00:00:04 Desafío en el pronóstico de lanzamientos de nuevos productos.
00:00:35 Problemas con los enfoques de pronóstico tradicionales.
00:02:00 Crítica del pronóstico de series temporales para nuevos productos.
00:03:45 Enfoques alternativos de pronóstico de nuevos productos.
00:07:22 Deep learning y análisis de atributos en el pronóstico.
00:09:06 Influencia de la demanda: atributos del producto como color, tamaño.
00:11:23 Deep learning para el pronóstico de características de productos diversos.
00:11:58 Incertidumbres en el lanzamiento de nuevos productos.
00:13:38 Beneficios de los pronósticos probabilísticos en el manejo de riesgos.
00:14:44 Implicaciones del lanzamiento de nuevos productos en los existentes.
00:16:01 Concepto de canibalización de productos, tácticas de la industria de la moda.
00:18:02 Sensibilidad en el pronóstico de precios y complicaciones de precios óptimos.
00:21:20 Sobreajuste en la modelización estadística, impactos en la predicción de precios.
00:21:58 Avances en la tecnología de pronóstico de productos.
00:24:33 Canibalización en el lanzamiento de productos, investigación de la lealtad del cliente.
Resumen
En una entrevista, Joannes Vermorel, fundador de Lokad, analiza los desafíos del pronóstico de la demanda de nuevos productos. El pronóstico de series temporales tradicional no funciona para nuevos productos debido a la falta de datos históricos. Vermorel critica el software convencional de planificación de la demanda por su gran dependencia de datos pasados. Para productos novedosos, sugiere realizar encuestas de mercado. Cuando los nuevos productos son variaciones de productos existentes, Vermorel propone utilizar atributos del producto para anticipar la demanda. Destaca la incertidumbre y la canibalización como desafíos significativos en el pronóstico de nuevos productos, abogando por un enfoque probabilístico. Vermorel indica que la dirección futura de Lokad incluye aprovechar la “red social” del cliente y pasar del deep learning a la programación diferenciable.
Resumen Extendido
En una entrevista en curso, Kieran Chandler y Joannes Vermorel, el fundador de Lokad, están explorando el potencial y los obstáculos del pronóstico de la demanda para productos recién lanzados. Aunque es inherentemente difícil e impredecible, Vermorel sostiene que es factible pronosticar para nuevos productos, aunque es exigente y requiere un esfuerzo significativo.
La entrevista comienza reconociendo la importancia de pronosticar los lanzamientos de productos, lo que permite a las empresas aprovechar el aumento habitual de la demanda después del lanzamiento de un nuevo producto. Sin embargo, Vermorel señala que el método de pronóstico estándar, el pronóstico de series temporales, no es adecuado cuando se aplica a nuevos productos.
El pronóstico de series temporales extiende las tendencias históricas hacia el futuro, un enfoque similar a predecir patrones climáticos. Por ejemplo, un modelo de pronóstico básico podría promediar las ventas de la semana pasada para predecir las ventas de la próxima semana. Sin embargo, con un nuevo producto, no hay datos de ventas anteriores en los que basar las predicciones, lo que hace que esta metodología sea insuficiente.
Vermorel continúa criticando el software convencional de planificación de la demanda que depende en su mayoría de “formas glorificadas de promedios móviles”, con modelos como el suavizado exponencial, la regresión lineal y ARIMA actuando como promedios móviles sofisticados. Si bien estos modelos pueden tener en cuenta coeficientes estacionales y ventanas de promedio variables, todavía dependen en gran medida de datos pasados, lo que los hace inadecuados para nuevos productos.
Abordando el problema de pronosticar para productos completamente nuevos, como el primer iPhone, Vermorel sugiere que los pronósticos estadísticos necesitan un conjunto relevante de observaciones pasadas. Sin productos anteriores similares, generar un pronóstico fundamentado estadísticamente es casi imposible.
Una estrategia para escenarios únicos como estos podría implicar encuestar el mercado y medir las opiniones de los consumidores. A pesar del alto costo y tiempo involucrado, Vermorel cree que para lanzamientos importantes como el iPhone, que probablemente cuestan cientos de millones en investigación y desarrollo, se podría justificar el gasto en una investigación de mercado detallada.
Vermorel comienza delineando los desafíos que se enfrentan al lanzar múltiples productos nuevos. Argumenta que muchos productos nuevos no son completamente novedosos, sino que a menudo son variaciones de productos existentes, lo que simplifica las estimaciones de ventas futuras. Utiliza la industria de la moda como ejemplo, señalando que aunque introducen nuevas colecciones cada temporada, generalmente consisten en artículos familiares, como camisas o zapatos, con características diferentes.
Para pronosticar las ventas de nuevos productos, Vermorel propone comparar el nuevo producto con los existentes utilizando atributos compartidos, un método que argumenta es significativamente diferente al software de pronóstico convencional. Estos atributos, como el tamaño y el color, pueden ofrecer información valiosa. Por ejemplo, tamaños extremos o colores específicos podrían no venderse tan bien como los más comunes.
El método típico de pronosticar las ventas de nuevos productos pide a un gerente de la cadena de suministro que establezca una conexión entre un producto nuevo y uno antiguo. Vermorel critica este proceso por ser tedioso, especialmente cuando se lanzan miles de nuevos productos. Requiere inspeccionar manualmente un vasto archivo de lanzamientos pasados. Cualquier mapeo incorrecto basado puramente en la intuición puede hacer que el pronóstico esté completamente fuera de objetivo.
Vermorel propone un enfoque más inteligente, utilizando atributos del producto para predecir la demanda. Dependiendo de la industria, estos atributos podrían variar desde el tamaño, el color, el precio y los patrones para artículos de moda hasta cartuchos compatibles y otras características para productos electrónicos de consumo. Esta variedad requiere un algoritmo estadístico capaz de manejar una amplia gama de características, donde las tecnologías modernas de aprendizaje automático como el deep learning podrían ser beneficiosas.
La conversación luego se centra en la incertidumbre inherente asociada con los pronósticos de nuevos productos. Vermorel reconoce que el nivel de incertidumbre durante el lanzamiento de un producto suele ser bastante alto y sugiere que un pronóstico probabilístico podría ser más útil en este caso. Si bien dicho pronóstico puede no ser muy preciso, la ventaja radica en reconocer y tener en cuenta los riesgos asociados, ya que el pronóstico proporciona un rango de futuros potenciales.
Joannes llama la atención sobre el problema de la canibalización, especialmente al lanzar nuevos productos, ya que a menudo se llevan parte del mercado de productos existentes. Este problema es frecuente en la industria de la moda, donde las nuevas colecciones pueden canibalizar las ventas de las antiguas. Para contrarrestar esto, la industria suele liquidar las colecciones antiguas mediante ventas antes de introducir las nuevas.
La discusión continúa con una situación hipotética. Si Apple lanzara un iPhone en diferentes colores simultáneamente, ofrecer una variedad de opciones podría aumentar las ventas, pero también podría generar competencia interna entre los productos.
En relación con la sensibilidad al precio, Kieran pregunta a Joannes si es posible predecir la demanda en función de los cambios de precio. Joannes confirma esto, pero explica que esto agrega más complejidad al problema. Esta discusión nos lleva al ámbito del aprendizaje por refuerzo y la necesidad de un equilibrio cuidadoso para evitar el sobreajuste, cuando un modelo funciona bien en datos conocidos pero mal en datos desconocidos.
Al cambiar los puntos de precio, por ejemplo, una marca puede estar ingresando a un territorio desconocido donde los datos pasados son menos relevantes. Las marcas suelen ajustar sus precios lentamente, utilizando este proceso como una oportunidad de aprendizaje. Joannes aclara que el sobreajuste puede convertirse en un problema si las marcas comienzan a utilizar sus modelos de pronóstico para establecer sus precios. Para evitar esto, es crucial no depender demasiado de la salida de su modelo de pronóstico al decidir el precio.
Cambiando de tema, Kieran pregunta sobre el futuro cercano de los pronósticos de productos. Joannes revela que Lokad ha introducido recientemente un nuevo motor de pronóstico basado en deep learning, que, según sus pruebas de referencia, representa una mejora significativa y ha reducido los errores en el pronóstico de nuevos productos en más del 20%.
Joannes también enfatiza la importancia de comprender el concepto de canibalización de productos al lanzar nuevos productos. Si bien los minoristas pueden verse tentados a pensar que lanzar muchos productos nuevos aumentará significativamente las ventas, Joannes nos recuerda que estos nuevos productos competirán por la misma base de clientes.
La conversación termina con Joannes compartiendo su investigación en curso para aprovechar la “red social” de clientes, que se refiere a los patrones de consumo de su base de clientes. Este esfuerzo está impulsado por la comprensión de que los nuevos productos tienden a ganar tracción primero dentro de la base de clientes existente. Están pasando del deep learning a la programación diferenciable, considerada el sucesor del deep learning, para manejar esta tarea compleja de manera efectiva.
La conversación termina con Joannes compartiendo su investigación en curso para aprovechar la “red social” de clientes, que se refiere a los patrones de consumo de su base de clientes. Este esfuerzo está impulsado por la comprensión de que los nuevos productos tienden a ganar tracción primero dentro de la base de clientes existente. Están pasando del deep learning a la programación diferenciable, considerada el sucesor del deep learning, para manejar esta tarea compleja de manera efectiva.
Transcripción completa
Kieran Chandler: Hoy vamos a discutir si es posible pronosticar nuevos productos y también entender cuánta confianza podemos tener en estos resultados. Joannes, desafortunadamente, no tenemos una bola de cristal aquí en Lokad. Entonces, ¿realmente podemos pronosticar nuevos productos?
Joannes Vermorel: La respuesta corta es sí, la respuesta más larga es que es difícil, requiere esfuerzo y matemáticas adecuadas. En resumen, cuando las personas piensan en pronósticos, a menudo imaginan un tipo específico de pronóstico, algo así como un pronóstico de series de tiempo. Piensan en ello como un pronóstico de temperatura para el clima. Básicamente, tienes una curva, lo que has observado en el pasado, y quieres extender esta curva hacia el futuro para obtener tu pronóstico. El pronóstico más simple que puedes hacer es simplemente un promedio móvil. Por ejemplo, ¿cuáles serán mis ventas la próxima semana? Si promedio mis ventas de la semana pasada, me da una idea aproximada. Este enfoque es ingenuo pero funciona más o menos. Sin embargo, para nuevos productos, simplemente no funciona.
Kieran Chandler: Entonces, ¿por qué este enfoque de series de tiempo no funciona? ¿Por qué falla?
Joannes Vermorel: Es porque ya no tienes nada que promediar. Quieres retroceder en el pasado y pronosticar el futuro promediando lo que tenías. Pero si quieres pronosticar las ventas de un producto que aún no se ha vendido, no tienes ningún dato. Si simplemente pronosticas cero porque vendiste cero la semana pasada, no tiene sentido. Lanzas un producto, con suerte venderás algunas unidades. El algoritmo de promedio móvil tradicional simplemente no funciona. Es interesante porque la mayoría de los primeros software de planificación de la demanda se basaban en formas glorificadas de promedios móviles. Hay muchos modelos estadísticos que tienen nombres elegantes pero no son más que promedios móviles glorificados. El suavizado exponencial es un tipo de promedio móvil, la regresión lineal es apenas mejor que un promedio móvil.
Kieran Chandler: Entonces, ¿cómo podemos realmente calcular un pronóstico para algo completamente nuevo? Si tomamos, por ejemplo, el iPhone antes de que se lanzara, no existía nada como eso antes. ¿Podemos realmente pronosticar eso?
Joannes Vermorel: Si quieres hacer un pronóstico o al menos un pronóstico estadístico, necesitas tener un conjunto relevante de observaciones del pasado. Aún estás tratando de proyectar el futuro mirando por el retrovisor, pero necesitas tener algo en qué mirar. Si tienes un producto que es completamente único, entonces desde una perspectiva estadística, es el fin del juego. No puedes trabajar estadísticamente. Lo mejor que puedes hacer es investigar el mercado y obtener opiniones sobre si la gente lo compraría o no. Obviamente, este es un proceso muy costoso. Apple pudo hacerlo para el iPhone porque probablemente habían invertido cientos de millones de dólares en investigación y desarrollo para llevar el iPhone al mercado. Entonces, aún podían permitirse gastar unos cientos o miles de dólares en encuestas inteligentes.
Kieran Chandler: Entonces, para una estimación aproximada de cuánto vas a vender, obviamente, si estás lanzando muchos productos nuevos, no puedes permitirte tener un proceso tan tedioso. La buena noticia es que si estás lanzando muchas cosas, ¿cuáles son las probabilidades de que todo lo que estás lanzando sea completamente nuevo? En la práctica, casi cero, porque no puedes lanzar cientos de productos que sean completamente únicos. Si estás lanzando cientos de productos cada año, lo más probable es que sean todas variaciones del mismo tipo de tema o estilo.
Joannes Vermorel: Exactamente, puedes relacionar un producto existente con alguna característica del nuevo producto. Si estás en la moda, por ejemplo, con cada colección tendrás camisas y zapatos nuevos. Pero, siguen siendo camisas o zapatos, y estos productos tienen características, como tallas. Incluso si no sabes cuántas unidades vas a vender, entiendes que las tallas extremas no se venderán tanto como la talla predominante. Si quieres tener un modelo estadístico, solo necesitas aprovechar esta idea. Si estás pronosticando cuánta demanda futura habrá para los productos que estás a punto de lanzar, debes mirar todos los lanzamientos anteriores que has hecho en el pasado y relacionar el producto que se está lanzando con los antiguos a través de sus atributos.
Kieran Chandler: Eso es interesante, especialmente el enfoque de atributos que parece ser bastante diferente de lo que se hace típicamente en la mayoría de los software de pronóstico. Ahora, con los avances en la tecnología de deep learning, ¿es ese el método principal utilizado para analizar estos atributos con más detalle?
Joannes Vermorel: Sí, comparemos esto con la perspectiva clásica de pronosticar nuevos productos. Inicialmente, solo tenías modelos de promedio móvil, eso es todo. Para pronosticar un nuevo producto, le pedirías al gerente de la cadena de suministro que creara un vínculo entre un nuevo producto y uno antiguo. Este enfoque tradicional requería a un humano, un gerente de cadena de suministro, para responder a la pregunta “¿Qué producto es más similar al que estás a punto de lanzar?” para que podamos fingir que este producto ya ha estado vendiendo. Luego puedes volver a tu enfoque de promedio móvil porque de repente tienes una serie de tiempo; tienes ventas pasadas del producto.
Sin embargo, si estás lanzando mil nuevos productos y tienes que tomar esta decisión de mapeo para cada nuevo producto que estás a punto de lanzar, y en tu historial, probablemente hayas lanzado decenas de miles de productos, entonces el proceso es increíblemente tedioso. Tendrías que investigar todo un archivo de lanzamientos pasados manualmente para hacer este mapeo. Si haces el mapeo incorrectamente, confiando solo en tu intuición, entonces tu pronóstico es completamente inútil.
Un enfoque más inteligente es aprovechar los atributos y considerar qué atributos rigen la cantidad de demanda que puedes esperar. Volviendo a la moda, las tallas son un indicador muy claro, pero el color también es un factor significativo. Por ejemplo, si tienes ropa para niños, es poco probable que los padres compren ropa excesivamente blanca porque los niños la ensuciarán. Por lo tanto, el blanco inmaculado para los niños tiende a no ser un color tan bueno. Sin embargo, para las camisas de negocios, los colores dominantes probablemente sean blanco, azul claro y rosa claro.
Kieran Chandler: Si quieres tener, digamos, amarillo brillante para las camisas de negocios, es probable que sea un porcentaje muy pequeño de tus ventas. Estos tipos de observaciones se pueden hacer intuitivamente, pero las relaciones pueden ser muy sutiles. Los atributos pueden ser increíblemente diversos: tamaño, color, puntos de precio, patrones en la ropa. O tomemos la electrónica de consumo, si quieres pronosticar la demanda para la próxima impresora, tienes un amplio conjunto de características para considerar: cartuchos compatibles, otras características, es súper diverso.
Joannes Vermorel: Aquí es donde nos enfrentamos a una situación en la que necesitas un algoritmo que pueda manejar esta abrumadora diversidad. Ahí es donde entra en juego el deep learning, la versión moderna del machine learning. Los algoritmos de deep learning son especialmente buenos para lidiar con un conjunto increíblemente diverso de características, que incluso pueden incluir descripciones de texto plano de los productos.
Kieran Chandler: Hay una enorme cantidad de variabilidad, mucho que considerar. ¿Podemos tener confianza en los resultados de los pronósticos para nuevos productos?
Joannes Vermorel: Ese es precisamente el punto que trata de abordar el pronóstico probabilístico. La cantidad de incertidumbre al lanzar un nuevo producto suele ser muy alta. Si fuera fácil pronosticar un nuevo producto, probablemente no sería nuevo, sería un simple reemplazo de un sustituto casi perfecto para uno de tus productos existentes. En ese caso, el mapeo manual que describí anteriormente probablemente sería adecuado. Pero si estás lanzando algo incluso ligeramente nuevo, que no se alinea completamente con lo que vendías antes, hay una incertidumbre irreducible. Pero está bien. Tus competidores enfrentan el mismo desafío. Para superarlos, todo lo que necesitas hacer es pronosticar mejor que ellos. No tienes una bola de cristal, pero es probable que ellos tampoco la tengan.
Kieran Chandler: Con esta incertidumbre irreducible, ¿qué tipo de expectativas podemos tener?
Joannes Vermorel: Ahí es donde entra en juego el beneficio del pronóstico probabilístico. Sí, tu pronóstico será inexacto, pero si estás haciendo un pronóstico probabilístico, eres plenamente consciente de esa inexactitud. Lo que verás en la práctica es una distribución repartida en muchos futuros posibles, de modo que tus decisiones tengan en cuenta el riesgo de tener una demanda excesivamente por encima o por debajo de tu pronóstico. Se trata de considerar todas las posibilidades.
Kieran Chandler: Si ahora miramos las cosas desde la perspectiva de Lokad, estamos viendo un rango de probabilidades para todo el negocio, todo el catálogo. Si un artículo individual pudiera vender una gran cantidad o muy poco, ¿no cambiaría eso los resultados de todos nuestros pronósticos?
Joannes Vermorel: Absolutamente, lo hace, y eso es lo que hace que el problema sea más desafiante.
Kieran Chandler: Suena bastante complicado. Según entiendo, si quieres producir un pronóstico estadístico para nuevos productos, necesitas examinar lanzamientos pasados y comparar sus atributos para encontrar productos relevantes. Este proceso parece ser el concepto de ‘matching’, pero completamente automatizado. Sin embargo, lanzar un nuevo producto desplaza la demanda de tus productos existentes. ¿Es correcto?
Joannes Vermorel: De hecho, cada producto que lanzas probablemente canibalizará tus ventas existentes. Toma, por ejemplo, un minorista de moda que introduce un nuevo tipo de camisa. Probablemente ya estaban vendiendo camisas, así que cuando llega un diseño nuevo y de moda, no solo estás ganando cuota de mercado frente a tus competidores. En cambio, tus clientes podrían elegir este nuevo producto en lugar de otro que ya estabas vendiendo. Esta situación lleva a la canibalización, que es muy difícil de gestionar.
Kieran Chandler: Es tan difícil de gestionar que es una de las principales razones por las que las marcas de moda tienen colecciones, ¿verdad?
Joannes Vermorel: Exactamente. En lugar de tratar de resolver este complejo problema de canibalización, es más fácil hacer una venta, liquidar todas las colecciones anteriores y luego comenzar una nueva colección. De esta manera, evitas la canibalización entre la nueva colección y la antigua. Has liquidado el stock para que no tengas dos colecciones compitiendo entre sí en un momento específico.
Kieran Chandler: Entonces, si quieres refinar tu pronóstico de nuevos productos, no se puede hacer de forma aislada, ¿verdad? Si lanzas varios productos, canibalizarán lo que tienes y también se canibalizarán entre sí.
Joannes Vermorel: Correcto. Por ejemplo, si Apple decide lanzar un nuevo iPhone, no tendrían las mismas ventas si solo lanzaran un color, por ejemplo, negro, en comparación con si permitieran a los clientes elegir entre cinco colores diferentes el día del lanzamiento. Si bien tener más opciones podría aumentar ligeramente las ventas, también habría mucha canibalización.
Kieran Chandler: Has mencionado las ventas, que es como ajustar el precio del producto en respuesta a las tendencias del mercado. ¿Hay alguna manera de pronosticar la sensibilidad del precio? ¿Es posible predecir la demanda de un producto si bajo su precio?
Joannes Vermorel: Sí, pero eso hace que el problema sea aún más complicado. Requiere ir más allá del aprendizaje supervisado clásico y adentrarse en el ámbito del aprendizaje por refuerzo u otras situaciones avanzadas. ¿Por qué? Porque controlas lo que vas a observar una vez que comienzas a considerar el precio.
Por ejemplo, una marca de moda solo ha observado el patrón de ventas para los puntos de precio que han practicado en el pasado. Entonces, si decides subir de nivel hacia puntos de precio más caros, te aventuras en territorios desconocidos donde tus datos pasados no son muy relevantes. Muchas marcas harían la transición gradualmente para que aún tengan la oportunidad de aprender y ver.
Desde una perspectiva estadística, el desafío es que si construyes un modelo de pronóstico que tome un punto de precio como entrada, puedes ajustar el pronóstico con el punto de precio. Sin embargo, el peligro radica en lo que sucede si comienzas a usar la salida de tu modelo de pronóstico.
Kieran Chandler: Entonces estás hablando de un modelo para tratar el precio. Como si se pudiera construir un modelo de pronóstico, ajustar el precio y realizar escenarios hipotéticos, lanzando el mismo producto a diferentes precios. Este enfoque tiene como objetivo elegir el precio óptimo que nos beneficie más. Sin embargo, si se hace de manera ingenua, ¿no resultaría en un problema particular de sobreajuste?
Joannes Vermorel: Sí, en efecto. Si repites este ejercicio muchas veces con variaciones mínimas de precio, el precio que elegirás podría ser simplemente una fluctuación de tu propio modelo de pronóstico. En esencia, amplificarás cualquier problema de sobreajuste que puedas tener en tu proceso de aprendizaje. El sobreajuste ocurre cuando un modelo estadístico funciona bien en los datos que ya tienes, pero no tan bien en los datos que no tienes. Irónicamente, al hacer un pronóstico estadístico, quieres que tu modelo funcione bien en los datos que no tienes.
Kieran Chandler: Eso plantea una pregunta interesante sobre cómo se mide la precisión de dicho modelo. Pero podemos abordar eso otro día. Volviendo a esta pregunta de precios, parece que aprovechar el precio en un modelo como este podría volverse excesivamente complicado. Y, por supuesto, no querrías generar un error masivo de sobreajuste a través de la exploración de la variable de precios, ¿verdad?
Joannes Vermorel: Exactamente, la exploración de la variable de precios puede llevar a un sobreajuste masivo, que es un aspecto muy complicado de gestionar.
Kieran Chandler: Parece que es un problema bastante complejo de resolver. Como última pregunta, ¿cómo se ve el futuro cercano en términos de pronosticar nuevos productos? ¿Qué avances tecnológicos podemos esperar?
Joannes Vermorel: Bueno, justo el pasado diciembre, lanzamos nuestro nuevo motor de pronóstico basado en deep learning. Según nuestra propia referencia, probablemente fue una de nuestras actualizaciones más significativas en términos de ganancias incrementales en precisión. La ganancia en precisión para pronosticar nuevos productos fue superior al 20% en la reducción del error, lo cual es bastante significativo. Una cosa que hemos aprendido con este modelo es la capacidad de aprovechar las descripciones de texto plano, que pueden ser muy útiles. Por ejemplo, si eres un minorista y quieres pronosticar cuántas unidades vas a vender de cajas de Lego. Eso es un problema complicado porque, por ejemplo, Lego lanza un nuevo castillo medieval cada año.
Kieran Chandler: Los castillos medievales no deben confundirse con los castillos élficos. Uno estará orientado para niños, mientras que el otro estará orientado para niñas. Sin embargo, esto es sutil y en realidad no tienes todos los atributos en letra pequeña para reflejar eso si estás vendiendo miles de juguetes en tu tienda.
Joannes Vermorel: En efecto, todo se basa en los atributos, pero a menudo no tienes tantos datos de tu proveedor. Y no necesariamente tienes el tiempo para agregar o ajustar manualmente. Por lo tanto, a veces necesitas un motor de pronóstico capaz de procesar la descripción de texto plano. Una área en la que estamos trabajando actualmente es aprovechar estos detalles para lograr pronósticos más específicos y precisos.
Para los lanzamientos de productos, es fundamental adoptar la idea de la canibalización. Si estás lanzando más productos, no significa que tus ventas vayan a dispararse. Todos los nuevos productos que estás lanzando compiten por los mismos clientes que ya tienes. Por lo tanto, una área de investigación en la que nos estamos enfocando es aprovechar nuestra base de datos de lealtad.
Típicamente, si eres un minorista, sabes qué cliente está comprando qué. Es completamente diferente desde una perspectiva de series de tiempo donde solo piensas en cuántas unidades se han vendido por día o por semana para un producto dado. Aquí, quieres considerar la red social de clientes que han consumido los productos en el pasado. La idea es que cuando lanzas un nuevo producto, este nuevo producto comenzará principalmente ganando tracción dentro de tu base de clientes existente.
Si quieres tener modelos matemáticos capaces de procesar la red social de tus clientes, típicamente tienes que pasar de deep learning a programación diferenciable, que es el descendiente del deep learning. Ese es el punto en el que nos encontramos ahora.
Kieran Chandler: Eso es fascinante. Tendremos que dejarlo aquí, pero pronosticar en las redes sociales y pronosticar la lealtad son conceptos realmente interesantes. Gracias por tomarse el tiempo hoy.
Joannes Vermorel: Gracias.
Kieran Chandler: Eso es todo por esta semana. Si tienes problemas para pronosticar nuevos productos, nos encantaría saber de ti. Envíanos un correo electrónico o deja un comentario abajo. Estamos interesados en conocer los desafíos a los que te enfrentas. Eso es todo por esta semana, pero nos vemos la próxima vez. Hasta luego por ahora.
