Pronóstico de Promociones

00:00:04 Impacto de las promociones en los pronósticos.
00:00:51 Variabilidad de las promociones en diferentes industrias.
00:02:12 Desafíos en la predicción de la demanda impulsada por promociones.
00:03:58 Análisis: Riesgos de los métodos tradicionales de gestión de la cadena de suministro.
00:06:00 Crítica: Medias móviles y métodos de pronóstico.
00:08:01 Crítica: Modelos de pronóstico de promociones simples.
00:08:36 Dependencia de las empresas de las medias móviles.
00:10:26 Necesidades de datos para el pronóstico de promociones.
00:13:25 El papel del aprendizaje automático en el pronóstico de promociones.
00:15:09 El papel de los datos promocionales en el pronóstico no promocional.
00:17:34 Velocidad de aprendizaje de los sistemas de aprendizaje automático.
00:20:09 Dificultades y estrategias en el pronóstico de promociones.
00:20:35 Implementación del pronóstico de promociones en las organizaciones.
00:23:17 Ejecución estratégica de promociones utilizando aprendizaje automático.

Resumen

La entrevista entre Kieran Chandler y Joannes Vermorel, el fundador de Lokad, gira en torno a las promociones, el pronóstico y la optimización de la cadena de suministro. Vermorel explica que las promociones pueden distorsionar la demanda real, lo que plantea un desafío en el pronóstico de la demanda. Muchas empresas están resolviendo esto revisando el historial de ventas para neutralizar los impactos promocionales, pero este enfoque corre el riesgo de crear pronósticos engañosos. Las empresas están utilizando principalmente métodos de medias móviles para la optimización de la cadena de suministro, los cuales resultan insuficientes para anticipar los aumentos promocionales. Los pronósticos mejorados requieren más complejidad, como el aprendizaje automático, pero también demandan datos de alta calidad sobre las estrategias promocionales. Vermorel destaca la influencia a largo plazo de las promociones y la necesidad de una planificación estratégica antes de implementar el aprendizaje automático en el pronóstico de promociones.

Resumen Extendido

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 pronóstico y la optimización de la cadena de suministro.

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, lo que afecta los comportamientos de compra. Chandler y Vermorel reconocen que las estrategias promocionales difieren significativamente entre industrias, con ciertos sectores como los bienes de lujo que evitan los 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 pronóstico. Vermorel explica que aunque las promociones generalmente están vinculadas a un aumento en las ventas, este aumento no necesariamente corresponde a un aumento en la demanda real. Esta discrepancia surge porque las ventas observadas durante una promoción pueden superar la demanda real, ya que los consumidores aprovechan la oportunidad de precios más bajos, incluso si no necesitan el producto de inmediato. Este comportamiento puede distorsionar la percepción de la demanda real.

La conversación luego se centra en las implicaciones de la cadena de suministro. Vermorel señala que al planificar la demanda futura, los profesionales de la cadena de suministro deben tener en cuenta la distorsión causada por las promociones. Sin embargo, muchas empresas se basan en métodos tradicionales de cadena de suministro, tratando de ocultar el efecto de las promociones al reescribir el historial de ventas, borrando así los picos de ventas promocionales. Este enfoque, aunque intenta normalizar los datos de ventas, introduce riesgos al sustituir datos históricos reales por construcciones artificiales, lo que puede llevar a pronósticos engañosos.

Chandler expresa preocupación por estos posibles peligros, lo que lleva a Vermorel a profundizar en por qué las empresas eligen este método. Detalla que la mayoría de las empresas implementan tecnologías basadas principalmente en variaciones de promedios móviles para la optimización de su cadena de suministro. Estos métodos, aunque son adecuados para períodos no promocionales, no logran prever los aumentos promocionales, lo que lleva a pronósticos deficientes. Esta brecha de rendimiento es lo que lleva a muchos de los clientes de Lokad a buscar mejores pronósticos promocionales.

Vermorel comienza reconociendo el papel significativo de los modelos estadísticos en mejorar la precisión de los pronósticos, señalando que si bien son efectivos, no son la única solución para pronósticos precisos. Discute el uso generalizado de promedios móviles en la industria debido a su simplicidad y accesibilidad, especialmente dado que una gran proporción de las cadenas de suministro todavía operan utilizando herramientas básicas como Microsoft Excel. Sin embargo, indica que si bien los promedios móviles son simples, obtener mejores resultados requiere significativamente más complejidad.

La conversación luego se traslada al concepto de aprendizaje automático, que presenta un avance sustancial en complejidad y resultados potenciales en comparación con los promedios móviles. El aprendizaje automático exige no solo una comprensión más sofisticada de los métodos estadísticos, sino también un estándar más alto de calidad de datos. En particular, Vermorel destaca la necesidad de datos completos 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 precios, 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 ubicación de productos en los mercados minoristas.

Vermorel también destaca la importancia de la calidad de los datos. Explica que si bien inexactitudes menores o lagunas en los datos pueden no causar instantáneamente la quiebra de una empresa, pueden obstaculizar gravemente el rendimiento de los algoritmos de aprendizaje automático que se basan en datos precisos. Sugiere que lograr datos históricos promocionales sólidos generalmente requiere un esfuerzo considerable durante varios meses.

La entrevista luego se centra en la evolución de la recopilación de datos y su importancia en el pronóstico promocional. Vermorel propone que con datos precisos, los pronósticos pueden predecir de manera más efectiva qué promociones utilizar y cuándo podrían funcionar mejor. Los algoritmos de aprendizaje automático procesan los datos identificando y señalando períodos 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 pronósticos incluso fuera de los períodos promocionales.

A primera vista, este concepto parece contradictorio. Sin embargo, Vermorel lo justifica explicando que las promociones tienen un efecto en cascada en otros productos no promocionados. Por ejemplo, una promoción significativa en un producto puede canibalizar las ventas de productos competidores, lo que hace que el pronóstico sea más complejo. Comprender estos efectos indirectos de las promociones agrega otra capa al pronóstico de la cadena de suministro.

Vermorel enfatiza la necesidad de anticipar eventos futuros y su impacto potencial en la cadena de suministro. Propone que si las empresas pudieran comunicar dichos eventos futuros a un motor de pronóstico impulsado por aprendizaje automático, este podría aprovechar esos datos e incorporar el próximo evento en sus predicciones.

Chandler pregunta sobre la capacidad de aprendizaje del aprendizaje automático y qué tan rápido puede obtener resultados. Vermorel aclara que es principalmente un juego de estadísticas. La velocidad a la que el algoritmo de aprendizaje automático aprende depende de la frecuencia de las promociones. Por ejemplo, si solo hay una promoción por año para un producto, el aprendizaje sería 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 pronosticar una sola serie de tiempo, sino de examinar el impacto típico de una promoción en condiciones similares, como descuentos o canales de comunicación. Proporciona ejemplos de la industria de la moda, donde las promociones de fin de temporada son comunes, y el comercio electrónico, donde los productos se promocionan continuamente en la página principal del sitio web.

Dirigiéndose a los CEO o aspirantes a CEO, Vermorel describe un proceso para introducir el pronóstico de promociones dentro de sus organizaciones. Destaca la necesidad de recopilación de 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 destaca la necesidad de tener un proceso de aseguramiento de calidad para garantizar la precisión y relevancia de los datos. También anima a los líderes a reflexionar sobre el propósito subyacente o el objetivo final de su estrategia de promoción, ya que difiere en diversas industrias. Proporciona ejemplos de las industrias de moda y mercancía en general, cada una con objetivos únicos detrás de sus promociones.

Insta 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 en el tipo de influencia que desean ejercer sobre sus clientes a través de las promociones.

El aprendizaje automático entra en juego una vez que las organizaciones han aclarado su pensamiento estratégico y recopilado los datos relevantes. Vermorel reitera que el aprendizaje automático, a pesar de ser mecánicamente inteligente, no diseñará estrategias de alto nivel, enfatizando que es esencial que las empresas elaboren estrategias antes de utilizar el aprendizaje automático para el pronóstico de promociones.

Transcripción completa

Kieran Chandler: Hoy en Lokad TV. Vamos a hablar sobre promociones y el impacto que pueden tener en los pronósticos. Las promociones pueden ser increíblemente variables y difíciles de predecir. Si se hacen correctamente, pueden aumentar enormemente las ventas, pero si se hacen mal, pueden reducir la credibilidad de sus productos y alienar a su base de clientes, haciendo que esperen grandes reducciones de precios. Las promociones a menudo aparecen en los titulares por todo tipo de razones equivocadas. Durante el Viernes Negro, se puede ver a los clientes peleando por productos con precios en las tiendas por departamentos. Sin embargo, estos períodos son sin duda importantes para los minoristas, que a menudo informan de aumentos masivos en los productos. Entonces, Joannes, las promociones son increíblemente variables dependiendo de la industria en la que te encuentres. Para comenzar, tal vez puedas explicar las empresas de las que estamos hablando aquí.

Joannes Vermorel: Sí, de hecho, las promociones vienen en una variedad de sabores dependiendo de tu sector. Van desde industrias como el lujo, que nunca hacen ninguna promoción. Quiero decir, no encontrarás un Rolex en oferta, hasta industrias que tienen promociones a diario, como los hipermercados, donde verás promociones diarias en cosas. Las promociones pueden ser sobre el precio, eso es lo que normalmente obtienes en un hipermercado donde compras dos y obtienes uno gratis. Pero las promociones también en el comercio electrónico se tratan de destacar algo. Si envías un boletín a medio millón de suscriptores para destacar un producto, verás un gran aumento en las ventas, incluso si en realidad no has disminuido el precio del producto ni siquiera en un 1%. Así que de hecho, es la misma palabra, pero señala realidades muy diferentes dependiendo de la empresa con la que estés hablando.

Kieran Chandler: Vale, entonces en general van a ser algo bastante bueno porque normalmente vemos un aumento en las ventas. ¿Por qué complican las cosas? ¿Por qué se ve una dificultad con las promociones?

Joannes Vermorel: Complican las cosas porque lo que quieres predecir, si quieres optimizar tu cadena de suministro, es la demanda futura. El problema es que no observas la demanda futura ni siquiera la demanda pasada, observas las ventas pasadas. Las ventas no son la demanda. Las ventas vienen con todo tipo de sesgos. Si no tienes stock, tendrás un faltante de stock, por lo que tendrás cero ventas, pero la demanda sigue ahí. Las promociones son justo el efecto contrario, en el sentido de que puedes ver muchas más ventas de las que tienes demanda real. Por ejemplo, si tienes una gran caída de precios, incluso si las personas no lo necesitan en este momento, tal vez comiencen a acumular su propio stock en casa con el producto que estás vendiendo, simplemente porque sienten que es una buena oportunidad. Por lo tanto, las ventas pueden darte una idea equivocada de cuál es la demanda real. La mayoría de los profesionales de la cadena de suministro saben que no deben aplicar simplemente un promedio móvil sobre las promociones porque la promoción está empujando la demanda observada de manera ingenua hacia arriba. Sabes que al final de la promoción, las ventas disminuirán. Ese es el fenómeno básico que debes tener en cuenta; de lo contrario, tu planificación estará completamente equivocada.

Kieran Chandler: Entonces estás diciendo que hay una verdadera idea equivocada de la demanda. ¿Cómo están las empresas enfrentando eso en la realidad? ¿Cómo se están ajustando a eso?

Joannes Vermorel: El método tradicional de la cadena de suministro consiste en reescribir el historial de ventas para ocultar el efecto de las promociones. La mayoría de las empresas tomarán su historial de ventas, verán el período promocional, verán el pico y tratarán de eliminar los picos de su historial de ventas. De esa manera, cuando aplican algo que se parece mucho a un promedio móvil, el promedio móvil no está demasiado sesgado por la promoción que acaba de tener lugar. No estoy diciendo que eso sea lo correcto, pero eso es lo que la mayoría de las empresas siguen haciendo en la actualidad.

Kieran Chandler: Y eliminar los picos, que se ven en las promociones, suena muy peligroso. ¿No vas a obtener dos versiones de la verdad? ¿Por qué están haciendo esto?

Joannes Vermorel: Tienes toda la razón; es muy peligroso. La razón es que estás reemplazando datos históricos de ventas, que son precisos, con datos falsos 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 son equivocadas, entonces tus pronósticos se construirán sobre entradas defectuosas, lo que podría agravar el problema en términos de planificación de la cadena de suministro.

Entonces, ¿por qué la gente lo está haciendo en absoluto? Si miras las tecnologías que la mayoría de las empresas siguen utilizando para la optimización de su cadena de suministro, básicamente es una versión glorificada de los promedios móviles. Los promedios móviles tienen diferentes nombres: suavización exponencial, Holt-Winters, pero en esencia son todas variaciones de promedios móviles. Estos métodos son un poco más sutiles para lidiar con la estacionalidad, pero la esencia sigue siendo un promedio móvil.

Es por eso que si todo lo que tienes es un promedio móvil, necesitas hacer que tus ventas históricas sean compatibles con él, que es el único modelo matemático que tu empresa tiene disponible. Pero es una perspectiva equivocada porque hay mucho más que solo promedios móviles.

Kieran Chandler: Pero estos métodos estadísticos seguramente son 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 que una de las principales motivaciones era obtener mejores pronósticos de promoción porque era un problema real para ellas.

Tu promedio móvil puede manejarlo, pero no puede anticipar el aumento o el efecto de la promoción. Si bien es posible que no arruine por completo el pronóstico para períodos no promocionales debido a la promoción, aún no proporciona nada para hacer frente a una próxima promoción. Entonces, el promedio móvil te salva un poco, pero no aborda el problema en su núcleo. No produce un pronóstico real de promoción, solo evita que las promociones sesguen todos los pronósticos no promocionales. Y por cierto, este método es muy débil; ni siquiera funciona correctamente y viene con muchos problemas.

Kieran Chandler: Entonces, ¿por qué estas empresas están tan contentas de trabajar con estos promedios móviles? ¿Por qué no están cambiando? ¿Por qué sigue siendo un problema que existe?

Joannes Vermorel: Creo que un promedio móvil es algo en lo que cualquier ingeniero puede pensar en unas dos horas. La simplicidad es muy poderosa. Terminarás reinventando en dos horas un promedio móvil y algún tipo de receta para hacer que tu promedio móvil funcione, lo cual es una fuerza muy poderosa.

Recuerda, aproximadamente el 80% de las cadenas de suministro en todo el mundo todavía operan sobre Microsoft Excel, por lo que un promedio móvil en Excel es muy, muy fácil de escribir. Esa es probablemente la razón.

Otra razón es que si quieres hacerlo mejor, es significativamente más difícil. De repente tienes que pasar de un método muy simplista que cualquiera puede entender, a aprendizaje automático que es mucho más complicado.

Kieran Chandler: Estamos discutiendo un algoritmo que puede funcionar en dos horas, incluso si nunca has hecho aprendizaje automático antes. Pero para implementarlo con éxito, también debes 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 estamos buscando hacer las cosas mejor, ¿qué tipo de datos deberíamos estar recopilando? ¿Deberían ser los esfuerzos de marketing, los cambios de precios o algo más?

Joannes Vermorel: La empresa necesita recopilar todo lo que contribuye a la mecánica promocional. El precio es una cosa, sí. Si descuentas 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.

Entonces, una promoción no se trata solo del precio. También se trata de difundir la palabra. Hacer que el mercado sepa que tienes una promoción es crucial. En ciertas industrias como la moda, hay ventas de fin de temporada. Todos esperan estas ventas, 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 reducir el precio. A menudo, se trata de mover un producto hacia la cabeza de la góndola, el lugar de exhibición superpremium al final del pasillo donde los productos son muy visibles. Incluso mejor, podrías colocar una gran pila de los productos promocionados en la entrada de la tienda.

Entonces, ahora la pregunta es: ¿tu sistema de ERP rastrea correctamente 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 los clientes como los proveedores podrían defraudarte, lo que llevaría a la quiebra.

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 aprendizaje automático que pronostique promociones con datos inexactos, no funcionará.

Entonces, necesitas un proceso de aseguramiento de calidad para tus datos promocionales. Según nuestra experiencia en Lokad, este proceso puede requerir mucho esfuerzo. Para la mayoría de las empresas, se necesitan meses de esfuerzo para obtener datos promocionales históricos de calidad.

Kieran Chandler: Entonces, lo que estás diciendo es que ha habido una verdadera evolución en la industria porque no es una métrica crítica para medir, sino una evolución de cómo la medimos, ¿verdad?

Joannes Vermorel: Sí, es muy difícil de medir.

Kieran Chandler: Hipotéticamente, si una empresa ha medido todas estas cosas y ha recopilado toda esa información, ¿eso significa que a través de tu pronóstico podrás decirnos qué promociones hacer, cuándo funcionan mejor y qué tipo de información podrías generar?

Joannes Vermorel: Sí. Lo primero que hay que entender es que en lugar de corregir los datos históricos, un algoritmo de aprendizaje automático los analiza desde la perspectiva de datos históricos enriquecidos. No intentas ajustar tus ventas. Vas a señalar los períodos en los que las ventas del producto estuvieron infladas y los períodos en los que probablemente estuvieron censuradas.

Por ejemplo, al final de una promoción, si las personas han acumulado su propio stock de productos, es posible que veas una disminución en la demanda. Incluso podrías tener un período de tiempo en el que observes algún tipo de demanda censurada. Por lo tanto, debes tener en cuenta todos estos factores.

Kieran Chandler: Entonces, el primer beneficio de las promociones, que puede no ser evidente de inmediato, es el potencial para mejorar la calidad de tu pronóstico incluso durante períodos no promocionales. Esto se logra mediante el uso de un algoritmo que es mejor para predecir sesgos. ¿Lo que estás diciendo es que se utilizan datos promocionales incluso cuando no hay promociones, ¿correcto?

Joannes Vermorel: Sí, puede parecer contradictorio, pero consideremos un ejemplo. Si tienes una gran promoción para una variedad de tomate, es probable que canibalice las ventas de todos los demás productos no promocionados. Es bastante obvio que una promoción importante para un producto en particular tendrá un efecto masivo de canibalización en todos los demás productos que compiten con el artículo promocionado. Por lo tanto, las promociones hacen que el pronóstico sea más complejo, no solo para el producto que se promociona, sino también para todos los productos no promocionados.

Kieran Chandler: Ya veo, no es tan contradictorio como parece al principio, pero requiere cierta consideración. Ahora, pasemos al tema de anticipar futuras promociones. Si tienes conocimiento de una próxima promoción, puedes anticipar el aumento en las ventas que se producirá. Sin embargo, esto plantea la pregunta sobre tu proceso para decidir sobre futuras promociones. ¿Podrías explicar cómo se toman estas decisiones y cómo se ingresan en tu motor de pronóstico?

Joannes Vermorel: Claro. La primera parte del proceso es decidir sobre las futuras promociones. La segunda parte implica asegurarse de que estas decisiones se ingresen en nuestro motor de pronóstico. Esto no se trata solo de datos pasados, sino también de expectativas futuras. Si estamos planeando un evento que impactará significativamente en la cadena de suministro, el motor de pronóstico necesita saberlo con anticipación. Un motor de pronóstico impulsado por el aprendizaje automático, si se le informa a tiempo, podrá adaptarse y reflejar el próximo evento en su pronóstico.

Kieran Chandler: Es fascinante, especialmente la idea de una promoción de la década. Pero considerando la complejidad del aprendizaje automático, ¿qué tan rápido pueden aprender y adaptarse estas máquinas? ¿Cuándo se pueden esperar resultados?

Joannes Vermorel: Depende en gran medida del número de promociones. Es un juego de estadísticas. Si solo estás realizando una promoción una vez al año para un producto, es difícil aprender algo. Recuerda, pronosticar promociones no se trata de pronosticar una serie temporal. Cada producto puede ser promocionado solo una o dos veces en su vida útil. Si quieres entender el impacto de una promoción, debes considerar cuál es el impacto típico de una promoción en condiciones similares: descuento de precio, mecánica promocional, canales de comunicación, y así sucesivamente. Por ejemplo, en la industria de la moda, que realiza promociones de fin de temporada, tienes varios puntos de datos ya que ocurren de cuatro a ocho veces al año. Para un hipermercado, cada producto individualmente es potencialmente un punto de datos.

Tienen cientos de productos que se promocionan cada día, y se rotan, no siempre son los mismos productos. Es algo que sucede todo el tiempo en el comercio electrónico. Típicamente, siempre tienes uno o dos productos que están en la página principal de tu sitio web de comercio electrónico, por lo que hay un mecanismo promocional fuerte que está sucediendo todo el tiempo. Pero se vuelve muy difícil cuando comienzas a pensar en pronosticar promociones. Una pregunta que nuestros clientes hacen es si nuestro motor de pronóstico puede tal vez pronosticar 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 directores ejecutivos. ¿Cuál es el proceso que deberían seguir si realmente quieren implementar el pronóstico de promociones en su organización?

Joannes Vermorel: Primero, necesitan recopilar todos los datos relevantes. No estoy hablando de 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 el mecanismo promocional exacto. Probablemente tengan sus propias categorías de compra uno y lleva otro gratis, o es una reducción de precio en porcentaje, o cualquier tipo de promoción con envío gratuito, por ejemplo. El primer paso es recopilar lo que llamo datos cuasi transaccionales. No son datos transaccionales porque no aparecen en las facturas o pagos, pero están muy bien especificados. Necesitas recopilarlos, hacerlos parte de tu sistema y tener un proceso de aseguramiento de calidad encima de eso.

El segundo paso es realmente pensar por qué haces promociones, cuál es el objetivo final. El problema es que típicamente es un objetivo final muy diferente dependiendo de tu sector. Por ejemplo, en moda, el objetivo es liquidar todo tu inventario antiguo para que siempre puedas vender cosas que estén actualizadas con la última tendencia. En mercancía general, las promociones típicamente no son iniciadas por el minorista sino por su proveedor, como una negociación para aumentar la conciencia sobre un nuevo producto, como un nuevo sabor de un bien de consumo de movimiento rápido. Los objetivos finales son muy diferentes, lo que significa que cuando quieres evaluar cómo debes ejecutar, necesitas pensar en el impacto de tus promociones.

Estás tratando de influir en tus clientes, y realmente deberías pensar en qué tipo de influencia quieres crear. Por ejemplo, si educas a tus clientes para que siempre compren tus cosas baratas porque saben que siempre habrá una promoción, entonces tus clientes aprenderán que solo necesitan ser un poco pacientes y lo obtendrán barato. Requiere un pensamiento estratégico real y este pensamiento estratégico debe ocurrir antes del aprendizaje automático.

Una vez que tengas esto claro, puedes tener un sistema de aprendizaje automático que sea inteligente y capaz de procesar todos los datos que recopilaste y alineados con tu pensamiento estratégico. El aprendizaje automático es muy mecánico, por lo que no podrá ejecutar ninguna estrategia de alto nivel, eso es tu trabajo.

Kieran Chandler: Me temo que tendremos que terminar por hoy. Cuando hablas de educar a los clientes, probablemente me contaré como uno de los clientes menos educados que existen. Eso es todo por esta semana, gracias por vernos y nos vemos la próxima vez. Adiós.