Cómo la IA está cambiando el pronóstico de alimentos perecederos

Pronosticar la demanda real siempre ha sido un desafío, y es especialmente difícil para las empresas de alimentos que operan en las categorías de productos frescos y perecederos. Al mismo tiempo, una previsión precisa es esencial para la planificación y ejecución de la cadena de suministro inicial, y para reducir el desperdicio de alimentos y financieros.

En tiempos de inconsistencia del mercado como la pandemia de COVID-19, la mayoría de los pronosticadores se han quedado aferrados a la verdad, tratando de equilibrar los patrones de demanda típicos con el impacto de las compras de pánico, la escasez de categorías y las complejidades logísticas.

Incluso en condiciones de mercado "normales", sin alineación y visibilidad en torno a un pronóstico único impulsado por el consumo, los proveedores ascendentes (minoristas, mayoristas y productores) tienen que generar sus propios pronósticos en silos.

Cuando los pronósticos se crean de forma independiente, los sesgos, los errores y las existencias de seguridad se agravan, porque cada pronóstico refleja solo el historial de pedidos, los patrones, las fluctuaciones de precios y la disponibilidad real o percibida de insumos de su socio inmediato en la cadena.

Este efecto látigo, en el que un cambio de más o menos 5% en la demanda real del consumidor impacta a los proveedores upstream hasta en un 40% en cualquier dirección, significa que mantener un inventario preciso de manera constante, incluso en el mejor de los tiempos, es un desafío. Hoy, durante la pandemia, es imposible.

La promesa está aquí

El uso de la tecnología para conectar socios a lo largo de la cadena de suministro no es nuevo, pero durante la última década no ha sido tan eficaz como se esperaba.

Sin embargo, hemos alcanzado un nuevo punto de inflexión en nuestra capacidad de usar la tecnología para incorporar de manera eficiente numerosas señales de demanda. Las plataformas de análisis de big data, la inteligencia artificial (IA), el aprendizaje automático y los modelos de pronóstico ágiles juegan un papel importante en la generación de pronósticos significativamente más confiables. Por último, se están probando las herramientas que aprovechan estas tecnologías y podemos analizar la cadena de suministro y utilizar todos sus datos de una manera que antes no era posible.

Las plataformas de pronóstico de demanda impulsadas por IA no se basan en modelos de ventas históricos como muchas plataformas de demanda tradicionales. En su lugar, utilizan influenciadores de demanda dinámica, algoritmos, datos en tiempo real y tecnología en la nube para predecir con precisión comportamientos y tendencias.

Por ejemplo, las tendencias demográficas y de estilo de vida de la audiencia, los patrones de compra, los eventos climáticos, las tarifas comerciales y las iniciativas de marketing minorista tienen un impacto significativo en el comportamiento del comprador y la precisión de la demanda. Pero estos datos normalmente residen en varios repositorios desconectados.

Mediante el uso de algoritmos y análisis predictivo, la inteligencia artificial y las plataformas de previsión de la demanda impulsadas por el aprendizaje automático analizan volúmenes masivos de datos independientemente de dónde residan. Esta tecnología puede identificar automáticamente los factores más relevantes que afectan la demanda del consumidor, anticipar cambios en la demanda y el comportamiento del comprador con anticipación, reducir las devoluciones de cargo y ofrecer predicciones probabilísticas imparciales sobre la demanda futura.

Liberar el potencial de todos estos datos no solo permite pronósticos de demanda más precisos, sino que también respalda un enfoque holístico de la gestión de inventario. A medida que aumenta la confianza en la precisión del pronóstico, los saldos de inventario inicial se pueden mantener en niveles más bajos, sin dejar de cumplir con los requisitos del cliente.

Además, debido a que la inteligencia artificial y el aprendizaje automático pueden procesar las entradas con tanta rapidez, la información se entrega mientras sigue siendo significativa. Se pueden tomar medidas para satisfacer la demanda cambiante o la disponibilidad de artículos frescos o perecederos y las necesidades de los socios o consumidores. Por ejemplo, ¿qué pasaría si durante la pandemia, los proveedores de productos frescos y carne hubieran podido reempacar más rápidamente y cambiar la entrega de la distribución mayorista de restaurantes a los puntos de venta de comestibles para el consumidor?

La United Fresh Produce Association estimó que la industria de productos agrícolas en general perderá al menos el 40% de las ventas durante el brote de COVID-19. Y aunque no todo esto se puede trasladar a los supermercados o minoristas de consumo, las marcas que pueden realizar la transición más rápidamente que sus competidores pueden proteger más ingresos y empleos.

Tecnología más inteligente

Las plataformas de pronóstico impulsadas por IA aplican múltiples algoritmos para determinar automáticamente las métricas más relevantes para cada producto o SKU en el sistema. Se elimina el tiempo dedicado a recopilar, actualizar, integrar y conciliar datos de la competencia de varias hojas de cálculo, lo que permite a los profesionales de la previsión dedicar su tiempo a optimizar la demanda y coordinarse con otros departamentos, como marketing, para encontrar nuevas fuentes de ingresos. No se puede subestimar el valor de la colaboración entre departamentos y socios externos, que operan desde una única fuente de verdad.

Los resultados del uso de modelos impulsados ​​por IA son convincentes. Nounós Creamery empleó recientemente una herramienta de este tipo para automatizar la previsión de la demanda y reducir el tiempo dedicado a la previsión de dos horas por semana a solo 10 minutos. Los líderes de Nounós estaban frustrados por la falta de conocimiento real y estaban desperdiciando valiosas horas y dinero comparando manualmente los datos de su software de contabilidad y su sistema de administración de inventario. Este proceso solo proporcionó una vaga idea de cuánto yogur debería fabricar la empresa y qué sabores priorizar.

Nounós pudo obtener datos de todas las fuentes relevantes y confiar en los algoritmos para hacer recomendaciones de pronóstico. Las proyecciones son tan precisas que la empresa redujo la sobreproducción en un 40% casi de inmediato, lo que ahorró importantes ingresos por pérdida de producto. También ha permitido a Nounós anticipar la demanda real esperada para cada sabor, impulsando una mayor eficiencia en el proceso de fabricación.

Este nuevo enfoque para el pronóstico de la demanda está creciendo en adopción por razones financieras, pero también porque es altamente escalable. Funciona tan bien para las marcas de alimentos especiales como para las grandes marcas multinacionales. La previsión de la demanda impulsada por el consumidor llegó para quedarse. El uso de los últimos análisis y tecnología presenta una gran oportunidad para controlar el efecto látigo y satisfacer la demanda en el punto exacto correcto.

Are Traasdahl es cofundador y director ejecutivo de Crisp.