La vida en un mundo digital

El poder de los macrodatos y el aprendizaje automático en el sector de la logística

Gay Sutton se desentiende de la narrativa sensacionalista y plagada de errores en torno a los macrodatos (big data), la inteligencia artificial y el aprendizaje automático e intenta descubrir cómo se está canalizando de manera rentable hacia la mejora de las operaciones logísticas y la gestión de la cadena de suministro el gigantesco flujo de datos que existe hoy en línea.

La digitalización de prácticamente cualquier aspecto de nuestras vidas puede hacernos pensar que ya vivimos en un mundo virtual donde las interacciones humanas, las compras y las actividades de ocio solamente tienen lugar en línea y nunca cara a cara. Esta tendencia ha dado lugar a una avalancha desbordante de datos.

Hace años que los datos generados en los terminales punto de venta (TPV) se usan para mejorar las previsiones y optimizar las actividades logísticas y la cadena de suministro. En la actualidad, se empieza a invertir en tecnologías GPS (sistemas globales de posicionamiento) y RFID (identificación por radiofrecuencia) para realizar un seguimiento de productos, procesos y entregas. Sensores y cámaras web monitorizan los vehículos de transporte y los equipos de producción, lo que permite un mantenimiento predictivo que mejora la fiabilidad. Pero esto apenas supone la punta del iceberg de los datos.

En este mismo instante se está generando una enorme cantidad de datos a partir de nuestras actividades de navegación en la red y hábitos de compra en línea, y también a partir de fuentes de datos no estructuradas como cámaras de vídeo y videovigilancia, imágenes y publicaciones de redes sociales, y mucho más.

El nuevo mundo

En el pasado, analizar este inmenso e interminable flujo de datos habría supuesto un desafío imposible de asumir, pero esto ya no es así.

«En los últimos años, hemos presenciado enormes avances en la potencia de computación, y ahora podemos procesar estas gigantescas cantidades de datos de manera mucho más rentable y coherente», afirma Andrew Fowkes, jefe del centro minorista de excelencia en la empresa de analíticas SAS. «Las analíticas que hace unos años hubieran tardado días en completarse pueden ahora ejecutarse en segundos».

Además, este análisis puede realizarse en la nube, lo que hace cada vez menos necesario invertir grandes sumas para almacenar datos y disponer de potencia de computación in situ. El uso del software en la nube puede «escalarse» o «desescalarse» de acuerdo con las necesidades del negocio. A medida que la tecnología madure, empresas de todos tipos y tamaños podrían tener a su alcance analíticas de la máxima calidad.

El sector minorista es un ejemplo perfecto de las mejoras que ya están en marcha. Tradicionalmente, los terminales punto de venta (TPV) han proporcionado una gran cantidad de datos para analizar en orden cronológico. Hoy día es posible incorporar a los cálculos una amplia variedad de datos adicionales: meteorología, tráfico de navegación en la web, actividad de la competencia o atributos únicos del producto específico como la ubicación o incluso el cliente (ver cuadro). Muchos de estos datos son textuales. Su aplicabilidad puede variar a lo largo del tiempo y verse además afectada por los sucesos acontecidos en el contexto de su mercado específico, como las promociones y las modas. ¿Cómo pueden entonces combinarse las analíticas actuales con estas variables tan heterogéneas e interpretarse de manera coherente?

Presentamos la máquina inteligente

«Para lograr una previsión mucho más exacta de la demanda, usamos un modelo de aprendizaje automático, o combinamos un modelo de aprendizaje automático para una serie de productos con un enfoque cronológico», responde Andrew.

Las empresas pueden aprovechar el rastro que los consumidores dejan en línea para guardar su historial de navegación y compras. Este historial puede incluso incluir productos que se hayan añadido a la cesta de compra pero no se hayan adquirido: un indicador muy sutil de los gustos y la demanda. «De este modo, ya no hay que hacer cábalas de por qué las ventas se comportan de la manera que lo hacen. Basta con proporcionar a la máquina los datos en tiempo casi real y esta usará el flujo continuo de datos y otros atributos para determinar qué está sucediendo y por qué».

El resultado es una previsión mucho más precisa, que puede comunicarse a través de la cadena de suministro para mejorar el encargo de materiales, los niveles de producción y el procesamiento de pedidos, consiguiéndose de este modo una mejor gestión del inventario y la optimización de todo el proceso.

Las cifras que cita Andrew son impresionantes. «Tenemos clientes que han puesto en marcha modelos de aprendizaje automático y han experimentado un aumento de entre el 3 y el 10 % en la precisión de sus previsiones de existencias. Estos números brindan un ahorro considerable a la hora de hacer llegar la mercancía en los volúmenes correctos a las ubicaciones correctas, y de erradicar el inventario redundante».

Una de las propiedades fundamentales del aprendizaje automático es, precisamente, la capacidad de aprender. Una vez en funcionamiento, las máquinas están aprendiendo y mejorando continuamente por sí solas. Son capaces, por ejemplo, de valorar y sopesar la influencia de factores tales como los atributos de los productos, y luego usar esos conocimientos para mejorar su rendimiento. Si un humano interviene después para modificar una previsión, la máquina también aprende de ello. «Estamos descubriendo que las propias máquinas pueden evaluar las interacciones humanas de manera efectiva y aplicar lo aprendido en situaciones futuras. En otras palabras, se corrigen a sí mismas».

«Los nuevos modelos de previsión pueden ofrecer algo que no hemos visto antes: predicciones realmente fiables para productos nuevos sin historial de ventas. Se trata de una noticia fantástica para cualquier empresa».

Los próximos avances

Este nuevo mundo se mueve con rapidez, y son muchos los avances actualmente en marcha. Ya hemos sido testigos directos de la visión artificial, que usa el aprendizaje automático para reconocer y analizar imágenes digitales y tomar decisiones en función de ellas. En una línea de producción, por ejemplo, puede identificar defectos en el producto y decidir, en ese mismo lugar y momento, si retirar de la línea de producción la pieza defectuosa para desecharla o repararla. Si, entonces, un humano interviene y anula esa decisión, la máquina aprenderá de ello y mejorará su veredicto la próxima vez. Mientras tanto, en el sector de la logística, DHL está desarrollando una aplicación de visión artificial que reconoce las características de los paquetes y decide el mejor modo de apilarlos para optimizar la carga de aviones y camiones.

Aún más atractiva es la idea de analizar las imágenes y publicaciones de las redes sociales para conocer cómo cambian los gustos de los clientes y las tendencias y, después, aplicar estos conocimientos a la previsión de la demanda. Los comentarios de Twitter, por ejemplo, expresan a menudo reacciones ante ciertos productos o acontecimientos, mientras que las imágenes de Instagram pueden usarse para identificar tendencias. ¿Qué colores y estilos de ropa se están llevando más? ¿Qué alimentos quiere probar la gente? Las opciones son interminables, y los datos obtenidos son de un valor incalculable para lograr previsiones precisas. Pueden además suministrarse a otras aplicaciones. Por ejemplo, hay planes para monitorizar Internet y las redes sociales en busca de cualquier señal que pudiera indicar la interrupción de un ciclo de entrega; ello ayudaría a restablecer el servicio lo antes posible.

«Ya hemos dejado atrás el sensacionalismo que rodeaba la inteligencia artificial y hemos entendido que el aprendizaje automático es bastante práctico», puntualiza Andrew. Y, a medida que las máquinas aprendan, surgen capacidades aún más interesantes. «Los nuevos modelos de previsión pueden ofrecer algo que no hemos visto antes: predicciones realmente fiables para productos nuevos sin historial de ventas. Se trata de una noticia fantástica para cualquier empresa. Pone fin a las cábalas y evita dejar las cosas al azar teniendo que predecir la demanda en base a otro producto distinto».

En el futuro

Vivimos un momento interesante en el desarrollo de esta tecnología, pero, como comenta Andrew: «Como pasa siempre llegados a un punto, pronto nos parecerá normal usar todos los datos de que dispongamos. Así que, en vez de evaluar los datos en bruto y luego almacenarlos para su uso posterior, cada vez más organizaciones dejarán que estos sigan su curso. Los algoritmos de aprendizaje automático pueden analizarlos casi en tiempo real, lo que nos ofrece un resultado mucho más preciso e inmediato».

Y concluye: «Las máquinas se diseñarán para ir por delante de nosotros, lo que nos acercará más a la idea de enviar un producto al cliente incluso antes de que lo demande. Creo que es ahí donde nos dirigimos».