 |
|
|
Alrededor de seis meses han transcurrido desde que la pandemia de Covid-19 llegó a Occidente. Período más que suficiente para definir si la Inteligencia Artificial y los pronósticos de Machine Learning (ML) han sido eficientes en el ámbito de la logística y cuando las cadenas de suministro se han visto interrumpidas a nivel mundial, no habiendo eventos de referencia históricos de los que aprender.
Para Rodrigo Córdova, Senior Solutions Advisor de Blue Yonder, los resultados han sido satisfactorios, existiendo una serie de ejemplos que demuestran que la prueba está siendo superada.
“Hoy en día, un modelo AI / ML optimizado para retail reacciona instantáneamente a nuevas situaciones, eliminando la necesidad de correcciones manuales. Por ejemplo, el sistema diferencia automáticamente entre ubicaciones suburbanas con mayor demanda y destinos de vacaciones, donde la demanda está deprimida. El modelo captó este matiz adecuadamente. Sin la necesidad de anular las previsiones y generar pedidos manuales, hoy, los equipos de la cadena de suministro tienen más tiempo para centrarse en el abastecimiento alternativo y la logística”, señaló.
Post pandemia, los modelos Luminate Demand Edge (LDE) & Luminate Store Fulfillment (LSF) están reaccionando tan bien que “cuando se hicieron correcciones en el sistema, al poco tiempo las tuvieron que sacar, porque los modelos ya habían reaccionado y las correcciones estaban generando pedidos a la tienda que eran demasiado grandes”, añadió el ejecutivo.
Por otro lado, las categorías en LDE / LSF están experimentando mejores in-stock que las que se mantienen en otros sistemas.
Es lo que ha sucedido con una cadena de tiendas de variedades de origen holandés y presencia en 8 países que ya se veía beneficiada, previo a la pandemia con el uso de algoritmos de IA / ML en la precisión del pronóstico con alzas de un 30% y la no necesidad de intervenciones manuales para crear perfiles estacionales e incrementos para promociones / eventos. Entre los beneficios estaba una mejor disponibilidad de productos, baja en ventas perdidas, rebajas más efectivas y menos inventario obsoleto en non-food que tiene riesgo de convertirse en merma.
Los especialistas, de esa empresa, han debido poner muy poco foco en el pronóstico, porque el modelo de aprendizaje automático lo hace, y se centran en el abastecimiento alternativo (es decir, los proveedores de servicios de alimentos), la logística y la asignación de productos.
Con otro cliente de Blue Yonder, una gran cadena de supermercados del Reino Unido, ha sucedido algo parecido, y se le reconoció cómo había respondido a lo que indicaban los algoritmos teniendo en 2 a 3 semanas sus góndolas bien abastecidas en comparación al vacío de productos que mostraba su competencia. Un prestigioso medio inglés se refirió a esta empresa como “una máquina logística bien pulida, algo sustancial en una cadena responsable de alimentar a la nación”.
Otra sutileza detectada por la Inteligencia Artificial de manera autónoma, antes que fuera sometido a análisis por parte de los ejecutivos de distintas firmas de retail, es el tema del aplanamiento de la curva de demanda semanal. “En este momento, en la mayoría de los países, el perfil de ventas es muy plano y se distribuye de manera uniforme todos los días. Entender esto es muy importante frente a quienes aplican un perfil semanal estático”, agregó el Senior Solutions Advisor de Blue Yonder.
|
