Motor de Pronóstico
Durante la última década, las tecnologías relacionadas con los datos han evolucionado enormemente. Las empresas pasaron de utilizar recetas numéricas que se conocían y utilizaban desde el siglo XIX, a tecnologías orientadas a Big Data impulsadas por Machine Learning y Deep Learning. Lokad se ha centrado en mantenerse a la vanguardia y ofrecer la mejor ciencia posible para la optimización de la cadena de suministro.
6 Generaciones de Pronóstico
Realice un viaje por el camino de la memoria y descubra las diferentes generaciones de nuestra tecnología de pronóstico.
- Programación Diferenciable (2019): la convergencia de dos campos algorítmicos: machine learning y optimización numérica
- Deep Learning (2018): Pronóstico probabilístico impulsado por la robotización a través de la inteligencia artificial (IA) y las redes de GPUs
- Pronóstico Probabilístico (2016): Aceptando la incertidumbre con Machine Learning y estadísticas de alta dimensionalidad
- Grillas de Cuantiles (2015): Observando toda la distribución de probabilidad de la demanda e inyectando restricciones de la cadena de suministro
- Pronósticos de Cuantiles (2012): Pasando de pronósticos promedio a pronósticos sesgados que reflejan asimetrías específicas del negocio
- Pronósticos Clásicos (2008): Pasando de un modelo matemático ajustado manualmente a un punto de referencia completamente automatizado de toda una biblioteca de modelos
La Combinación Correcta de Ingredientes
Una Receta para el Éxito
La tecnología de Lokad no se trata de aprovechar un (o varios) modelo estadístico mágico. Es una combinación de ingredientes que trabajan juntos para crear la alquimia adecuada. En nuestros primeros años, nos dimos cuenta bastante rápido de la gran brecha que existía entre la modelización matemática pura y la realidad de las cadenas de suministro.
Lo que funcionaba maravillosamente en teoría era completamente ineficiente cuando se aplicaba a negocios reales: los datos estaban sucios, no eran lo suficientemente profundos, demasiado dispersos, el volumen de referencias o entradas en el historial de ventas para algunos negocios hacía que ciertas clases de modelos fueran extremadamente difíciles de usar, y luego las restricciones de la cadena de suministro en sí hacían que mejorar las métricas de precisión clásicas de los pronósticos realmente degradara el rendimiento del negocio.
Lokad tuvo que encontrar las respuestas tecnológicas adecuadas para todos estos problemas y cambiar drásticamente su visión sobre el pronóstico y la optimización de la cadena de suministro.
Correlaciones
con Deep Learning
Cuando se analiza un solo producto a la vez, simplemente no hay suficientes datos para producir un pronóstico estadístico preciso. De hecho, en la mayoría de los mercados de consumo, el ciclo de vida de un producto es inferior a 4 años, lo que significa que, en promedio, la mayoría de los productos ni siquiera tienen 2 años de historial disponible, es decir, la profundidad mínima para realizar un análisis de estacionalidad confiable al analizar una sola serie de tiempo. Abordamos el problema a través de correlaciones estadísticas: la información obtenida sobre un producto ayuda a refinar el pronóstico de otro producto. Por ejemplo, Lokad detecta automáticamente la estacionalidad aplicable a un producto incluso si el producto solo se ha vendido durante 3 meses. Si bien no se puede observar ninguna estacionalidad con solo 3 meses de datos, si hay productos más antiguos y de mayor duración en el historial, entonces la estacionalidad se puede extraer de allí y aplicar a los productos más nuevos.
Potencia de Cómputo
a través de la Computación en la Nube y las GPUs
Si bien aprovechar las correlaciones dentro de los datos históricos mejora en gran medida la precisión, también aumenta la cantidad de cálculos que deben realizarse. Por ejemplo, para correlacionar 1,000 productos y examinar todas las posibles combinaciones, hay un poco menos de 1,000,000 combinaciones. Peor aún, muchas empresas tienen muchos más de 1,000 productos. Al aprovechar la computación en la nube y las Unidades de Procesamiento Gráfico (GPUs), cuando los clientes nos envían sus datos, asignamos las máquinas solo cuando las necesitamos; luego, menos de 60 minutos después, devolvemos los resultados mientras desasignamos las máquinas correspondientemente. Dado que la nube que utilizamos (Microsoft Azure) nos cobra por minuto, solo consumimos la capacidad que realmente necesitamos. Como ninguna empresa necesita hacer pronósticos más de una vez al día, esta estrategia reduce los costos de hardware en más de 24 veces en comparación con los enfoques tradicionales.
Probabilidades
Para Aceptar las Restricciones del Negocio
El pronóstico tradicional es un pronóstico mediano, es decir, un valor que tiene un 50% de probabilidad de estar por encima o por debajo de la demanda futura. Desafortunadamente, esta visión clásica no aborda las preocupaciones fundamentales de la cadena de suministro: evitar faltantes de stock y reducir el inventario. En 2016, Lokad introdujo la noción de pronósticos probabilísticos para la cadena de suministro, donde se estiman las probabilidades respectivas de cada nivel de demanda futura. En lugar de predecir un valor por producto, Lokad predice toda la distribución de probabilidad. Los pronósticos probabilísticos superan ampliamente a los pronósticos clásicos para productos de movimiento lento, ventas erráticas y demanda irregular. Creemos que dentro de 10 años, todas las empresas que se tomen en serio la optimización de inventario habrán adoptado los pronósticos probabilísticos, probablemente aprovechando una descendiente de esta tecnología.
De una Biblioteca Matemática a una Solución Integral
Tenemos una amplia biblioteca de modelos estadísticos. Incluye clásicos conocidos como Box-Jenkins, suavización exponencial, autorregresivo y todas sus variantes. Además, dado que los modelos clásicos aprovechan poco las correlaciones, hemos desarrollado mejores modelos que aprovechan todos los datos que se nos proporcionan. Desde el principio, hemos estado monitoreando continuamente la calidad de los pronósticos que entregamos y realizando simulaciones para evaluar cuidadosamente las debilidades restantes de nuestra tecnología. Seguimos mejorando nuestros modelos y alimentando nuestra biblioteca con nuevos modelos y nuevos paradigmas. Por lo tanto, nuestros clientes se benefician de una tecnología en constante mejora.
Sin embargo, nos dimos cuenta hace mucho tiempo de que esto no era suficiente y que necesitábamos profundizar en la realidad de la cadena de suministro y en las restricciones y especificidades de cada negocio. Por lo tanto, no solo no requerimos ninguna habilidad estadística por parte de nuestros clientes, sino que gestionamos todo el proceso para proporcionar una solución completamente utilizable, completa con órdenes de compra precisas, sugerencias de despacho o precios y paneles de control de indicadores clave de rendimiento para evaluar su precisión.
Nuestros científicos de la cadena de suministro están ahí para ayudarlo a incluir todos sus conocimientos empresariales en una implementación hecha a medida. Esto es posible gracias al uso de nuestro lenguaje de programación orientado a la cadena de suministro, Envision. Su flexibilidad nos permite ajustar los scripts para reflejar completamente las especificidades de su negocio, con el fin de ofrecer un complemento perfecto a nuestra tecnología de pronóstico.