyectos en diferentes sectores y el presente blog es un resumen de los aprendizajes consultivos transversales a manera de mejores prácticas con soporte científico. REPOSITORIO DE SEÑALES DE LA DEMANDA. En planeación de la demanda, podemos tener dos tipos de resultados: Predicción: La demanda crecerá 20% el próximo mes. Optimización: La demanda crecerá 20% el próximo mes pero podría llegar a crecimientos del 32% si ajustamos en 5% el precio, 10% la distribución y 8% la promoción. De lejos, la optimización suena muy atractiva, pero para lograr ese nivel de agudeza en las recomendaciones analíticas, debemos crear primero un repositorio de señales de demanda, que integre la información disponible en los diferentes sistemas transaccionales propios y de terceros que nos ayuden a entender la dinámica de mercado. La gráfica a continuación muestra algunas de estas fuentes. Los procesos ETL (Extracción, Transformación y Carga) de la información tienen ciertas complejidades porque en el repositorio de señales de demanda, debemos crear variables analíticas que nos permitan analizar diferentes puntos como: Relación del precio con la demanda. Relación de la promoción con la demanda. Impacto de las reglas de negocio y los calendarios corporativos con la demanda Dinámicas de distribución e inventario. El valor e impacto de estas variables a crear en el repositorio se observan en el gráfico a continuación: PRONÓSTICO MATEMATICO Tras la construcción y automatización del repositorio, pasamos a hacer el modelado matemático de demanda. Existe un portafolio de cerca de 71 familias de metodologías para lograr este modelado. Lo ético es probar todas para escoger aquella que mejor control de error genere. en la práctica se prueban dos o tres, aquellas que permita excel o aquellas que conozca el analista. Lo importante es determinar el grado de apertura que queremos hacer del pronóstico. El pronóstico corporativo se puede abrir en pronósticos por líneas de producto, luego marcas, luego SKU, luego punto de venta. Nuestras macros y procesos consultivos nos permiten llegar a estimaciones de pronóstico a nivel SKU * Punto de venta. La metodología consistirá en tomar la ventana de tiempo de los datos existentes y dividirla en dos: 1. Ventana de entrenamiento y 2. Ventana de validación. En la ventana de entrenamiento se prueba el portafolio disponible de metodologías y se elige aquella con mejor control del error (Back Test). Esta metodología se aplica a la ventana de validación para observar su estabilidad (Stress Test) y si en ambos test la el control del error es eficiente, pasamos la metodología a producción. Esto se puede ver en detalle en el gráfico a continuación: PRONÓSTICO CONCILIADO. Dependiendo del árbol de producto, será necesario hacer conciliaciones de punto de venta a corporativo (Bottom Up) o de corporativo a punto de venta (Top Down) y esto será necesario porque cada nivel de pronóstico se hace con metodologías diferentes (Aquella que mejor describa las propiedades de tendencia, estacionalidad, ciclos y error), Ejemplo: El SKU 1 en el punto de venta 2 puede describir su demanda con la metodología A porque es la más eficiente, pero el mismo SKU en el punto de venta 3 será predicho con otra metodología, la B. Conciliar es un proceso estadístico de agregación que permitirá llevar el pronóstico a diferentes niveles de lectura dando satisfacción a las necesidades de diferentes lectores al interior de la organización, esto con la certeza de controlar el error de pronóstico. El diagrama permite ver el concepto. PRONÓSTICO COLABORATIVO. Hasta el momento, los métodos estadísticos han sido protagónicos. Pero si queremos evolucionar a métodos de inteligencia artificial, será necesario que este sistema estadístico de pronóstico reciba continuamente imputs desde la inteligencia humana con el objetivo de evolucionar y adaptarse a los cambios del ambiente. Los datos que se usan para generar el pronóstico no tienen cierta información que solo se conoce en el trabajo de campo comercial. Algunos ejemplos de esta información puede ser: Lanzamientos de productos por parte de un competidor al igual que el retiro. Cambios de precios Actividades de comunicación BTL. Rumores de mercado. Es así, como los ejecutivos comerciales, de mercadeo o de trade, al recibir el pronóstico conciliado deben estresarlo informando al sistema mediante esquemas de votaciones aquellos eventos exógenos que pueden hacer que la demanda tome un rumbo diferente a lo proyectado estadísticamente. Haciendo uso de aprendizaje por reforzamiento (Machine Learning) nuestra metodología no solo levanta los estresores del pronóstico matemático sino que retroalimenta y adapta los modelos para responder eficientemente a las realidades informadas por la fuerza comercial logrando mejor respuesta de los modelos a los cambios de entorno OPTIMIZACIÓN Con el pronóstico colaborativo, se generan diferentes optimizaciones en función del lector de la información, por ejemplo: Producción: Cantidad de materia prima necesaria para responder a la demanda en función de las existencias existentes y los ciclos de importación y negociación con los proveedores. Rutas de distribución: Optimización de rutas para asegurar que los inventarios de producto terminado salgan de los centros de distribución a punto de venta y que este proceso empalme con la distribución de producto fresco. Comunicación: Ajustar la inversión publicitaria digital en aquellas zonas donde la demanda decrece a manera de estímulo para la compra sin dejar dinero sobre la mesa en la negociación de la pauta. Dependiendo de la categoría, la celeridad de la optimización puede tener tonos críticos, algunos clientes de agroexportación juegan contra reloj porque el producto es perecedero y se maltrata en cajas elevando chance de devolución por el comprador internacional; para el caso de alimentos procesados el proceso es menos estresante pero existente porque la velocidad de abastecimiento y días de inventario la pone el capitán de categoría. Si quieres conocer más sobre la metodología, uno de nuestros consultores se pondrá en contacto contigo: América del Sur México y Centroamérica

Inteligencia artificial

Planeación de la demanda y gestión de inventarios

Natural Language processing para ejecutivos de marketing

¿Cómo entender la inteligencia artificial - Machine learning?

Grow your business more quickly
with our solutions for inbound and ecommerce

Inteligencia artificial

Planeación de la demanda y gestión de inventarios

Natural Language processing para ejecutivos de marketing

¿Cómo entender la inteligencia artificial - Machine learning?

Grow your business more quickly with our solutions for inbound and ecommerce

Grow your business more quickly
with our solutions for inbound and ecommerce