Maximizar el valor empresarial mediante la integración de Big Data e IA

¿Cuál es el desarrollo único más importante que moldea el futuro de cómo las empresas impulsan el valor de negocio a partir de sus capacidades de datos y analítica?

Según MIT Sloan Management Review, es la convergencia de big data con inteligencia artificial. Sin embargo, muchas empresas, al ver los beneficios empresariales resultantes, expresan la misma duda: «No tenemos los datos para eso. Están dispersos y desorganizados. Nuestros datos no están limpios».

La IA limpia e integra datos, no al revés

Es comprensible esta aprensión. Datos dispersos, en silos y voluminosos siguen siendo un desafío común para empresas de todos los sectores. Como resultado, los líderes podrían pensar que no están listos para desplegar tecnología punta como IA. En realidad, ocurre lo contrario: la IA ayuda a limpiar, integrar y racionalizar datos para impulsar un tremendo valor de negocio.

Las mayores oportunidades para aprovechar la IA en proyectos de big data se ven en cuatro casos clave en gestión de cadena de suministro y operaciones empresariales.

Caso 1: Transformar la previsión incorporando impulsores de demanda e indicadores adelantados

Normalmente, las empresas basan sus procesos de previsión estadística en datos históricos de ventas y envíos. En el mercado actual, cada vez más volátil, los eventos pasados no siempre son los mejores predictores de eventos futuros. Los modelos basados en big data e IA crean potencial para un entorno preparado para el futuro, donde las empresas pasan de previsiones impulsadas principalmente por datos históricos de envíos a otras que incorporan diversos impulsores de la demanda. Estos incluyen eventos externos —precios competitivos, condiciones de mercado, surtidos competitivos— e internos —promociones y precios propios.

Las empresas que intentan incorporar impulsores de demanda en la previsión estadística hoy, sin machine learning e IA, deben dedicar un esfuerzo significativo a normalizar datos basándose en valores atípicos. Por ejemplo, una caída en ventas pudo deberse a una rotura de stock por una restricción en la cadena de suministro. ¿Cómo sabría el algoritmo de previsión que esa caída fue por un problema de suministro y no de demanda? En el enfoque tradicional, se requeriría intervención humana para introducir el «porqué» y corregir la historia antes de alimentar los modelos estadísticos.

Todo cambia cuando una empresa despliega una plataforma basada en IA para previsión de demanda. Los algoritmos de machine learning (ML) construyen modelos basados en patrones de datos, sin depender de instrucciones explícitas. Esto significa que las entradas de datos que impulsan la previsión pueden limpiarse, correlacionarse y atribuirse correctamente a resultados usando ML. A su vez, se generan decisiones prescriptivas basadas en la demanda a partir de los patrones observados a lo largo del tiempo.

Caso 2: Impulsar la planificación con sistemas que aprenden en lugar de conocimiento tribal

Hoy, la modelización del conocimiento sigue siendo largely tribal en muchas organizaciones. Gran parte de la toma de decisiones para la planificación reside en la cabeza y el juicio de planificadores individuales. Por ejemplo, si un planificador recibe una previsión de ventas que indica que el presupuesto de la cadena de suministro debería dirigirse a expeditar, ¿qué hará? ¿Confía en que la demanda es fiable? ¿Está dispuesto a gastar dinero real para satisfacerla, o dudará? La decisión de expeditar o no suele ser la mejor conjetura del planificador basada en su historial personal con el ejecutivo de ventas o el cliente.

Cuando se aplica IA en este escenario, el conocimiento tribal se convierte en conocimiento institucional. Los datos históricos de previsión frente a ventas permiten al sistema basado en IA aprender cómo se ve una demanda fiable y quién es probable que sea preciso (o no) en sus previsiones. Una decisión de expeditar o incurrir en costes adicionales para satisfacer la demanda se basará ahora en una recomendación inteligente: «Sí, automatice esta solicitud porque es extremadamente fiable». O «Proceda con cautela porque este cliente ha sido poco fiable en el pasado, y se requiere aprobación de la dirección».

En este entorno, los trade-offs en decisiones se toman con mayor velocidad, precisión y rentabilidad. Se elimina el sesgo humano y se asegura la continuidad en la toma de decisiones, independientemente de qué planificador esté al mando.

Caso 3: Crear modelos integrados de planificación y decisión conectando datos desconectados

Prácticamente toda empresa tiene datos desconectados. Es un desafío pervasivo. Un estudio de Vanson Bourne estimó que organizaciones de EE. UU. y Reino Unido pierden 140.000 millones de dólares anuales por datos desconectados. Los silos de datos existen por razones técnicas, estructurales y culturales.

Un problema clásico de datos empresariales desconectados radica en que muchas empresas han crecido mediante fusiones y adquisiciones. Las empresas fusionadas pueden ser una sola entidad ante el mundo, pero tras bambalinas las divisiones permanecen evidentes, a menudo durante años. Probablemente existan múltiples sistemas ERP y otros sistemas aislados para ventas, cadena de suministro y gestión de productos. Bajo un mismo techo corporativo, un único producto podría conocerse por múltiples nombres en varios sistemas dispares.

Esto crea desafíos significativos para construir una imagen consolidada que alimente la toma de decisiones requerida para la planificación. Enfoques correctivos tradicionales incluyen implementar un único sistema ERP o corregir datos en todos los sistemas fuente. Esos proyectos son caros y lentos, llevando a muchas empresas a concluir: «Sabemos que está roto, pero no podemos arreglarlo ahora».

Una empresa inmersa en datos desconectados inevitablemente tiene preocupaciones sobre abordar iniciativas integradas de planificación y decisión. Pero con IA y procesamiento de lenguaje natural, los sistemas pueden determinar que diversos puntos de datos son, de hecho, lo mismo. Se puede construir un modelo que correlacione todos esos productos para que las fuentes no necesiten cambiarse. La visibilidad de inventario, la planificación y la toma de decisiones están ahora vinculadas, porque el sistema reconoce que esos productos son idénticos.

Caso 4: Resolver los desafíos de los datos maestros en sistemas de planificación

El poder de la IA en la creación de sistemas de planificación radica en impulsar la toma de decisiones automatizada e inteligente más rápidamente. Pero otro estribillo común de los líderes corporativos es que gran parte de los datos requeridos para esas decisiones de planificación son datos maestros que no residen en ningún sistema de registro.

Por ejemplo, un gran minorista maneja cientos de miles de SKUs que fluyen por centros de distribución y red de tiendas. Necesita modelar cuánta capacidad se requiere en varias dimensiones: almacenamiento, mano de obra para manejar mercancía en tránsito, en los CD y en las tiendas. Para determinar requisitos de capacidad, debe entender qué consume cada SKU en los diversos recursos disponibles. El tiempo que una persona tarda en descargar un envío de televisores, intensivo en mano de obra, variaría significativamente del tiempo para descargar ibuprofeno, relativamente ligero.

Los datos para impulsar buenas decisiones de planificación precisas deberían basarse en el volumen de productos específicos que fluyen por los CD y sus correspondientes requisitos de capacidad. ¿Quién mantiene todos esos datos? En el pasado, esos detalles eran difíciles de modelar, porque deben hacerse a niveles agregados, y a menudo nadie capturaba y mantenía esos datos.

Ahora, con big data e IA, los minoristas pueden usar datos transaccionales de sensores IoT mientras se registran para determinar requisitos de capacidad. Mientras los trabajadores toman un envío del camión, lo mueven al CD, etc., se registra una tremenda cantidad de datos transaccionales. Usando IA, los minoristas pueden generar automáticamente los datos maestros requeridos para la toma de decisiones. Sabiendo que llega un envío de televisores, ahora cuentan con conocimiento específico, autogenerado, de cuánta mano de obra se requiere. Aquí, y en todos los casos expuestos, la IA permite a las empresas transformar sus datos en uno de sus activos más valiosos.

Chakri Gottemukkala es CEO de o9 Solutions.