--- title: Sinnetic México - Ciencia de datos e investigación aplicada | Inteligencia artificial description: Inteligencia artificial | Sinnetic México - Ciencia de datos e investigación aplicada --- Posts about # Inteligencia artificial ## [Planeación de la demanda y gestión de inventarios](https://blog.sinnetic.com/mexico/planeación-de-la-demanda-y-gestión-de-inventarios) Posted by [Lucie Poisson](https://blog.sinnetic.com/mexico/author/lucie-poisson) | Apr 4, 2023 4:07:00 PM La mejor forma de diferenciarse es creando canales de distribución y asegurando que el producto... [ CONTINUE READING ](https://blog.sinnetic.com/mexico/planeación-de-la-demanda-y-gestión-de-inventarios) ## [Natural Language processing para ejecutivos de marketing](https://blog.sinnetic.com/mexico/natural-language-processing-para-ejecutivos-de-marketing) Posted by [Gabriel Contreras](https://blog.sinnetic.com/mexico/author/gabriel-contreras) | Jan 26, 2022 5:52:07 PM Los primeros 20 años de este siglo, se enfocaron en desarrollar tecnologías para administración y... [ CONTINUE READING ](https://blog.sinnetic.com/mexico/natural-language-processing-para-ejecutivos-de-marketing) ## [¿Cómo entender la inteligencia artificial - Machine learning?](https://blog.sinnetic.com/mexico/como-entender-la-inteligencia-artificial-machine-learning) Posted by [Gabriel Contreras](https://blog.sinnetic.com/mexico/author/gabriel-contreras) | Jan 26, 2022 5:46:40 PM En SINNETIC, nuestra unidad de servicios cognitivos, desarrolla modelos analíticos y de... [ CONTINUE READING ](https://blog.sinnetic.com/mexico/como-entender-la-inteligencia-artificial-machine-learning) ### Grow your business more quickly with our solutions for inbound and ecommerce Discover a new digital growth model that attracts visitors, converts them into leads, transforms them into customers and then follows them in the after-sales phase, managed with traditional trade methods or with ecommerce. TAKE AN APPOINTMENT [![WhatsApp](https://upload.wikimedia.org/wikipedia/commons/6/6b/WhatsApp.svg) ](https://wa.me/573180242831) ```json { "@context" : "http://schema.org", "@type" : "BlogPosting", "articleBody" : "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", "author" : { "@type" : "Person", "name" : "Lucie Poisson", "sameAs" : "", "url" : "https://blog.sinnetic.com/mexico/author/lucie-poisson" }, "dateModified" : "04/04/2023", "datePublished" : "04/04/2023", "headline" : "Planeación de la demanda y gestión de inventarios", "image" : { "@type" : "ImageObject", "height" : 400, "url" : "https://8862358.fs1.hubspotusercontent-na1.net/hubfs/8862358/redes/redes-blog-planeacion-demanda%20715x450.jpg", "width" : 750 }, "mainEntityOfPage" : "https://blog.sinnetic.com/mexico/planeación-de-la-demanda-y-gestión-de-inventarios", "publisher" : { "@type" : "Organization", "logo" : { "@type" : "ImageObject", "url" : "https://f.hubspotusercontent00.net/hubfs/8862358/web/logo-sinnetic--slogan-web.png" }, "name" : "SINNETIC LATAM", "url" : "blog.sinnetic.com" } } ``` ```json { "@context" : "http://schema.org", "@type" : "BlogPosting", "articleBody" : "Los primeros 20 años de este siglo, se enfocaron en desarrollar tecnologías para administración y utilización de información estructurada ¡Información que suele estar en bases de datos relacionales, se diferencias las variables de las unidades de análisis, en otras palabras, información que típicamente analizamos en Excel! Entramos a la década de los datos no estructurados, aquellos como videos, imágenes, sonidos y textos. Parte importante de esta información proviene de seres humanos escribiendo o hablando, es decir usando el lenguaje. Desde la psicología del consumidor, el lenguaje es la forma más eficiente para acceder a los pensamientos y procesos internos del ser humano. Es con el lenguaje como podemos detectar tensiones inconscientes y necesidades no resueltas que desde marketing podemos cubrir con estrategia de producto, comunicación y servicio. Desde la antropología del consumo, el lenguaje es un vehículo para trasmitir la cultura. Mediante el lenguaje se crean mitos y ritos que condicionan hábitos y ocasiones de consumo. Desde la semiótica, el lenguaje es un sistema de signos que adquieren significado dependiendo del contexto y condicionan la forma de pensar e interpretar la realidad. Las marcas pueden lograr una mayor adopción de mensaje en el consumidor si se enfocan en usar caminos semióticos ya establecidos, orgánicamente en su mente. La producción de texto ha crecido cerca de un 78% en redes sociales, blogs, noticias, referencias, comentarios de usuarios en comercios electrónicos, chats entre otros. Detrás de esta información existen enormes aprendizajes y ventajas competitivas ocultas. De unos 10 años a la fecha, se ha fortalecido una disciplina denominada Procesamiento de Lenguaje Natural o NLP por sus siglas en inglés. Se trata de un esfuerzo conjunto entre la lingüística, las ciencias computacionales y la estadística para crear modelos que permitan a las maquinas entender, procesar y producir lenguaje. Un proyecto de NLP requiere un proceso científico con los siguientes pasos: Análisis textual: Parsing: Tomar los textos y fragmentarlos en sus unidades sintácticas y semánticas. Separando el texto entre verbos, adverbios, entidades etc. Filtring: Consiste en eliminar aquellas unidades de texto que no aportan al significado global. Se cuantifica el texto en función de su probabilidad de aparición eliminando aquellos textos de baja probabilidad. Análisis contextual: Secuencia: El texto tiene significado en función del contexto, este se detecta en función de la secuencia de las palabras. En un mar de textos, detectar secuencias probables es el primer paso para crear contexto. Lógica de predicados: Usar las reglas del lenguaje para darle complemento a los verbos es clave en la dinámica de entender el Modelamiento 5. Aprendizaje no supervisado: Clasificar textos según su similaridad, estilística y narrativa. 6. Aprendizaje supervisado: Encontrar los elementos comunes entre diferentes grupos de textos, diferenciar entre autores, temas, momentos de tiempo etc.", "author" : { "@type" : "Person", "name" : "Gabriel Contreras", "sameAs" : "", "url" : "https://blog.sinnetic.com/mexico/author/gabriel-contreras" }, "dateModified" : "26/01/2022", "datePublished" : "26/01/2022", "headline" : "Natural Language processing para ejecutivos de marketing", "image" : { "@type" : "ImageObject", "height" : 400, "url" : "https://fs.hubspotusercontent00.net/hubfs/8862358/web/BLOG/sinnetic_NLP_marketing_blog.jpg", "width" : 750 }, "mainEntityOfPage" : "https://blog.sinnetic.com/mexico/natural-language-processing-para-ejecutivos-de-marketing", "publisher" : { "@type" : "Organization", "logo" : { "@type" : "ImageObject", "url" : "https://f.hubspotusercontent00.net/hubfs/8862358/web/logo-sinnetic--slogan-web.png" }, "name" : "SINNETIC LATAM", "url" : "blog.sinnetic.com" } } ``` ```json { "@context" : "http://schema.org", "@type" : "BlogPosting", "articleBody" : "En SINNETIC, nuestra unidad de servicios cognitivos, desarrolla modelos analíticos y de inteligencia artificial para resolver retos de negocio. Desde aquí observamos cómo la inteligencia artificial se está convirtiendo en uno de los principales instrumentos para modernizar las industrias. Para definir este concepto, es necesario entender lo que significa ser un sujeto inteligente para luego analizar qué elementos de la inteligencia podemos simular a manera de software para hacerlos artificiales. Un sujeto inteligente, cuenta con una central de computo (Sistema nervioso en los vertebrados) capaz de mantener encendidos y en simultáneo al menos 9 procesos básicos (procesos cognoscitivos) y son los siguientes: Sensación: Captura información del ambiente mediante canales sensoriales. En el caso de los seres humanos, contamos con 11 receptores sensoriales que nos permite estar informados de diferentes tipos de datos, el sonido, el color, el tiempo, el movimiento, el lugar en el espacio etc. Atención: Dado que el entorno tiene tanta información, necesitamos un sistema que nos permita escoger aquella información que es relevante y funcional. Percepción: Luego, necesitamos un sistema que nos permita interpretar la información que entra por medio de los canales sensoriales para que esta tenga significado. Memoria: Debemos igualar la información entrante con experiencias previas. Si la información entrante es significativa, tendremos que guardarla para tenerla de referencia en el futuro. Aprendizaje: Dada la relación que tenemos con el ambiente, debemos ir cambiando nuestro comportamiento en la medida en la que capturamos experiencias. Razonamiento: La información entrante mas la información almacenada, debe permitir al sistema experto resolver problemas a diferentes niveles de complejidad, creando heurísticos para tal fin. Lenguaje: Un sujeto inteligente, tiene un sistema de símbolos que le permiten nominar el entorno que lo rodea y comunicarse con otros sujetos inteligentes. Emoción: La interpretación de la información del entorno, hace que él sistema inteligente reaccione fisiológicamente para evitar peligros (miedo), evadir enemigos (ira) o maximizar oportunidades adaptativas en su entorno (alegría). Motivación: Un sistema inteligente, tiene un conjunto de impulsos que lo orientan a cubrir necesidades de adaptación, fijarse metas y objetivos, interactuar con otros sistemas inteligentes. Estos nueve procesos trabajan juntos para facilitar que un sujeto inteligente se adapte de forma versátil al ambiente cambiante, esto facilita su evolución. La inteligencia artificial, consiste en programar sistemas informáticos que emulen este entramado de procesos mediante recursos de software. Para lograrlo, se debe pensar el la unidad mínima y funcional del cerebro: la neurona, la cual crea redes con otras para transferir información y generar cada uno de los 9 procesos descritos anteriormente (Redes neuronales). Por diferentes razones químicas, estructurales o funcionales, un sistema inteligente puede no ser adaptativo algunas veces, es así como en entornos reales, estos procesos pueden trastornarse parcial o totalmente, algunos ejemplos pueden ser: Sensación: Dolor, transtornos de sensibilidad tactil, algias, sensaciones parestésicas. Atención: Hipoproxesia (disminución de la capacidad atencional), hiperproxesia (hiperactividad en la atención) Percepción: ilusiones, alucinaciones Memoria: Amnesias. Aprendizaje: Disgrafias, dislexias, discalculias Razonamiento: alteraciones en la solución de problemas Lenguaje: Afasias Emoción: Ansiedad Motivación: Depresión A nivel computacional, estas fallas son equivalentes a los virus, errores de programación o fragmentos de programación que alteran alguna de estas funciones. Para ejemplificar, hagamos un breve recorrido en uno de los casos de uso mas famosos en inteligencia artificial: reconocimiento de expresiones faciales, útil en seguridad, investigación de mercados etc.: 1. Sensación: Se necesita una cámara que actúe como sensor de los rostros. 2. Atención: Se necesita un filtro que omita la información de fondo y al rededor del rostro para que el sistema se pueda enfocar solo en el rostro. 3. Percepción: Se requieren diferentes sub-sistemas para reconocer diferentes elementos del rostro cómo la expresión, la simetría, la distancia entre puntos específicos, el tamaño de los ojos etc. 4. Memoria: Se necesitará cotejar la imagen entrante contra una base de datos que contiene registros históricos de diferentes rostros. 5. Aprendizaje: Si el emparejamiento de la imagen entrante, no coincide con alguno en la base de datos, se tendrá entonces que guardar este rostro como uno nuevo. 6. Razonamiento: Puede entrenarse el sistema para que resuelva problemas diversos cómo ¿Es un rostro criminal?, ¿Es hombre o mujer?, ¿Es joven o adulto?, ¿Qué emoción expresa? 7. Emoción: Podemos hacer que el sistema genere alarmas en caso que sea un rostro criminal por ejemplo, o hacer que el sistema genere un agradecimiento si la expresión emocional es favorable. 8. Motivación: Podemos programar el sistema para que reconozca un número determinado de rostros y si lo hace, ampliarle la memoria como recompensa o generar paralelización de tareas para distribuirlas entre diferentes unidades de computo. Casi cualquier caso de uso en inteligencia artificial, es un paralelo a los procesos psicológicos humanos. Por lo que crear sistemas inteligentes se lograría con mayor eficiencia aprovechando la enorme cantidad de investigaciones en psicología cognitiva, neuropsicología y psicología del aprendizaje disponible hasta el momento.", "author" : { "@type" : "Person", "name" : "Gabriel Contreras", "sameAs" : "", "url" : "https://blog.sinnetic.com/mexico/author/gabriel-contreras" }, "dateModified" : "26/01/2022", "datePublished" : "26/01/2022", "headline" : "¿Cómo entender la inteligencia artificial - Machine learning?", "image" : { "@type" : "ImageObject", "height" : 400, "url" : "https://fs.hubspotusercontent00.net/hubfs/8862358/Blog/inteligencia-artificial-sinnetic.jpg", "width" : 750 }, "mainEntityOfPage" : "https://blog.sinnetic.com/mexico/como-entender-la-inteligencia-artificial-machine-learning", "publisher" : { "@type" : "Organization", "logo" : { "@type" : "ImageObject", "url" : "https://f.hubspotusercontent00.net/hubfs/8862358/web/logo-sinnetic--slogan-web.png" }, "name" : "SINNETIC LATAM", "url" : "blog.sinnetic.com" } } ```