Cómo el aprendizaje profundo resuelve los desafíos del pronóstico minorista
Yuan Shen Brand ContributorNVIDIABRANDVOICE
ONECLICK.AI
Todos hemos visto el impacto de estar obsesionados con los datos en la industria minorista. Mientras que Amazon configura el futuro de su negocio y de la industria en general utilizando información obtenida de grandes cantidades de datos, muchos minoristas están luchando por implementar una mentalidad basada en los datos en toda la organización.
La inteligencia artificial es la clave para liberar valor de los conjuntos de datos minoristas, en particular los utilizados para pronosticar la demanda futura. Los pronósticos precisos son críticos para los minoristas (y las industrias que dependen de ellos para la distribución, como los bienes de consumo empaquetados), ya que dependen de estas predicciones para los ingresos y la gestión operativa. Prevea demasiada demanda y quedará con un exceso de inventario, mientras que un pronóstico a corto plazo puede dejar al consumidor con las manos vacías. Las ganancias en la precisión de los pronósticos tienen efectos positivos generalizados, pero factores como la estacionalidad, los ciclos de vida cortos de los productos y un alto volumen de SKU hacen que sea difícil predecir las ventas futuras.
Los datos ahora son más ricos: tradicionalmente, las empresas se basaban únicamente en conjuntos de datos estructurados, como las cifras de ventas. Sin embargo, los datos no estructurados, como descripciones de productos, detalles del fabricante o copia promocional, se presentan más fácilmente como texto en lugar de en forma numérica. El texto descriptivo del producto como "Apple Watch Series 3 42mm GPS Space Grey Aluminium Black Sport Band MQL12LL / A" proporciona mucha más información que solo el SKU. Las similitudes y diferencias entre nombres de productos o descripciones dan pistas sobre qué productos comparten las mismas tendencias o compiten por el mismo segmento de clientes.
Modelos de pronóstico obsoletos: el software de pronóstico tradicional y los métodos estadísticos tradicionales, ARIMA (promedio móvil integrado autorregresivo) y otros, solo pueden manejar datos numéricos y son lineales por naturaleza. Los modelos lineales no pueden manejar la complejidad o descubrir patrones sutiles en los datos. Incluso los algoritmos tradicionales de Aprendizaje Automático, como los árboles de expansión o SVM (máquinas de vectores de soporte) requieren grandes esfuerzos de ingeniería de características para capturar los matices dentro de los datos, lo que es un proceso largo y laborioso.
El problema del "arranque en frío" para los nuevos productos: el pronóstico de la demanda de nuevos productos es notoriamente difícil debido a la falta de datos históricos. Sin embargo, el lanzamiento exitoso de nuevos productos es fundamental para el crecimiento del negocio, ya que representa en promedio el 27% de las ventas en todas las industrias .
El aprendizaje profundo, un subconjunto del aprendizaje automático que imita la forma en que el cerebro aprende, es primordial para resolver estos desafíos comunes de pronóstico. Mientras que el diseño de algoritmos de aprendizaje automático tradicionales requiere una intervención frecuente por parte de un humano con experiencia en el dominio, los modelos de aprendizaje profundo aprenden y entrenan sin un gran esfuerzo de ingeniería mientras producen modelos con una precisión sin precedentes.
El aprendizaje profundo permite el desarrollo de modelos de pronóstico sofisticados y personalizados que incorporan conjuntos de datos minoristas no estructurados. Se basa en unidades de procesamiento gráfico (GPU) para procesar tareas complejas a escala. Las GPU vienen a jugar en dos áreas de aprendizaje profundo: capacitación, de modo que el modelo puede aprender información de los datos en bruto existentes, e inferencia: aplicar el modelo a nuevos conjuntos de datos.
Las soluciones basadas en el aprendizaje profundo pueden encontrar patrones complicados en conjuntos de datos. Para los minoristas más grandes, el aprendizaje profundo admite millones de SKU al mismo tiempo, lo que es beneficioso ya que permite a los modelos aprender de las similitudes y diferencias para descubrir correlaciones para la competencia o la promoción. Los guantes de invierno generalmente se venden bien cuando las chaquetas puff se venden bien. El lanzamiento de teléfonos inteligentes con pantallas más grandes probablemente perjudicará las ventas de tabletas de tamaño similar. En el caso de datos faltantes, el aprendizaje profundo también puede determinar mejor si un artículo estaba agotado o simplemente no se vendió. Esto último podría indicar un problema mayor con la forma en que se vende o comercializa ese producto, o que simplemente no es atractivo para los consumidores.
En el caso de un "arranque en frío", los datos históricos son limitados o no existen, y el aprendizaje profundo puede aprovechar otros atributos. El aprendizaje profundo es capaz de encontrar SKU similares y utilizar esa información para iniciar el pronóstico. Por ejemplo, los SKU pueden asociarse con una categoría de nivel superior como "vestimenta", o con un nivel inferior como "abrigo" o "abrigo oculto". O puede estar relacionado con el tipo de material, el precio, la descripción, etc.
A pesar del gran potencial del aprendizaje profundo, existen desafíos para utilizarlo en las operaciones comerciales diarias. El desarrollo de aplicaciones de IA no es una práctica de ingeniería bien establecida. Los proyectos de AI a menudo se asocian con largos ciclos de desarrollo, altas tasas de fracaso, resultados impredecibles y desafíos en el mantenimiento.
El éxito de las aplicaciones de IA depende en gran medida de la experiencia y las habilidades de los científicos de datos involucrados. Encontrar un científico de datos calificado en el mercado actual es difícil para la mayoría de las empresas. Aprovechar las tecnologías de aprendizaje profundo impone desafíos adicionales. Además de la laboriosa limpieza de datos y la ingeniería de características, el proceso de diseño manual de modelos de redes neuronales es difícil dado que existen muchos diseños de modelos potenciales, según la aplicación. Puede llevar una cantidad significativa de tiempo, recursos computacionales y experimentos realizados por científicos de datos para trabajar a través de las posibles combinaciones.
Ingeniería de mejores soluciones con AutoDL
La mayoría de los usuarios de negocios a los que se les asigna la tarea de realizar pronósticos simplemente no tienen conocimientos de codificación o ciencia de datos. Diseñar, entrenar y desplegar modelos de IA de alto rendimiento requiere un conocimiento profundo que es difícil de encontrar con la escasez actual de científicos de datos. Una nueva generación de tecnología llamada AutoDL (aprendizaje profundo automatizado) puede construir, entrenar y seleccionar automáticamente modelos de alto rendimiento sin intervención manual, lo que a menudo conduce a mejores resultados que los científicos de datos humanos en una fracción del tiempo. Esencialmente, los usuarios se centran en el problema de negocios en lugar de sentirse abrumados por la complejidad del modelado de AI. Traen su propio conjunto de datos, identifican el objetivo de predicción y AutoDL procesa los datos y genera los modelos. Este enfoque reduce significativamente el costo y el riesgo de desarrollar proyectos de IA y permite a los usuarios no técnicos.
AutoDL acelera el desarrollo de modelos de redes neuronales al imitar a un científico de datos experimentado. Examina los datos de los usuarios y realiza múltiples intentos para mejorar los modelos de redes neuronales según el rendimiento de los modelos anteriores, solo hace todo automáticamente en horas en lugar de meses. AutoDL y el aprendizaje profundo requieren más poder computacional que todas las tecnologías de aprendizaje automático que las preceden. Una configuración típica de AutoDL a menudo incluye múltiples GPU implementadas en un entorno informático distribuido. Sin las GPU, la formación de redes neuronales tardaría entre 20 y 30 veces más en completarse.
Los avances en el aprendizaje profundo están marcando el comienzo de una nueva ola de plataformas de software, y OneClick.ai, el socio de NVIDIA Inception, utiliza AutoDL para permitir que los usuarios comerciales encargados de la previsión usen la última tecnología de inteligencia artificial sin necesidad de conocimientos de codificación o ciencia de datos. Un cliente de OneClick.ai CPG, uno de los 10 principales productores lácteos del mundo, utilizó la plataforma para generar pronósticos de ventas diarios que superaron a los métodos tradicionales.
"Proporcionamos a OneClick nuestros datos históricos y predicciones fáciles de generar para las ventas diarias que son mucho más precisas que los puntos de referencia de la industria, lo que nos da una ventaja sobre los competidores", dice Shuangli Chen, Gerente General de la Unidad de Negocios de Productos Lácteos Frescos en Mengniu Dairy. Mayor productor y distribuidor de productos lácteos a nivel mundial. "Estamos muy emocionados. "Estos resultados se obtuvieron en una fracción del tiempo que tomaron anteriormente, y también nos inspiraron para expandirnos a nuevas aplicaciones de inteligencia artificial en otras áreas de nuestro negocio".
Si bien los pronósticos basados en el aprendizaje profundo pueden dar como resultado ganancias significativas en la precisión, los obstáculos a la adopción generalizada sugieren la necesidad de invertir en soluciones de aprendizaje profundo que automaticen el proceso integral de desarrollo de modelos de pronóstico de IA. Con este enfoque, los minoristas pueden armar las unidades de mercadotecnia, S&OP, finanzas y otras unidades de negocios con la información basada en datos que ahorrará dinero y aumentará los ingresos, no en el futuro, sino en la actualidad.
