La tecnología, y en concreto la Inteligencia Artificial, pueden ayudar a que se den las 7 condiciones que debe cumplir el sector logístico: el producto/servicio correcto, en el lugar correcto, en la cantidad y calidad correcta, en el modo correcto, en el momento correcto, para el cliente correcto y con el coste correcto.
En este terreno, se utilizan sobre todo técnicas de Machine Learning para hacer, por ejemplo, predicciones de compras y ventas, y la optimización numérica para planificar y tomar decisiones eficientes.
Recientemente, APD organizó un taller sobre Técnicas predictivas y prescriptivas para la gestión del stock, que impartieron dos expertos del Instituto de Ingeniería del Conocimiento (IIC): Álvaro Barbero, chief data scientist, y Pablo Haya, director del área de Social Business Analytics.
Inteligencia Artificial en el sector logístico
Los datos que se utilizan para crear un modelo de Inteligencia Artificial son los que marcan la diferencia. Los algoritmos pueden ser en esencia los mismos, pero cambia su configuración en base al objetivo, el área donde se aplican o los datos de los que se dispone.
Por ello, ante la selección de datos de calidad, es importante el conocimiento de negocio: un buen proyecto pasa por entender el problema, qué factores pueden ser más relevantes y transmitirlo así a cualquier modelo. Por ello, la colaboración entre el experto en IA y los que conocen el negocio es esencial para que los resultados sean mejores. Todo lo construido se basa en esa información.
El Machine Learning y la optimización son útiles cuando tenemos muchos datos para representar situaciones que puedan repetirse en el futuro. Solo el historial de ventas ya es informativo para predecir las ventas futuras, y sirve a modelos predictivos y prescriptivos para entrenar.
Técnicas predictivas y prescriptivas en logística
Tanto la selección de los datos como de las técnicas de Inteligencia Artificial utilizadas dependen del objetivo y resultados que se quieran obtener. De los tres niveles de analítica Big Data, las técnicas predictivas y prescriptivas son las que más pueden aportar al sector logístico.
- Analítica predictiva. Mientras la analítica descriptiva nos muestra qué está pasando a través de la visualización de datos (cuáles han sido las ventas a lo largo del año, la variación de ingresos, etc), la predictiva va más allá y se utiliza para estimar lo que va a ocurrir: si sé cuánto he vendido en los últimos meses, cuáles van a ser las ventas en los próximos días, qué clientes se comportarán de manera parecida, etc. La analítica predictiva se suele abordar con técnicas de Machine Learning. El modelo aprende de situaciones pasadas y las compara con las actuales, para predecir lo que ya pasó o hacer lo que ya funcionó. Las predicciones serán útiles para la gestión de stock, permitiendo una mejor planificación.
- Analítica prescriptiva. A partir de esas predicciones, también se puede encontrar la mejor estrategia de actuación. La analítica prescriptiva se basa en la optimización para simular distintos escenarios y evaluar qué acciones y decisiones darán los mejores resultados.
Al final, la optimización del stock persigue un objetivo: maximizar el beneficio o minimizar los costes. Con esto claro, hay que contemplar una serie de restricciones que pueden influir en los costes (stock máximo, coste del transporte, tiempos de entrega, etc.) y que se formalizan para encontrar automáticamente la solución óptima o la mejor solución posible.
Casos de uso de la Inteligencia Artificial en gestión de stock
Una vez vistas las técnicas, hay que pensar en casos de uso. Estos son ejemplo del impacto que puede tener la Inteligencia Artificial en esas 7 condiciones logísticas que se apuntaban, y que tienen que ver directamente con la gestión de stock y otras fases del proceso logístico.
Dentro de la gestión de la demanda, por ejemplo, puede ser una ventaja competitiva predecir las ventas o conocer a los clientes. En estos casos, se pueden utilizar también datos de fuera del negocio:
- Planificación de la demanda. Además del histórico de ventas, hay que tener en cuenta fuentes de datos externas para una buena predicción: localización de las tiendas, estacionalidad, características socioeconómicas, etc.
- Servicio al cliente. Se puede caracterizar a los clientes y deducir el dinero que van a dejar en la empresa (valor de tiempo de vida) en base a cuánto gasta o cuánto compra. Con esto, a su vez, se puede segmentar el mercado y asociar nuevos clientes a los perfiles antiguos.
Si hablamos de gestión de suministro, se recurre a optimizar los pedidos a proveedores y contar con los mejores recursos humanos:
- Gestión del abastecimiento y del inventario. Con técnicas de optimización, se puede generar un calendario de pedidos a los proveedores, basado en algunas restricciones: coste almacenamiento, tiempo de entrega, stock máximo, etc.
- Manufactura y capacidad operativa. Soluciones que tienen que ver con los recursos humanos: pruebas de selección a medida, predicción de la rotación o el absentismo, optimizar turnos o medir la opinión de los empleados.
Por último, en cuanto a la gestión del cumplimiento, las soluciones se enfocan en buscar la mejor planificación de recursos y pedidos:
- Operaciones en el almacén. Proyectos que van desde mejorar el recepcionamiento y la distribución de bienes en el almacén hasta la robotización en el empaquetado o la carga.
- Empaquetado y distribución. Se desarrollan modelos de optimización de pedidos, de planificación de rutas o para mejorar la gestión de devoluciones.
Todos estos casos podrían convertirse en proyectos reales que se mueven entre la analítica predictiva y la analítica prescriptiva. Un ejemplo es Ness, producto desarrollado por el IIC para la gestión de efectivo en entidades financieras, y que funcionaría de forma similar aplicado a la gestión del stock en empresas del sector logístico.