El deep learning para pronósticos de cadena de suministro más precisos

Pronóstico con deep learning

Inicio » Pronóstico » Aquí

Los pronósticos con aprendizaje profundo (deep learning), o simplemente los pronósticos deep, representan una mejora significativa con respecto a la generación anterior de la tecnología de pronóstico de Lokad. Comparados con los métodos de pronóstico clásicos, el aprendizaje profundo no solo ofrece una precisión estadística incomparable, sino que entrega pronósticos probabilísticos que son esenciales para las cadenas de suministro y los inventarios.

Image

Bienvenida sea la incertidumbre

Las empresas se frustran con los pronósticos que no hacen más que fallarles. Se espera que los métodos de pronóstico tradicionales generen cifras correctas, pero esto no sucede. Naturalmente, el futuro es incierto, y cuando una determinada herramienta o solución no logra entregar las cifras correctas que se esperan, tampoco se materializan los beneficios. No existen ni adaptación suficiente de los modelos de pronóstico existentes ni cantidad suficiente de I+D para desarrollar modelos mejores —en el sentido tradicional— que puedan solucionar este problema. Se supone que métodos como el análisis de las existencias de seguridad deberían gestionar la incertidumbre, pero, en la práctica, este tipo de análisis es apenas una alternativa. Los pronósticos probabilísticos ofrecen un modo completamente nuevo de observar el futuro En la gestión de cadena de suministro, los costos se ven impulsados por eventos extremos: es la demanda extremadamente alta la que genera desabastecimientos y frustración del cliente, y la demanda extremadamente baja la que genera inventario muerto y, como consecuencia, una costosa pérdida de inventario. Como bien saben los ejecutivos, los negocios deberían esperar lo mejor, pero prepararse para lo peor. Cuando la demanda se ubica exactamente donde se espera que se ubique, todo va bien. Sin embargo, el desafío central del pronóstico comercial no reside en dar buenos resultados en los casos sencillos, en los que todo irá bien, incluso considerando una media móvil. El desafío yace en manejar los casos difíciles, los que presentan una disrupción para su cadena de suministro y hacen enloquecer a todos.

Allí por 2016, Lokad desarrolló un modo radicalmente nuevo de pronosticar: los pronósticos probabilísticos. Y, recientemente, esos pronósticos se vieron enormemente mejorados con el aprendizaje profundo. Explicado en términos sencillos, un pronóstico probabilístico de la demanda no se limita a proporcionar un cálculo de la demanda, sino que evalúa las probabilidades de cada uno de los escenarios futuros. Se calcula la probabilidad de 0 (cero) unidades de demanda, de 1 unidad de demanda, de 2 unidades de demanda, y así sucesivamente. Para cada nivel de demanda se calcula la probabilidad correspondiente hasta que las probabilidades resultan tan bajas que pueden ser ignoradas sin riesgos.

Estos pronósticos probabilísticos ofrecen un modo completamente nuevo de observar el futuro. En lugar de quedarse estancados en la perspectiva ingenua que espera que las cifras pronosticadas se materialicen, los pronósticos probabilísticos le recuerdan que todo es posible, pero no igualmente probable. Así, cuando se trata de prepararse para lo peor, los pronósticos probabilísticos ofrecen un modo sólido para equilibrar cuantitativamente los riesgos (mientras que los pronósticos tradicionales ni siquiera ven los riesgos).
Mientras que el análisis del riesgo tiende a ser una idea adicional en los métodos de pronóstico tradicionales,
Lokad está poniendo esto en primer plano con los pronósticos probabilísticos.

Desde el punto de vista del profesional del sector

Tal vez el aprendizaje profundo y los pronósticos probabilísticos suenen muy técnicos e intimidantes. Sin embargo, si usted es un profesional de la cadena de suministro, es muy probable que haya estado realizando pronósticos probabilísticos intuitivos durante años: piense en todas las situaciones en las que fue necesario revisar sus pronósticos básicos porque los riesgos eran demasiado grandes... Esto es exactamente lo que hacen los pronósticos probabilísticos: equilibrar adecuadamente las decisiones del mundo real cuando se enfrentan a un futuro incierto. Mientras que el análisis del riesgo tiende a ser una idea adicional en los métodos de pronóstico tradicionales, Lokad está poniendo esto en primer plano con los pronósticos probabilísticos. Los datos que arroja el motor de pronóstico probabilístico son distribuciones de probabilidades. Desde un punto de vista práctico, si bien esta información es extremadamente rica (es, después de todo, un vistazo de muchos futuros posibles), su uso resulta bastante poco práctico en su forma no elaborada. Como resultado, Lokad proporciona una plataforma completa, todas las herramientas necesarias y un equipo de asistencia para permitirle a su empresa convertir estas probabilidades en decisiones de negocios, como, por ejemplo, cantidades de reorden. La aplicación web de Lokad incluye funciones de procesamiento de Big Data y permite crear la lógica de negocios necesaria para convertir estos pronósticos en decisiones que se adapten específicamente a su negocio. Estas decisiones pueden ajustarse a las limitaciones específicas de su cadena de suministro, como sus MOQ (cantidades de orden mínima), por ejemplo; sus impulsores económicos, como los riesgos asociados al vencimiento de la vida en anaquel; y sus procesos, como los pedidos de compra diarios que deben realizarse antes de las 8 a. m. todos los días. Image
No importa cuántas semanas o cuántos meses de trabajo del personal se dediquen a hacer que las soluciones manuales funcionen,
la necesidad de más adaptación es continua

Robotización a través de la inteligencia artificial (AI)

La gestión de la cadena de suministro a menudo incluye muchos productos que se mueven entre diferentes ubicaciones. Las soluciones de pronóstico tradicionales tienden a depender mucho de ajustes manuales cada vez que aparecen patrones estadísticos avanzados, como los efectos de nuevos productos o de promociones. En Lokad, sin embargo, nuestra experiencia indica que si la solución de pronóstico requiere adaptaciones, acaba por ser una historia sin fin: no importa cuántas semanas o meses de personal dedique a hacer que la solución funcione, siempre se necesitará más adaptación, simplemente porque hay demasiados productos, demasiadas ubicaciones, y porque el negocio cambia constantemente. Por lo tanto, en Lokad hemos decidido optar por la robotización completa del proceso de pronóstico:
  • no se necesitan conocimientos estadísticos para obtener pronósticos;
  • no se espera que se realicen adaptaciones para ajustar los pronósticos;
  • no se requiere mantenimiento para que los pronósticos se mantengan alineados con su actividad comercial.
Una robotización de este tipo requiere lo que informalmente se denominan funciones de AI. Lokad entrega estas funciones a través de su tecnología de pronóstico con aprendizaje automático. Intuitivamente, cuando observamos productos uno por uno, la cantidad de información disponible por producto generalmente es demasiado insignificante para realizar un análisis estadístico preciso. Sin embargo, al observar las correlaciones entre los productos vendidos en toda su historia. es posible adaptar automáticamente los modelos de pronóstico, así como calcular pronósticos mucho mejores que aprovechan no solo los datos del producto mismo, sino también los de todos los productos que resultan similares desde una perspectiva de pronóstico. Al contrario de los métodos anteriores, nuestro motor de pronóstico de aprendizaje profundo aprende por sí solo las peculiaridades que pueden observarse en los datos. Por ejemplo, la venta de una unidad hoy de un producto generalmente sugiere que habrá más demanda (en oposición a la demanda cero) del producto en el corto plazo. Sin embargo, a veces, en escenarios de mantenimiento, puede implicar exactamente lo contrario: cuando se vende una unidad, significa precisamente que no se volverá a vender otra en el corto plazo. Para sectores complejos, como el de la moda, nuestro motor de aprendizaje profundo aprovecha los indicios sutiles sobre los productos para tener en cuenta todos los factores que contribuyen a la escala del éxito de, por ejemplo, el lanzamiento de un producto.
En Lokad, el pronóstico es un trabajo en curso.

El origen de nuestros pronósticos probabilísticos deep

En Lokad, no inventamos ni el aprendizaje profundo ni los pronósticos probabilísticos. Sin embargo, hemos sido pioneros en las implementaciones listas para la producción de estas teorías estadísticas, específicamente adaptadas para las necesidades de las cadenas de suministro. Nuestros pronósticos probabilísticos con aprendizaje profundo representan la quinta generación de nuestra tecnología de pronóstico. Nuestro motor de pronóstico 5.0 ahora utiliza una grilla de GPU (unidades de procesamiento gráfico) en lugar de valerse solamente de CPU (unidades centrales de procesamiento). Las GPU nos proporcionan acceso a cantidades de potencia de procesamiento sin precedentes, que podemos convertir en pronósticos superiores. Gracias a la experiencia obtenida a través de las iteraciones anteriores de esta tecnología, hemos reunido una cantidad significativa de saber hacer en lo relacionado con el diseño de un motor de pronóstico adecuado para cubrir una amplia gama de situaciones de negocios. Image La idea misma de calcular probabilidades en lugar de un promedio provino de nuestros primeros años, cuando todavía estábamos intentando hacer funcionar el método clásico. Nos llevó bastantes intentos fallidos darnos cuenta de que el método clásico tenía un defecto intrínseco, y que no importaba la cantidad de I+D que invirtiéramos, no era posible arreglar un marco estadístico roto. Era preciso arreglar el marco estadístico en sí mismo primero para hacer que el modelo de pronóstico funcionara. Además, cada iteración de nuestro motor de pronóstico ha sido una generalización —desde un punto de vista matemático— de la versión anterior: cada nueva generación de nuestro motor de pronóstico podía gestionar más situaciones que la anterior. De hecho, es mejor que algo sea aproximadamente correcto que que sea totalmente equivocado. Las situaciones más difíciles se encuentran cuando el motor de pronóstico no puede generar los pronósticos que serían los más apropiados para una determinada situación de negocios, porque el motor no es lo suficientemente expresivo. O cuando el motor de pronóstico no puede procesar los datos de entrada que serían relevantes para obtener información estadística estratégica en cualquier situación porque, también en este caso, el motor no tiene suficiente expresividad. En Lokad, el pronóstico es un trabajo en curso. Si bien estamos orgullosos de lo que hemos hecho con nuestro motor de pronóstico probabilístico, este no representa el final de nuestros esfuerzos. A diferencia de las soluciones in situ, en las que el cambio a una nueva herramienta es un desafío en sí mismo, los clientes de Lokad tienen la ventaja de poder utilizar la siguiente generación de nuestro motor de pronóstico apenas está disponible.

Preguntas frecuentes sobre nuestros pronósticos


¿Qué modelos de pronóstico utilizan?

Nuestro motor de pronóstico deep utiliza un solo modelo diseñado a partir de los principios del aprendizaje profundo. A diferencia de los modelos estadísticos, es un modelo que presenta decenas de millones de parámetros que pueden entrenarse, lo que equivale a 1000 veces más parámetros que nuestro modelo de aprendizaje automático más complejo no deep. El aprendizaje automático supera ampliamente los métodos de aprendizaje automático anteriores (bosques aleatorios o random forests, gradient boosted trees). Aún así, vale la pena señalar que estos métodos anteriores ya superaban a los clásicos de series de tiempo (Box Jenkins, ARIMA, Holt-Winters, alisado exponencial, etc.).

¿Aprenden de sus errores de pronóstico?

Sí. El proceso de entrenamiento estadístico —que en última instancia genera el modelo de aprendizaje profundo— aprovecha todos los datos históricos disponibles en Lokad a través de un proceso conocido como análisis retrospectivo. Por lo tanto, cuantos más datos históricos haya disponibles, más oportunidades tendrá el modelo de aprender de sus errores.

¿Su pronóstico gestiona la estacionalidad, las tendencias, los días de la semana, etc.?

Sí, el motor de pronóstico gestiona todas las ciclicidades comunes, e incluso las cuasi-ciclicidades, cuya importancia a menudo se subestima. En lo que se refiere al código, el modelo de aprendizaje profundo utiliza de modo intensivo un método de series de tiempo múltiple para aprovechar las ciclicidades observadas en los productos con el fin de mejorar la precisión del pronóstico de cualquier producto específico. Naturalmente, es posible que dos productos compartan la misma estacionalidad, pero no el mismo patrón de día de la semana. El modelo es capaz de captar este patrón. Además, una de las mayores ventajas del aprendizaje profundo es su capacidad de captar adecuadamente la variabilidad de la estacionalidad misma. De hecho, una temporada puede comenzar antes o después, de acuerdo con variables externas, como el clima, y esas variaciones se detectan y se reflejan en nuestros pronósticos.

¿Qué datos necesitan?

Para poder pronosticar la demanda, el motor de pronóstico necesita contar, al menos, con la demanda histórica diaria; y que proporcionarle un historial de pedido desagregado es aún mejor. En cuando a la extensión del historial, cuanto más extenso, mejor. Si bien no es posible detectar estacionalidad con menos de dos años de historial, podemos considerar que un historial de tres años es bueno y uno de cinco años es excelente. Para poder pronosticar los tiempos de entrega, el motor generalmente requiere los pedidos de compra que contienen tanto las fechas de pedido como las fechas de entrega. Especificar los atributos de producto o SKU también ayuda considerablemente a perfeccionar los pronósticos. Además, conocer sus niveles de stock también nos ayuda a proporcionarle un primer análisis de stock significativo.

¿Pueden pronosticar con mi planilla de Excel?

Como regla general, si todos sus datos entran en una planilla de Excel, generalmente no podremos hacer mucho por usted y, sinceramente, nadie podrá. Es probable que los datos de la planilla de cálculo estén agregados por semana o por mes, y la mayor parte de los datos históricos acaban perdiéndose en esa agregación. Además, en este caso, su planilla tampoco contendrá mucha información sobre las categorías y las jerarquías que se aplican a sus productos. Nuestro motor de pronóstico aprovecha todos los datos que tiene, y hacer una prueba sobre una muestra pequeña no arrojará resultados satisfactorios.

¿Qué sucede con los desabastecimientos y las promociones?

Tanto los desabastecimientos como las promociones representan un sesgo en las ventas históricas. Debido a que nuestro objetivo es pronosticar la demanda, y no las ventas, este sesgo debe tenerse en cuenta. Un modo frecuente —pero incorrecto— de gestionar estos eventos consiste en reescribir el historial para rellenar los vacíos y truncar los picos. Sin embargo, no somos partidarios de este método, porque consiste en transmitir pronósticos al motor de pronóstico, lo que puede dar como resultado grandes problemas de sobreajuste. En cambio, nuestro pronóstico respalda en forma nativa las marcas (flags) que indican los puntos en los que la demanda ha sido censurada o exagerada.

¿Pronostican nuevos productos?

Así es. Sin embargo, para poder pronosticar nuevos productos, el motor requiere las fechas de lanzamiento de otros productos "más viejos", así como su demanda histórica en el momento del lanzamiento. Además, también se recomienda especificar algunas categorías o jerarquías de su producto. De hecho, el motor pronostica nuevos productos detectando automáticamente los productos "más viejos" que pueden considerarse comparables con los nuevos. Sin embargo, debido a que aún no se ha observado ninguna demanda de los nuevos artículos, los pronósticos se valen exclusivamente de los atributos asociados con esos artículos.

¿Es posible ajustar los pronósticos?

Una década de experiencia en pronósticos estadísticos nos ha enseñado que el ajuste de los pronósticos nunca es una buena idea. Si es necesario ajustar los pronósticos, probablemente haya un bug en el motor de pronóstico que es necesario depurar. Si no hay ningún bug que depurar, y los pronósticos se realizan como se espera desde un punto de vista estadístico, ajustarlos probablemente sea la respuesta equivocada al problema. Generalmente, la necesidad de ajustar los pronósticos refleja la necesidad de tener en cuenta algún tipo de impulsor económico, lo que tiene impacto en el análisis de riesgos "por sobre" el pronóstico, pero no en el pronóstico en sí.

¿Tienen experiencia en mi sector?

Tenemos experiencia en muchos sectores: moda, alimentos frescos, productos de consumo, electrónica, piezas de recambio, sector aeronáutico, manufactura liviana, manufactura pesada, etc. También gestionamos diferentes tipos de actores: e-commerce, mayoristas, importadores, fabricantes, distribuidores, cadenas minoristas, etc. El modo más sencillo para asegurarse de si tenemos experiencia en su sector es ponerse en contacto con nosotros directamente.

¿Utilizan datos externos para refinar los pronósticos?

Podemos utilizar datos de precios competitivos generalmente obtenidos a través de empresas terceras que se especializan en la extracción de datos web, por ejemplo. También pueden utilizarse (y posiblemente adquirirse) datos de tráfico web para enriquecer los datos históricos y de ese modo impulsar una mayor precisión estadística. En la práctica, los mayores embudos en el uso de fuentes de datos externas no se encuentran en el motor de pronóstico de Lokad —que es bastante capaz—, sino en la configuración y el mantenimiento de un pipeline de datos de alta calidad unido a esas fuentes de datos externas.