Mejorando una tecnología de pronóstico

Joannes Vermorel

Desde la creación de Lokad, nuestro objetivo ha sido mejorar incansablemente nuestra tecnología de pronóstico para ofrecer formas superiores de optimización de la gestión de la cadena de suministro. Hace casi una década, ya señalaba que ser una empresa de aprendizaje automático es algo peculiar: el progreso es constante pero también no lineal e irregular. Además, la mayoría de los enfoques que se consideran sentido común en otros ámbitos son simplemente equivocados en lo que respecta al aprendizaje automático. Sin embargo, esto no implica que este progreso se deje al azar: hay un método para ello.

Mejorar nuestra tecnología de pronóstico comienza con la mejora de los datos. Sin una adecuada preparación de datos, el proceso se convierte en un ejercicio de basura entra, basura sale. Asegurarse de que las promociones, los faltantes de stock, los tiempos de entrega se representen correctamente en un conjunto de datos determinado requiere mucho tiempo y experiencia. En la práctica, dado que las complicaciones de los datos tienden a ser específicas del dominio, se necesita un equipo completo de científicos de la cadena de suministro en Lokad para consolidar una variedad de conjuntos de datos que representen sectores tan diversos como la aeroespacial, la moda, la alimentación minorista, etc.

Luego, cuando inventamos¹ un nuevo método estadístico, generalmente resulta que este método muestra un rendimiento superior en un conjunto de datos determinado y un rendimiento inferior en otro conjunto de datos. Desafortunadamente, cuando esto sucede, el nuevo método estadístico tiende a ser frágil: puede ser algo afortunado o víctima de un problema de sobreajuste. Por lo tanto, aunque pueda ser tentador crear un caso especial para un cliente específico de Lokad, porque un método estadístico parece tener un ajuste superior para este cliente, no operamos de esa manera. Nuestra década de experiencia nos ha demostrado que esos resultados invariablemente resultan ser frágiles y que el método supuestamente superior puede no seguir siéndolo por mucho tiempo. Si la empresa cliente experimenta cambios sustanciales, que bien podrían ser causados por las propias acciones de Lokad, el rendimiento del nuevo método puede desmoronarse.

Por lo tanto, nos enfocamos en descubrir métodos estadísticos que brinden resultados superiores en una gran variedad de situaciones, en muchos sectores algo no relacionados, idealmente brindando una mejora uniforme en todas partes en lugar de una mezcla de mejoras y retrocesos, incluso si la mezcla está fuertemente sesgada hacia las mejoras. Esta metodología es más desafiante que simplemente “ingenierizar” características² hasta la muerte en un conjunto de datos dado, mientras se recicla infinitamente el mismo algoritmo(s) de aprendizaje automático, que es lo que la mayoría de las agencias de análisis de datos entregarían en la actualidad.

Este enfoque nos obliga a revisar los fundamentos mismos del pronóstico estadístico. Por ejemplo, la transición hacia la entropía cruzada como una métrica superior para medir la precisión del pronóstico fue fundamental para aprovechar al máximo el aprendizaje profundo. Más recientemente, nos actualizamos hacia las redes de densidad de mezcla, un enfoque poderoso pero subutilizado³ para capturar comportamientos de cola complejos en las cadenas de suministro. Estas redes de densidad de mezcla proporcionan una solución viable para estimar de manera confiable la probabilidad de eventos raros, lo cual es fundamental en industrias como la aeroespacial.

Nuestra tecnología de pronóstico sigue siendo un trabajo en progreso. Aún hay muchos desafíos que no se abordan de manera perfecta. Por ejemplo, las canibalizaciones y la respuesta del mercado a los cambios de precio siguen siendo desafíos muy difíciles. Sin embargo, no nos rendimos y, incluso después de 10 años de investigación y desarrollo, seguimos avanzando.