En artículos anteriores tratamos la importancia que tiene la analítica de datos de cara a apoyar la toma de decisiones de un negocio o empresa. Recordamos que las empresas cuentan con una cultura de toma de decisiones basada en los datos de los que disponen, algo que ofrece una ventaja competitiva frente a aquellas que cuentan con menos datos sobre su actividad. Como ejemplo, se puede valorar el trabajo que se está realizando en el proyecto de fábrica inteligente junto a la empresa Congalsa.
Sin embargo, contar con los datos adecuados no es suficiente a la hora de tomar decisiones coherentes y acertadas. El proceso de toma de decisiones debe seguir una serie de etapas que tengan como base la analítica de la información de la que disponemos:
- Identificar el objetivo claro de negocio
- Identificar los datos o fuentes de datos de los cuales partimos para tomar decisiones porque ya están disponibles o porque es necesario crearlos a partir de ese momento
- Extraer los datos relevantes y de calidad
- Enseñar al sistema de inteligencia artificial o analítica a que nos ayude a tomar decisiones mediante modelos como son las regresiones lineales, análisis semántico, detección de valores fuera de rango, cálculo de KPIs, predicción de eventos…
- Ordenar los resultados de las previsiones automáticas y visualizarlos en función del perfil profesional que va a consumirlos
Previsión del número de ventas
Una vez se ha pasado por este proceso se puede poner en práctica la información cosechada. Las dos principales utilidades que se le da a esta información están relacionadas con la predicción de precio de compras y de la cantidad de transacciones. Para no alargarnos demasiado, dejaremos la previsión de precio de compras para otro artículo, y hoy nos centraremos en la previsión de ventas:
En primer lugar, es importante definir la necesidad que queremos cubrir. El objetivo es señalar la cantidad de artículos que se van a vender en cierto horizonte temporal (un día, una semana o un mes) en un determinado punto de venta y de una determinada referencia (ya sea una camiseta, un tipo de engranaje o cualquier otro producto).
Datos
Para realizar una buena previsión es importante partir de unas buenas fuentes de datos que afectan directamente a la predicción:
- Las características del producto
- Las características de los establecimientos: Situación; tipo de tienda (física, web, corner, etc.).
- Las relaciones y correlaciones entre un producto y otros productos similares. Cuando hablamos de similares nos referimos a similar comportamiento a nivel de ventas en el mercado (no es lo mismo una camiseta de lino de manga corta y de algodón de manga corta; a pesar de ser las dos camisetas, y de manga corta)
- El histórico de ventas (nacional/internacional) de ese producto en ese las diferentes tiendas
Pero sin olvidarnos de los datos de contexto que tienen un influencia indirecta:
- Información adicional sobre campañas de publicidad, periodos de ofertas/descuentos, etc (fechas de inicio y fin, número de clientes objetivo, descuentos aplicados, etc). Estos datos son relevantes en sectores como el retail o la ropa, en los que suele haber períodos de promociones especiales que influyen enormemente en el número de artículos despachados.
- Información sobre la web (visitas, clicks, carritos de la compra, etc.).
- Información temporal (por ejemplo, estación del año, mes, etc.) y de festividades nacionales/regionales/locales. Esta información es relevante en algunos sectores, por ejemplo el de la ropa (los fines de semana o los días antes de ciertas fechas, por ejemplo el día de la madre, las ventas aumentan).
Extracción y tratamiento de los datos
En la fase de la extracción de datos de forma relevante, se necesitan mecanismos ETL (de extracción, transformación y carga de datos), limpieza de los mismos, comunicación mediante APIs a/desde los sistemas de la empresa. Por ejemplo, esta información suele estar recogida en ERPs, CRM, sistemas propietarios u hojas de cálculo. La realidad es que nos encontramos la descripción de los artículos con poca información. Generalmente las descripciones manuales generan errores, ya que los operarios no siempre coinciden en sus descripciones. Si, por ejemplo, tienen que hacer una descripción en texto, es muy probable que utilicen palabras diferentes para describir los mismos procesos.
Un punto importante es la transformación o generación de nuevas características a partir de las fuentes de datos mencionadas anteriormente. Estas nuevas características serán las entradas (o covariables) de los algoritmos de predicción. Algunas de estas covariables son extraídas directamente de las fuentes de datos (por ejemplo, ventas de una referencia en el mes anterior). Otras necesitan ser “transformadas” en una covariable con información relevante que ayude al algoritmo a aprender correctamente (por ejemplo, a partir de la información relacionada con los periodos promocionales, se genera una nueva covariable que indica el número de días que una tienda lleva con determinada promoción, o días que faltan para que finalice). Este proceso es muy relevante para mejorar significativamente los resultados del algoritmo de predicción.
Así, es importante enseñar al sistema para que nos ayude en la toma de decisiones. Para ello se aplican normalmente algoritmos de regresión multivariante que infieren relaciones de dependencia lineales y/o no lineales entre las fuentes de datos y la variable a predecir (en este caso, las ventas en una tienda o conjunto de tiendas).
Clustering
Sin embargo, existen dos casos particulares en relación a la predicción de ventas: ¿cómo predigo las ventas de un nuevo artículo sobre el que no hay datos históricos y, por tanto, no tengo información previa sobre cómo se va a comportar en el mercado? ¿cómo predigo las ventas en un establecimiento nuevo, sobre el que no hay datos históricos y, por tanto, no tengo información previa sobre cómo se va a comportar? En estos casos se utilizan por lo general algoritmos de clustering que permiten descubrir y agrupar de manera automática tiendas o artículos similares según sus características o comportamientos de venta. Empleando estas técnicas, se pueden asociar tiendas/artículos nuevos, sobre los que no hay datos, con otras tiendas/artículos ya existentes sobre los que sí hay datos, para “estimar” sus transacciones.
La predicción suele integrarse como una nueva variable de entrada en el proceso de reparto de existencias. Este proceso se encarga de distribuir las existencias de un conjunto de referencias almacenadas en un punto de distribución entre un conjunto de establecimientos. En este proceso, pueden emplearse algoritmos de optimización (programación lineal, cuadrática, algoritmos genéticos, optimización bayesiana, etc.) que distribuyan las diferentes referencias automáticamente de forma que se maximicen las despachos estimados de cada una de ellas en cada uno de los comercios. Se trata de un sistema prescriptor completo que recomienda cómo se ha de distribuir la mercancía entre las diferentes tiendas para optimizar la venta. Para esto se tiene en cuenta, además, otras fuentes de datos adicionales a las mencionadas con anterioridad, como por ejemplo metros cuadrados de los establecimientos, capacidad de exposición y almacenaje, etc.
Por último, cabe destacar que la visualización de los resultados y orden de los datos es relevante para incluir el sistema en la operativa de los empleados. Para ello se pueden incluir SW específicos de visualización de datos u otros ya disponibles en el mercado (klipfolio, power BI, tableau, QlikView…)
La realidad de estos procesos de automatización para apoyo de la toma de decisiones nos dice que las previsiones de venta se apoyan en años de experiencia de los profesionales del sector. Es complejo modelar un algoritmo con la experiencia de los profesionales que involucran variables muy diversas cuya ponderación sobre el resultado final En muchos casos es relevante tener una gran cantidad de referencias para poder estimar forma exacta. Por ejemplo, en el ámbito retail moda, si se disponen en una tienda de escasas referencias (talla, color, modelo) es necesario aplicar algoritmos que agrupen inicialmente modelos.
En Gradiant trabajamos en la captura, análisis y visualización de datos para apoyo a la toma de decisiones de negocio y recursos humanos.
Autora: Antía Fernández López, codirectora de Sistemas Inteligentes de Gradiant.
