00:00:04 Impacto de las promociones en los forecast.
00:00:51 Variabilidad de las promociones en las industrias.
00:02:12 Desafíos en la predicción de la demanda impulsada por promociones.
00:03:58 Análisis: Riesgos de los métodos tradicionales de supply chain.
00:06:00 Crítica: Promedios móviles y métodos de forecast.
00:08:01 Crítica: Modelos simples de forecast de promociones.
00:08:36 La dependencia de las empresas en los promedios móviles.
00:10:26 Necesidades de datos para el forecast de promociones.
00:13:25 El papel del machine learning en el forecast de promociones.
00:15:09 El papel de los datos promocionales en el forecast no promocional.
00:17:34 La velocidad de aprendizaje de los sistemas de machine learning.
00:20:09 Dificultades y estrategias en el forecast de promociones.
00:20:35 Implementación del forecast de promociones en las organizaciones.
00:23:17 Ejecución estratégica de promociones utilizando machine learning.
Resumen
La entrevista entre Kieran Chandler y Joannes Vermorel, el fundador de Lokad, gira en torno a promociones, forecast y supply chain optimization. Vermorel explica que las promociones pueden distorsionar la demanda real, presentando así un desafío en el forecast de demanda. Muchas empresas resuelven esto revisando el historial de ventas para neutralizar los impactos promocionales, pero este enfoque arriesga generar forecasts engañosos. Las empresas emplean principalmente métodos de promedios móviles para la supply chain optimization, que están resultando insuficientes para anticipar los aumentos promocionales. Forecasts mejorados requieren mayor complejidad, como machine learning, pero también demandan datos de alta calidad sobre estrategias promocionales. Vermorel destaca la influencia a largo plazo de las promociones y la necesidad de una planificación estratégica antes de implementar machine learning en el forecast de promociones.
Resumen Ampliado
La conversación entre Kieran Chandler y Joannes Vermorel, el fundador de Lokad, gira en torno al tema de las promociones y sus implicaciones en el forecast y la supply chain optimization.
La discusión comienza con un examen de cómo las promociones tienen un impacto drástico en las ventas, potencialmente positivo si se ejecutan correctamente y negativo si se manejan mal. También están moldeando las expectativas de los clientes sobre los descuentos, afectando así los comportamientos de compra. Chandler y Vermorel reconocen que las estrategias promocionales difieren significativamente entre industrias, con ciertos sectores, como los bienes de lujo, evitando descuentos, mientras que otros, como los hipermercados, aprovechan las promociones diarias.
La conversación posteriormente se adentra en la complejidad de las promociones desde una perspectiva de forecast. Vermorel explica que, a pesar de que las promociones generalmente están vinculadas con un aumento en las ventas, este aumento no corresponde necesariamente a un incremento en la demanda real. Esta discrepancia surge porque las ventas observadas durante una promoción pueden exceder la demanda real, ya que los consumidores aprovechan la oportunidad de precios más bajos, incluso si no necesitan el producto de inmediato. Tal comportamiento puede distorsionar la percepción de la demanda real.
La conversación luego se centra en las implicaciones para la supply chain. Vermorel señala que al planificar para future demand, los supply chain practitioners deben tener en cuenta la distorsión causada por las promociones. Sin embargo, muchas empresas confían en métodos tradicionales de supply chain, intentando ocultar el efecto de las promociones reescribiendo el historial de ventas, borrando así efectivamente los picos de ventas promocionales. Este enfoque, al tratar de normalizar los datos de ventas, introduce riesgos ya que sustituye datos históricos reales por construcciones artificiales, lo que puede conducir a forecasts engañosos.
Chandler expresa su preocupación sobre estos posibles peligros, lo que lleva a Vermorel a ahondar en por qué las empresas eligen este método. Detalla que la mayoría de las empresas implementa tecnologías basadas principalmente en variaciones de promedios móviles para su supply chain optimization. Estos métodos, aunque algo adecuados para periodos no promocionales, no logran prever los aumentos promocionales, lo que conduce a forecasts inferiores. Esta brecha de rendimiento es lo que impulsa a muchos de los clientes de Lokad a buscar forecasts promocionales mejorados.
Vermorel comienza reconociendo el papel significativo de los modelos estadísticos en la mejora de la forecast accuracy, señalando que, aunque son efectivos, no son la única solución para el accurate forecasting. Comenta el uso generalizado de los promedios móviles en la industria debido a su simplicidad y accesibilidad, especialmente considerando que una gran proporción de supply chains todavía opera utilizando herramientas básicas como Microsoft Excel. Sin embargo, indica que, aunque los promedios móviles son simples, obtener mejores resultados requiere una complejidad significativamente mayor.
La conversación luego se traslada al concepto de machine learning, que representa un avance sustancial en complejidad y resultados potenciales en comparación con los promedios móviles. Machine learning requiere no solo una comprensión más sofisticada de los métodos estadísticos, sino también un estándar más alto de calidad de datos. En particular, Vermorel subraya la necesidad de datos integrales y de alta calidad sobre las estrategias promocionales.
Las empresas necesitan recopilar datos extensos sobre todos los aspectos que contribuyen a los mecanismos de las promociones. Esto incluye no solo ajustes de precio, sino también los esfuerzos de marketing que acompañan a las promociones y las estrategias de visibilidad empleadas. Vermorel examina varios ejemplos específicos de la industria, como las ventas de fin de temporada en la moda o las estrategias de colocación de productos en los mercados minoristas.
Vermorel también enfatiza la importancia de la calidad de los datos. Explica que, aunque inexactitudes menores o lagunas en los datos pueden no causar instantáneamente la quiebra de una empresa, sí pueden obstaculizar gravemente el rendimiento de los algoritmos de machine learning que dependen de datos precisos. Sugiere que lograr datos históricos promocionales robustos normalmente requiere un esfuerzo considerable durante varios meses.
La entrevista luego se orienta hacia la evolución de la recopilación de datos y su importancia en el forecast de promociones. Vermorel propone que, con datos precisos, los forecasts pueden predecir de manera más efectiva qué promociones utilizar y cuándo podrían funcionar mejor. Los algoritmos de machine learning procesan los datos identificando y señalando los periodos en los que las ventas estuvieron infladas o probablemente suprimidas debido a actividades promocionales. Esta estrategia, explica Vermorel, ayuda a mejorar la precisión de los forecasts incluso fuera de los periodos promocionales.
A primera vista, este concepto parece poco intuitivo. Sin embargo, Vermorel lo justifica explicando que las promociones tienen un efecto dominó sobre otros productos no promocionados. Por ejemplo, una promoción significativa en un producto puede canibalizar las ventas de productos competidores, haciendo el forecast más complejo. Comprender estos efectos indirectos de las promociones añade, por lo tanto, otra capa al forecast de supply chain.
Vermorel enfatiza la necesidad de anticipar eventos futuros y su potencial impacto en la supply chain. Propone que, si las empresas pudieran comunicar tales eventos futuros a un motor de forecast potenciado por machine learning, este podría aprovechar esos datos e incorporar el evento próximo en sus predicciones.
Chandler pregunta sobre la capacidad de aprendizaje del machine learning y qué tan rápido puede dar resultados. Vermorel aclara que, en esencia, se trata principalmente de un juego de estadísticas. La velocidad a la que el algoritmo de machine learning aprende depende de la frecuencia de las promociones. Por ejemplo, si hay solo una promoción al año para un producto, el aprendizaje será lento. Sin embargo, el algoritmo aprende más rápido con promociones regulares, ya que puede utilizar datos de promociones pasadas similares.
Además, Vermorel aclara que la predicción de promociones no se trata de forecast de una sola serie de tiempo, sino de examinar el impacto típico de una promoción bajo condiciones similares, como descuentos o canales de comunicación. Ofrece ejemplos de la industria de la moda, donde las promociones de fin de temporada son comunes, y de ecommerce, donde los productos se promocionan continuamente en la página principal del sitio web.
Dirigiéndose a CEOs o a futuros CEOs, Vermorel describe un proceso para introducir el forecast de promociones dentro de sus organizaciones. Destaca la necesidad de recopilar datos, enfatizando la importancia de datos específicos sobre conjuntos de datos amplios. Recomienda recopilar datos detallados sobre las propias promociones: los productos, los mecanismos promocionales y otras variables, como el envío gratuito.
Vermorel subraya la necesidad de contar con un proceso de aseguramiento de la calidad para garantizar la precisión y relevancia de los datos. Además, anima a los líderes a reflexionar sobre el propósito subyacente o el objetivo final de su estrategia promocional, ya que difiere entre las diversas industrias. Ofrece ejemplos de las industrias de la moda y de mercancías generales, cada una con objetivos únicos detrás de sus promociones.
Exhorta a las organizaciones a considerar los impactos a largo plazo de sus promociones. Estas actividades, afirma, educan a los clientes de cierta manera, lo que puede tener efectos duraderos. Por lo tanto, las empresas deben pensar estratégicamente sobre el tipo de influencia que desean ejercer sobre sus clientes a través de las promociones.
El machine learning entra en juego una vez que las organizaciones han aclarado su pensamiento estratégico y recopilado los datos relevantes. Vermorel reitera que el machine learning, a pesar de ser mecánicamente inteligente, no desarrollará estrategias de alto nivel, enfatizando que es esencial que las empresas diseñen su estrategia antes de emplear machine learning para el forecast de promociones.
Transcripción Completa
Kieran Chandler: Hoy en Lokad TV vamos a hablar sobre promociones y el impacto que pueden tener en los forecast. Las promociones pueden ser increíblemente variables y difíciles de predecir. Si se hacen bien, pueden aumentar enormemente tus ventas, pero si se hacen mal, pueden reducir la credibilidad de tus productos y alienar a tu base de clientes, llevándolos a esperar grandes reducciones en el precio. Las promociones a menudo acaparan los titulares por todo tipo de razones equivocadas. Durante el Black Friday, se puede ver a clientes peleándose por productos a precios elevados en grandes almacenes. Sin embargo, estos periodos son indudablemente importantes para los minoristas, que a menudo reportan aumentos masivos en los productos. Entonces, Joannes, las promociones son increíblemente variables dependiendo de la industria en la que te encuentres. Para comenzar, ¿podrías explicar, de alguna manera, las empresas de las que estamos hablando aquí?
Joannes Vermorel: Sí, efectivamente las promociones vienen en una variedad de matices dependiendo de tu vertical. Van desde industrias como la de lujo, que nunca hacen promociones —quiero decir, no encontrarás un Rolex en oferta—, hasta industrias que tienen promociones a diario, como los hipermercados, donde se pueden ver promociones diarias en diversos artículos. Las promociones pueden estar relacionadas con el precio, que es lo que típicamente se encuentra en un hipermercado donde compras dos y te llevas uno gratis. Pero las promociones también en ecommerce tienen que ver con destacar algo. Si envías un boletín informativo a medio millón de suscriptores para destacar un producto, verás un gran incremento en las ventas, incluso si no has disminuido el precio del producto ni siquiera un 1%. Así que, en efecto, es la misma palabra, pero señala realidades muy diferentes dependiendo de la empresa con la que estés hablando.
Kieran Chandler: Bien, en general se considerarán algo muy positivo porque normalmente vemos un aumento en las ventas. ¿Por qué complican las cosas? ¿Por qué se observa dificultad con las promociones?
Joannes Vermorel: Complican las cosas porque lo que se quiere predecir, si se desea optimizar la supply chain, es la demanda futura. El problema es que no se observa la demanda futura ni siquiera la demanda pasada; se observan las ventas pasadas. Las ventas no son la demanda. Las ventas vienen con todo tipo de sesgos. Si no te queda stock, tendrás un faltante de stock, por lo que tendrás cero ventas, pero la demanda sigue ahí. Las promociones tienen precisamente el efecto opuesto, ya que se pueden ver muchas más ventas de las que en realidad corresponde a la demanda. Por ejemplo, si tienes una bajada masiva de precios, incluso si la gente no lo necesita en ese momento, quizás empiece a acumular su propio stock en casa con el producto que estás vendiendo, solo porque sienten que es una buena oportunidad. Así que las ventas pueden darte una percepción equivocada de lo que realmente es la demanda. La mayoría de los supply chain practitioners saben que no deben simplemente aplicar un promedio móvil sobre las promociones, porque la promoción está empujando la demanda observada ingenuamente por las nubes. Sabes que al final de la promoción, las ventas caerán. Ese es el fenómeno más básico que debes tener en cuenta; de lo contrario, tu planificación estará completamente equivocada.
Kieran Chandler: Entonces, ¿estás diciendo que hay una percepción realmente equivocada de la demanda? ¿Cómo están haciendo las empresas para ajustar eso a la realidad? ¿Cómo se están adaptando?
Joannes Vermorel: El método tradicional de supply chain consiste en reescribir el historial de ventas para enmascarar el efecto de las promociones. La mayoría de las empresas toman su historial de ventas, observan el periodo promocional, detectan el pico y tratan de borrar los picos de su historial de ventas. De esa manera, cuando aplican algo muy parecido a un promedio móvil, éste no se ve excesivamente sesgado por la promoción que acaba de ocurrir. No estoy diciendo que sea lo correcto, pero es lo que la mayoría de las empresas todavía hacen en la actualidad.
Kieran Chandler: Y eliminar los picos, que son provocados por las promociones, suena muy peligroso. ¿No se terminarían obteniendo dos versiones de la verdad? ¿Por qué están haciendo esto en realidad?
Joannes Vermorel: Estás completamente en lo cierto; es muy peligroso. La razón es que estás reemplazando datos históricos de ventas, que son precisos, por datos ficticios que acabas de inventar. Es una distorsión de la realidad y luego vas a basar tu planificación en estos datos inventados. Sí, hay un peligro real. Es un peligro metodológico. Si tus correcciones están mal orientadas, entonces tus forecast se construirán sobre entradas defectuosas, lo cual podría agravar el problema en términos de planificación de supply chain.
Entonces, ¿por qué lo hacen en absoluto? Si miras el tipo de tecnologías que la mayoría de las empresas aún utilizan para la optimización de su supply chain, básicamente es una versión glorificada de los promedios móviles. Los promedios móviles reciben diferentes nombres - suavizado exponencial, Holt-Winters - pero esencialmente son todas variaciones de promedios móviles. Estos métodos son solo un poco más matizados para tratar con estacionalidad, pero la esencia sigue siendo un promedio móvil.
Por eso, si lo único que tienes es un promedio móvil, necesitas hacer que tus datos históricos de ventas sean compatibles con él, que es el único modelo matemático del que dispone tu empresa. Pero es una perspectiva defectuosa porque hay mucho más que solo promedios móviles.
Kieran Chandler: Pero estos métodos estadísticos son, sin duda, en los que muchas de estas empresas basan sus decisiones futuras. Entonces, ¿realmente funcionan? Deben ser lo suficientemente buenos si las empresas los están utilizando en todo el mundo.
Joannes Vermorel: La realidad es que no son realmente lo suficientemente buenos. La mayoría de las empresas que se convirtieron en nuestros clientes nos decían, en realidad, que una de las motivaciones clave era obtener mejores forecast promocionales, porque era un problema real para ellas.
Tu promedio móvil puede hacer frente, pero no puede anticipar el aumento o el efecto de la promoción. Aunque puede que no arruine completamente el forecast para los períodos no promocionales debido a la promoción, todavía no ofrece nada para enfrentar realmente una promoción inminente. Entonces, el promedio móvil te salva un poco, pero no aborda el problema en su núcleo. No produce un forecast promocional real, solo evita que las promociones sesguen todos los forecast no promocionales. Y, por cierto, este método es muy débil; ni siquiera funciona correctamente y viene acompañado de muchos problemas.
Kieran Chandler: Entonces, ¿por qué estas empresas están tan contentas de trabajar con estos promedios móviles? ¿Por qué no cambian? ¿Por qué sigue siendo un problema que existe?
Joannes Vermorel: Creo que un promedio móvil es algo que cualquier ingeniero puede idear en unas dos horas. Así que la simplicidad es muy poderosa. Terminarás reinventando en dos horas un promedio móvil y alguna especie de receta para hacer que tu promedio móvil funcione, lo cual es una fuerza muy poderosa.
Recuerda, aproximadamente el 80% de las supply chains a nivel mundial todavía operan sobre Microsoft Excel, así que un promedio móvil en Excel es muy, muy fácil de escribir. Probablemente esa sea la razón.
Otra razón es que si quieres hacerlo mejor, es significativamente más difícil. De repente tienes que saltar del promedio móvil al machine learning. Es decir, debes pasar de un método muy simple que cualquiera puede entender, a machine learning, que es mucho más complicado.
Kieran Chandler: Estamos discutiendo un algoritmo que puede funcionar en dos horas, incluso si nunca has trabajado con machine learning antes. Pero para implementarlo con éxito, también necesitas prestar mucha atención a la calidad de los datos sobre tus promociones. ¿Podrías describir cómo funciona este proceso y cómo podemos proceder con mejores métodos?
Joannes Vermorel: Por supuesto. Independientemente de cualquier alternativa a los promedios móviles, tenemos que depender significativamente de los datos. Este factor hace que el juego sea mucho más complejo.
Kieran Chandler: Si nuestro objetivo es hacerlo mejor, ¿qué tipo de datos deberíamos recopilar? ¿Deberían ser los esfuerzos de marketing, los cambios de precio u otra cosa?
Joannes Vermorel: La empresa necesita recopilar todo lo que contribuye a la mecánica promocional. El precio es una cosa, sí. Si rebajas el precio de un producto pero no informas a nadie sobre el descuento, nadie se da cuenta, excepto las personas que ya tenían la intención de comprar el producto.
Así que, una promoción no se trata solo del precio. También se trata de difundir la noticia. Informar al mercado de que tienes una promoción es crucial. En ciertas industrias, como la moda, hay liquidaciones de fin de temporada. Todos esperan estas liquidaciones, que son un tipo específico de promoción. Pero en algunos ámbitos, es un juego completamente diferente.
Por ejemplo, en los hipermercados, no se trata solo de tener una disminución de precio. A menudo, se trata de mover un producto al frente de la góndola —el lugar super premium al final del pasillo donde los productos son muy visibles. Mejor aún, podrías colocar una gran pila de los productos promocionados en la entrada de la tienda.
Así que, ahora la pregunta es: ¿tu sistema ERP rastrea adecuadamente todos estos datos? Si no logras llevar un registro adecuado de lo que vendes o compras, tu empresa podría quebrar. Si no sabes lo que estás vendiendo o comprando, tanto clientes como proveedores podrían defraudarte, lo que llevaría a la bancarrota.
Por otro lado, si la fecha de tu promoción se registra incorrectamente en los registros de tu ERP, no quebrará tu empresa. Pero si quieres alimentar un algoritmo de machine learning que forecast las promociones con datos inexactos, no funcionará.
Así que, necesitas un proceso de aseguramiento de la calidad para tus datos promocionales. Según nuestra experiencia en Lokad, este proceso puede requerir mucho esfuerzo. Para la mayoría de las empresas, se requieren meses de trabajo para obtener datos históricos promocionales de calidad.
Kieran Chandler: Entonces, ¿lo que dices es que ha habido una verdadera evolución en la industria porque no se trata de una métrica crítica a medir, sino de una evolución en cómo la medimos?
Joannes Vermorel: Sí, es muy difícil de medir.
Kieran Chandler: Hipotéticamente, si una empresa ha medido todas estas cosas y ha reunido toda esa información, ¿significa eso que a través de tu forecast serás capaz de decirnos qué promociones realizar, cuándo funcionan mejor y qué tipo de información serás capaz de generar?
Joannes Vermorel: Sí. Lo primero que hay que entender es que, en lugar de corregir los datos históricos, un algoritmo de machine learning los analiza desde la perspectiva de datos históricos enriquecidos. No intentas modificar tus ventas. Vas a señalar los períodos en los que las ventas del producto se inflaron y los períodos en los que probablemente fueron censuradas.
Por ejemplo, al final de una promoción, si la gente ha acumulado su propio stock de mercancías, podrías ver una caída en la demanda. Incluso podrías tener un período en el que observes algún tipo de demanda censurada. Así que, necesitas considerar todos estos factores.
Kieran Chandler: Entonces, el primer beneficio de las promociones, que puede que no sea inmediatamente evidente, es el potencial de mejorar la calidad de tu forecast incluso durante períodos no promocionales. Esto se logra mediante el uso de un algoritmo que es mejor en predecir sesgos. ¿Lo que dices es que se utilizan datos promocionales incluso cuando no se están realizando promociones, correcto?
Joannes Vermorel: Sí, puede parecer contraintuitivo, pero consideremos un ejemplo. Si tienes una promoción importante para una variedad de tomate, probablemente canibalizará las ventas de todos los demás productos no promocionados. Es bastante obvio que una promoción significativa para un producto en particular tendrá un efecto de canibalización masivo en todos los demás productos que compiten con el artículo promocionado. Por lo tanto, las promociones hacen que el forecast sea más complejo, no solo para el producto promocionado, sino también para todos los productos no promocionados.
Kieran Chandler: Ya veo, entonces no es tan contraintuitivo como parece a primera vista, pero requiere cierta consideración. Ahora, pasemos al tema de anticipar futuras promociones. Si sabes que se avecina una promoción, puedes anticipar el aumento, o el incremento en las ventas, que resultará. Sin embargo, esto plantea la cuestión de tu proceso para decidir sobre futuras promociones. ¿Podrías elaborar cómo se toman estas decisiones y cómo se ingresan en tu motor de forecast?
Joannes Vermorel: Claro. La primera parte del proceso es decidir sobre las promociones futuras. La segunda parte implica asegurarse de que estas decisiones se ingresen en nuestro motor de forecast. Esto no se trata solo de datos pasados, sino también de expectativas futuras. Si estamos planificando un evento que impactará significativamente la supply chain, el motor de forecast necesita saberlo con antelación. Un motor de forecast impulsado por machine learning, si se le informa a tiempo, podrá adaptarse y reflejar el evento próximo en su forecast.
Kieran Chandler: Eso es fascinante, especialmente la idea de una promoción de la década. Pero considerando la complejidad del machine learning, ¿qué tan rápido pueden estas máquinas aprender y adaptarse? ¿Cuándo se puede empezar a esperar ver resultados?
Joannes Vermorel: En gran parte depende del número de promociones. Es un juego de estadísticas. Si realizas una promoción solo una vez al año para un producto, es difícil aprender algo. Recuerda, forecast de promociones no se trata de prever una serie temporal. Cada producto podría ser promocionado solo una o dos veces en su vida útil. Si deseas entender el impacto de una promoción, necesitas considerar cuál es el impacto típico de una promoción en condiciones similares —descuento de precio, mecánica promocional, canales de comunicación, etcétera. Por ejemplo, en la industria de la moda, que realiza promociones de fin de temporada, tienes varios puntos de datos ya que ocurre entre cuatro y ocho veces al año. Para un hipermercado, cada producto es potencialmente un punto de datos.
Tienen cientos de productos que se promocionan cada día, y estos rotan, no siempre son los mismos productos. Es algo que ocurre constantemente en ecommerce. Normalmente, siempre hay uno o dos productos que aparecen en la portada de tu sitio web de ecommerce, por lo que existe un fuerte mecanismo promocional que ocurre todo el tiempo. Pero se vuelve muy difícil cuando empiezas a pensar en forecast de promociones. Una pregunta que hacen nuestros clientes es si nuestro motor de forecast podría tal vez forecast las promociones, pero lo que realmente les gustaría es decidir cuál es la mejor promoción, lo cual es una pregunta completamente diferente y muy difícil.
Kieran Chandler: Digamos que algunos de nuestros espectadores podrían ser CEOs. ¿Cuál es el proceso que deberían seguir si quieren implementar forecast de promociones en su organización?
Joannes Vermorel: Primero, necesitan recopilar todos los datos relevantes. No me refiero a recopilar datos de Twitter o lo que la gente dice en Facebook. Se trata más de saber cuál es la lista de productos que se promocionan, cuál es la mecánica promocional exacta. Probablemente tengan sus propias categorías, como “compra uno y llévate otro gratis”, o se trate de una reducción de precio en porcentaje, o cualquier tipo de promoción, como el envío gratis, por ejemplo. El primer paso es recolectar lo que yo llamo datos cuasi transaccionales. No son datos transaccionales porque no aparecen en las facturas o en los pagos, pero están muy bien especificados. Necesitas recopilarlos, hacerlos parte de tu sistema y tener un proceso de aseguramiento de la calidad encima de ellos.
El segundo paso es realmente pensar en por qué haces promociones, cuál es el objetivo final. El problema es que típicamente el objetivo final varía mucho según tu vertical. Por ejemplo, en la moda, el objetivo es liquidar todo tu inventario antiguo para que siempre puedas vender productos que estén al día con la última tendencia. En mercancías generales, las promociones típicamente no son iniciadas por el minorista, sino por su proveedor, como parte de una negociación para aumentar la notoriedad de un nuevo producto. Los objetivos finales son muy diferentes, lo cual significa que cuando deseas evaluar cómo ejecutar, necesitas pensar en el impacto de tus promociones.
Estás tratando de influir en tus clientes, y realmente deberías pensar exactamente qué tipo de influencia deseas crear. Por ejemplo, si educas a tus clientes para que siempre compren tus productos baratos porque saben que siempre viene una promoción, entonces tus clientes aprenderán que solo necesitan ser un poco pacientes y lo obtendrán a un precio bajo. Requiere un pensamiento realmente estratégico y este pensamiento estratégico debe ocurrir antes del machine learning.
Una vez que aciertes en esto, podrás tener un sistema de machine learning que sea inteligente y capaz de procesar todos los datos que recopilaste y que estén alineados con tu pensamiento estratégico. El machine learning es muy mecánico, así que no podrá ejecutar ninguna estrategia de alto nivel; ese es tu trabajo.
Kieran Chandler: Me temo que tendremos que concluir por hoy. Cuando hablas de educar a los clientes, probablemente me consideraría como uno de los clientes menos educados que hay. Eso es todo por esta semana, gracias por vernos y nos vemos de nuevo la próxima vez. Adiós.