Desafíos para el uso de la inteligencia artificial y el aprendizaje automático en la planificación de la demanda

No post anterior, comenté cómo el uso de herramientas de análisis basadas en Generación de Contenidos (IA) y Aprendizaje automático (Machine learning & LLM) (ML) en el proceso de planificación de la demanda podría mejorar la precisión, pero había barreras para su adopción por parte de las empresas.

En este texto, pretendo enumerar algunos de estos desafíos y formas de superarlos:

• Baja madurez en el proceso de planificación actual

¿Qué es? Proceso rudimentario y desintegrado de planificación de la demanda, donde las áreas organizacionales analizan la información y toman decisiones de manera independiente. Con ello, no hay espacio para un aprendizaje continuo sobre el impacto de las acciones comerciales y de trade marketing bajo demanda, ni un conocimiento profundo de las variables exógenas a considerar en la planificación. Éxito en el uso efectivo de Analítica avanzada, con AI y ML, depende de entradas de información adecuadas y procesos de toma de decisiones alineados, que solo existen en procesos maduros de S&OP e IBP.

¿Qué hacer? Involucrar a las áreas comercial, trade marketing y financiera en los procesos de S&OP/IBP, asegurando la discusión sobre el impacto de las acciones del mercado bajo demanda y una visión financiera detallada de los planes, lo que permitirá crear un proceso analítico y de toma de decisiones que beneficiará del uso de Analytics.

• Falta de conocimiento técnico del equipo.

¿Qué es? En muchas empresas, los equipos responsables del proceso de pronóstico de ventas tienen conocimientos elementales sobre modelos extrapolativos y causales, dependiendo en gran medida de herramientas especializadas para proyectar la demanda, lo que resulta en la subutilización de su potencial. Cuando hablamos de IA y ML, además de requerir conocimientos técnicos más sofisticados, como la programación en Python y R, es necesario dominar los factores que influyen en el comportamiento de venta, ya sea para “entrenar” el algoritmo o habilitar el acceso a información exógena. a través de API (Programa de aplicaciónraminterfaz de ming). Desafortunadamente, los científicos de datos, como se llama a los profesionales con este conocimiento, todavía son raros y muy discutidos.

¿Qué hacer? Iniciar cuanto antes los entrenamientos del equipo en el modelos clásicos de pronóstico de ventas, en herramientas de Analytics y, en paralelo, “minería” de algunos científicos de datos para el equipo.

• Falta de integración y colaboración en la cadena de suministro

¿Qué es? La relación entre socios comerciales aún se basa en relaciones antagónicas, con disputas de margen en los procesos comerciales, lo que conduce a la protección de información crítica para la planificación de la demanda, como datos de vendido e inventarios, como forma de maximizar el poder de negociación en las negociaciones. Además, las estructuras de las bases de datos se construyeron pensando más en la protección que en compartir información, lo que requiere un esfuerzo considerable para conectar datos que puedan alimentar algoritmos de Analytics. En otras palabras, mucha de la información deseable no está disponible o no es accesible en una estructura compatible.

¿Qué hacer? Es necesario avanzar rápidamente en mecanismos de colaboración en la cadena de suministro, como el CPFR, además de iniciar un movimiento más profundo -y difícil- de repensar la arquitectura de datos, favoreciendo el intercambio de información.

¿Es para ti? ¿Cuáles son los mayores obstáculos para usar Analítica avanzada en la planificación de la demanda? ¡Comparte con nosotros en las redes sociales de ILOS! ¡Gran abrazo!