Optimización Predictiva para Supply Chain

Desde 2008, hacemos todo lo posible para ofrecer los pronósticos más precisos que la tecnología pueda producir. Nuestra tecnología está en constante evolución para reflejar los últimos descubrimientos en matemáticas y ciencias de la computación.

6 GENERACIONES DE FORECASTING

Durante la última década, las tecnologías relacionadas con los datos han evolucionado a un ritmo frenético. Las empresas pasaron de utilizar tecnologías que se basaban fundamentalmente en las matemáticas, que no habían cambiado mucho desde el siglo XVIII, a tecnologías orientadas a Big Data impulsadas por Machine Learning y Deep Learning. Lokad se ha centrado en mantenerse por delante de las cosas y en llevar lo mejor que la ciencia puede proporcionar a la optimización de la cadena de suministro.

Dé un paseo por el carril de la memoria y descubra las diferentes generaciones de nuestra tecnología de pronóstico.

• Programación Diferenciable (2019): la convergencia de dos campos algorítmicos: el aprendizaje automático y la optimización numérica
• Deep Learning (2018): Pronóstico probabilístico impulsado por la robotización a través de la inteligencia artificial (IA) y las redes de GPUs Pronóstico Probabilístico (2016): Abrazando la incertidumbre con Machine Learning y estadísticas de alta dimensión
• Cuadriculas de Cuantiles (2015): Mirando a toda la distribución de probabilidad de la demanda e inyectando restricciones de la cadena de suministro
• Pronósticos de Cuantiles (2012): Pasando de los pronósticos medios a los pronósticos de sesgo que reflejan las asimetrías específicas del negocio
• Pronósticos Clásicos (2008): Pasando de un modelo matemático ajustado manualmente a un punto de referencia completamente automatizado de toda una biblioteca de modelos

LA MEZCLA ADECUADA DE INGREDIENTES

Una receta para el éxito

La tecnología de Lokad no se trata de aprovechar un (o varios) modelo estadístico mágico. Es una combinación de ingredientes que trabajan juntos para crear la alquimia adecuada. En nuestros primeros años, nos dimos cuenta bastante rápido de lo grande que era la brecha entre la modelización matemática pura y la realidad de las cadenas de suministro.

Lo que funcionaba maravillosamente en teoría era completamente ineficiente cuando se aplicaba a los negocios reales: los datos estaban sucios, no eran lo suficientemente profundos, demasiado dispersos, el volumen de referencias o entradas en el historial de ventas para algunos negocios hacía que clases enteras de modelos fueran extremadamente difíciles de usar, y luego las restricciones de la cadena de suministro en sí mismas hacían que mejorar las métricas de precisión clásicas de los pronósticos realmente degradara el rendimiento del negocio.

Lokad tuvo que encontrar las respuestas tecnológicas adecuadas a todos estos problemas y cambiar drásticamente su visión sobre el pronóstico y la optimización de la cadena de suministro.

Correlaciones

con Deep Learning

Al mirar un solo producto a la vez, simplemente no hay suficientes datos para producir un pronóstico estadístico preciso. De hecho, en la mayoría de los mercados de consumo, el ciclo de vida de un producto es inferior a 4 años, lo que significa que, en promedio, la mayoría de los productos ni siquiera tienen 2 años de historia disponible, es decir, la profundidad mínima para realizar un análisis de estacionalidad confiable al mirar una sola serie temporal. Abordamos el problema a través de correlaciones estadísticas: la información obtenida sobre un producto ayuda a refinar el pronóstico de otro producto. Por ejemplo, Lokad detecta automáticamente la estacionalidad aplicable para un producto incluso si el producto solo se ha vendido durante 3 meses. Si bien no se puede observar ninguna estacionalidad con solo 3 meses de datos, si hay productos más antiguos y de mayor duración en el historial, entonces la estacionalidad se puede extraer allí y aplicar a los productos más nuevos.

Potencia de Cálculo

a través de la Computación en la Nube y las GPUs

Si bien aprovechar las correlaciones dentro de los datos históricos mejora en gran medida la precisión, también aumenta la cantidad de cálculos que deben realizarse. Por ejemplo, para correlacionar 1,000 productos mirando todas las posibles combinaciones, hay un poco menos de 1,000,000 combinaciones. Peor aún, muchas empresas tienen muchos más de 1,000 productos. Al aprovechar la computación en la nube y las Unidades de Procesamiento Gráfico (GPUs), cuando los clientes nos envían sus datos, asignamos las máquinas justo cuando las necesitamos; luego, menos de 60 minutos después, devolvemos los resultados mientras desasignamos las máquinas correspondientemente. Como la nube que usamos (Microsoft Azure) nos cobra por minuto, solo consumimos la capacidad que realmente necesitamos. Como ninguna empresa necesita pronosticar más de una vez al día, esta estrategia reduce el costo del hardware en más de 24 veces en comparación con los enfoques tradicionales.

Probabilidades

para abrazar las restricciones empresariales

El pronóstico tradicional es un pronóstico mediano, es decir, un valor que tiene un 50% de posibilidades de estar por encima o por debajo de la demanda futura. Desafortunadamente, esta visión clásica no aborda las preocupaciones centrales de la cadena de suministro: evitar faltantes de stock y reducir el inventario. En 2016, Lokad introdujo la noción de pronósticos probabilísticos para la cadena de suministro donde se estiman las respectivas probabilidades de cada nivel de demanda futura. En lugar de predecir un valor por producto, Lokad predice toda la distribución de probabilidad. Los pronósticos probabilísticos superan ampliamente a los pronósticos clásicos para los productos de baja rotación, las ventas erráticas y la demanda irregular. Creemos que dentro de 10 años, todas las empresas serias sobre la optimización de inventario habrán pasado a ser probabilísticas, probablemente aprovechando un descendiente de esta tecnología.

DE UNA BIBLIOTECA MATEMÁTICA A UNA SOLUCIÓN DE EXTREMO A EXTREMO

Tenemos una gran biblioteca de modelos estadísticos. Incluye clásicos bien conocidos como Box-Jenkins, suavización exponencial, autorregresivo y todas sus variantes. Además, como los modelos clásicos aprovechan mal las correlaciones, hemos desarrollado mejores modelos que aprovechan todos los datos que se nos ponen a disposición. Desde el principio, hemos estado monitoreando continuamente la calidad de los pronósticos que entregamos y ejecutando simulaciones para evaluar cuidadosamente las debilidades restantes de nuestra tecnología. Seguimos mejorando nuestros modelos y alimentando nuestra biblioteca con nuevos modelos y nuevos paradigmas. Por lo tanto, nuestros clientes se benefician de una tecnología cada vez mejor.

Sin embargo, nos dimos cuenta hace mucho tiempo de que esto no era suficiente y que necesitábamos profundizar en la realidad de la cadena de suministro y las restricciones y especificidades de cada negocio. Por lo tanto, no solo no requerimos ningún tipo de habilidad estadística de nuestros clientes, sino que gestionamos todo el proceso para proporcionar una solución completamente utilizable, completa con órdenes de compra precisas, sugerencias de despacho o precios y paneles de control de indicadores clave de rendimiento para evaluar su precisión.

Nuestros Supply Chain Scientists están allí para ayudarlo a incluir todas sus ideas comerciales en una implementación a medida. Esto es posible gracias al uso de nuestro lenguaje de programación orientado a la cadena de suministro, Envision. Su flexibilidad nos permite ajustar los scripts completamente capaces de reflejar las especificidades de su negocio, con el fin de ofrecer un complemento perfecto a nuestra tecnología de pronóstico.