Este artículo resume parte del uso actual de las herramientas de Analytics basadas en Inteligencia Artificial (AI) y Machine Learning (ML) en la planificación de la demanda, destacando el potencial para mejorar la precisión en un entorno cada vez más complejo, con carteras diversificadas, canales de distribución variados y feroz competencia.
Ya es posible observar la mejora en la precisión a través del aumento del volumen de datos tratados y variables consideradas en los modelos, permitiendo la identificación de patrones imperceptibles para el “ojo humano” y, también, la automatización del tratamiento de datos de la serie de ventas, mejorando la línea de base y haciendo posible el uso de información de ventas más granular.
Además de mejorar la precisión del plan táctico mensual, el uso de IA y ML en la planificación de la demanda también puede ayudar a identificar tendencias de consumo a largo plazo, orientando la definición de cartera y el desarrollo de nuevos productos. Además, puede mejorar los mecanismos de reposición a corto plazo con técnicas de detección de demanda.
Otro beneficio potencial es la capacidad de simular escenarios futuros basados en diferentes conjuntos de variables, como cambios en la economía, patrones climáticos o cambios en las preferencias de los consumidores. Estas simulaciones pueden ayudar a las empresas a adaptarse rápidamente a los cambios del mercado y tomar mejores decisiones sobre la asignación de recursos.
A continuación, resumo los beneficios potenciales y cito ejemplos de empresas que ya están adoptando IA y ML en sus actividades de planificación:
- Mayor precisión de las previsiones: identificación de patrones complejos e inclusión de un mayor número de variables exógenas, mejorando la precisión de las previsiones de demanda. Amazon ha desarrollado algoritmos para ayudarlo a lidiar con diferentes patrones estacionales, estimar el impacto de promociones y eventos específicos, como lanzamientos de productos, y anticipar el movimiento de productos a sus centros de distribución;
- Automatización del procesamiento de datos: la automatización del procesamiento de datos de las series de ventas permite el uso de información más granular, lo que puede conducir a mejores pronósticos y ajustes en la línea de base. Walmart automatiza el procesamiento de datos de ventas de sus tiendas, lo que permite que el equipo de planificación se concentre en analizar tendencias y tomar decisiones estratégicas;
- Identificación de tendencias de consumo a largo plazo: el análisis avanzado de datos puede ayudar a las empresas a identificar tendencias emergentes, orientando la definición de carteras y el desarrollo de nuevos productos. Pharmapacks ha desarrollado algoritmos para identificar la creciente demanda de productos naturales y orgánicos, dirigiendo esfuerzos para desarrollar y promover productos que respondan a esta tendencia;
- Mejora de los mecanismos de reposición a corto plazo: Las técnicas de detección de demanda se pueden mejorar con la ayuda de AI y ML, optimizando la reposición de inventario y reduciendo los excesos o faltantes de productos. Zara utiliza técnicas de detección de demanda para identificar cambios rápidos en la demanda de diferentes estilos y tamaños, optimizando la reposición de inventario y reduciendo la cantidad de artículos sin vender;
- Simulación de escenarios futuros: la simulación de escenarios basados en diferentes conjuntos de variables, como cambios en la economía o patrones climáticos, ayuda a tomar decisiones estratégicas. Tesla simula escenarios relacionados con cambios en las políticas gubernamentales, como exenciones fiscales para vehículos eléctricos, y ajusta su estrategia de producción y distribución en consecuencia;
- Optimización de las estrategias de marketing y promoción: Un conocimiento profundo de los factores que impulsan las ventas puede ayudar a las empresas a optimizar sus estrategias de marketing y promoción, aumentando la efectividad de estas acciones. Coca-Cola y P&G utilizan AI y ML para analizar el impacto de diferentes promociones y campañas de marketing en el comportamiento del consumidor, lo que permite a las empresas dirigir sus recursos hacia acciones más efectivas;
- Adáptese rápidamente a los cambios en el mercado: con análisis avanzados y pronósticos más precisos, las empresas pueden adaptarse más rápido a los cambios en el mercado y asignar recursos de manera más eficiente. Mercks utiliza AI y ML para monitorear y predecir las condiciones cambiantes del mercado, como la aprobación de nuevos medicamentos competidores, y adapta rápidamente su estrategia de lanzamiento y fijación de precios para seguir siendo competitivo.
Estos son solo algunos ejemplos de cómo AI y ML se han aplicado con éxito en la planificación de la demanda y la comprensión del mercado. Sin embargo, la adopción de AI y ML en la planificación de la demanda enfrenta importantes barreras, como la baja madurez del proceso actual, la falta de conocimiento técnico y la integración en la cadena para obtener datos.
Superar estos desafíos implica mejorar la madurez del proceso S&OP e IBP, capacitar al equipo en modelos clásicos de pronóstico de ventas y herramientas de análisis, y promover la colaboración en la cadena de suministro. La implementación de una plataforma de datos unificada que permita la recopilación, el procesamiento y el análisis de información de múltiples fuentes es crucial para el éxito de estas iniciativas.
– Mc Kinsey – Cómo utiliza Amazon el aprendizaje automático en su previsión de la demanda
– Revista Analytics India – Procter Gamble apalancó la desaceleración de la marea de análisis FMCG
-Forbes- Cómo usa Coca-Cola la IA para impulsar el éxito
– Revista Analytics India – Unilever ahorra 500 millones de euros utilizando análisis de IA
-Forbes- Zara utiliza la cadena de suministro para volver a ganar
– Grupo Merck – IA en la cadena de suministro
- Medio - Cómo utiliza Tesla la IA y el análisis de big data en sus vehículos autónomos
– Pasos analíticos – Cómo Tesla está haciendo uso de la inteligencia artificial en sus operaciones
Leonardo Julianelli
https://ilos.com.brSocio Ejecutivo de ILOS. Graduado en Ingeniería de Producción por EE/UFRJ, tiene maestría en Administración de Empresas por COPPEAD/UFRJ con extensión en EM Lyon, Francia, y Doctorado en Ingeniería de Producción por COPPE/UFRJ. Tiene varios artículos publicados en periódicos y revistas especializadas, siendo uno de los autores del libro: “Sales Forecasting: Organizational Processes & Qualitative and Quantitative Methods”. Sus áreas de investigación son: Planificación de la Demanda, Servicio al Cliente en el Proceso Logístico y Planificación de Operaciones. Trabajó durante 8 años en el CEL-COPPEAD/UFRJ, colaborando en la organización del área de Enseñanza de Logística. En consultoría, realizó varios proyectos en el área de logística, como Diagnóstico y Plan Maestro, Previsión de Ventas, Gestión de Inventarios, Planificación de la Demanda y Plan de Capacitación en empresas como Abbott, Braskem, Nitriflex, Petrobras, Promon IP, Vale, Natura, Jequití, entre otros. Como docente, impartió clases en empresas como Coca-Cola, Souza Cruz, ThyssenKrupp, Votorantim, Carrefour, Petrobras, Vale, Via Varejo, Furukawa, Monsanto, Natura, Ambev, BR Distribuidora, ABM, International Paper, Pepsico, Boehringer. , Metrô Rio , Novelis, Sony, GVT, SBF, Silimed, Bettanin, Caramuru, CSN, Libra, Schlumberger, Schneider, FCA, Boticário, Usiminas, Bayer, ESG, Kimberly Clark y Transpetro, entre otras.
