Precisión impulsada por IA: Transformando la previsión de alimentos perecederos

Prever la demanda real siempre ha sido un desafío, y es especialmente difícil para empresas de alimentos que operan en categorías frescas y perecederas. Al mismo tiempo, la previsión precisa es esencial para la planificación y ejecución de la cadena de suministro upstream, y para reducir el desperdicio de alimentos y financiero.

En tiempos de inconsistencia del mercado como la pandemia de COVID-19, la mayoría de los pronosticadores se han quedado agarrando a la verdad —intentando equilibrar patrones de demanda típicos con el impacto de compras de pánico, escaseces de categoría y complejidades logísticas.

Incluso en condiciones de mercado "normales", sin alineación y visibilidad en torno a una única previsión impulsada por el consumo, los proveedores upstream (minoristas, mayoristas y productores) se ven obligados a generar sus propias previsiones aisladas.

Cuando las previsiones se crean independientemente, sesgos, errores y stocks de seguridad se componen, porque cada previsión refleja solo el historial de pedidos, patrones, fluctuaciones de precios, y disponibilidad real o percibida de insumos de su socio inmediato downstream en la cadena.

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

La promesa está aquí

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

Sin embargo, hemos alcanzado un nuevo punto de inflexión en nuestra capacidad para usar tecnología para incorporar eficientemente numerosas señales de demanda. Plataformas de análisis de big data, inteligencia artificial (IA), aprendizaje automático y modelos de previsión ágiles juegan un papel importante en la generación de previsiones significativamente más fiables. Finalmente, las herramientas que aprovechan estas tecnologías están demostrando su valía, y podemos mirar a lo largo de la cadena de suministro y usar todos sus datos de una manera que no era posible antes.

Las plataformas de previsión de demanda impulsadas por IA no dependen del modelado de ventas históricas como muchas plataformas de demanda tradicionales. En su lugar, usan influenciadores dinámicos de demanda, algoritmos, datos en tiempo real y tecnología en la nube para predecir con precisión comportamientos y tendencias.

Por ejemplo, tendencias demográficas y de estilo de vida de la audiencia, patrones de compra, eventos climáticos, aranceles comerciales e iniciativas de marketing de minoristas tienen impactos significativos en el comportamiento del comprador y la precisión de la demanda. Pero estos datos típicamente residen en múltiples repositorios desconectados.

Usando algoritmos y analítica predictiva, plataformas de previsión de demanda impulsadas por IA y aprendizaje automático analizan volúmenes masivos de datos sin importar dónde vivan. Esta tecnología puede identificar automáticamente los factores más relevantes que impactan la demanda del consumidor, anticipar cambios en la demanda y comportamiento del comprador con antelación, reducir devoluciones de cargo, y entregar predicciones probabilísticas imparciales sobre la demanda futura.

Desbloquear el potencial de todos estos datos no solo permite previsiones de demanda más precisas, sino que también apoya un enfoque holístico de gestión de inventario. A medida que crece la confianza en la precisión de la previsión, los saldos de inventario iniciales pueden mantenerse en niveles más bajos —mientras se siguen cumpliendo los requisitos del cliente.

Además, debido a que la IA y el aprendizaje automático pueden procesar entradas tan rápidamente, la información se entrega mientras sigue siendo significativa. Se puede actuar para satisfacer la demanda cambiante o la disponibilidad de artículos frescos o perecederos y necesidades de socios o consumidores. Por ejemplo, ¿qué pasaría si durante la pandemia, proveedores de productos frescos y carnes hubieran podido reempaquetar y cambiar la distribución de mayorista de restaurantes a puntos de venta de comestibles para consumidores más rápidamente?

La Asociación de Productos Frescos de Estados Unidos estimó que la industria de productos frescos en general perderá al menos el 40% de las ventas durante el brote de COVID-19. Y aunque no todo esto puede cambiarse a comestibles o retail para consumidores, las marcas que pueden transicionar más rápido que sus competidores son capaces de proteger más ingresos y empleos.

Tecnología más inteligente

Las plataformas de previsión impulsadas por IA aplican múltiples algoritmos para determinar automáticamente las métricas más relevantes para cada producto o SKU en el sistema. El tiempo dedicado a recopilar, actualizar, integrar y reconciliar datos competidores de múltiples hojas de cálculo se elimina, permitiendo a los profesionales de previsión dedicar su tiempo a optimizar la demanda y coordinar con otros departamentos como marketing para encontrar nuevas fuentes de ingresos. El valor de la colaboración entre departamentos y socios externos, operando desde una única fuente de verdad, no puede subestimarse.

Resultados comprobados

Los resultados del uso de modelos impulsados por IA son convincentes. Nounós Creamery empleó recientemente una herramienta así para automatizar la previsión de demanda y reducir el tiempo dedicado a la previsión de dos horas cada semana a solo 10 minutos. Los líderes de Nounós estaban frustrados por la falta de información real, y estaban desperdiciando horas y dinero valiosos comparando manualmente datos de su software de contabilidad y sistema de gestión de inventario. Este proceso solo proporcionaba una idea vaga de cuánto yogur debía fabricar la empresa, y qué sabores priorizar.

Nounós pudo incorporar datos de todas las fuentes relevantes y confiar en los algoritmos para hacer recomendaciones de previsión. Las proyecciones son tan precisas que la empresa redujo la sobreproducción en un 40% casi de inmediato, ahorrando ingresos significativos en pérdida de producto. También ha permitido a Nounós anticipar la demanda real esperada para cada sabor, impulsando mayor eficiencia en el proceso de manufactura.

Este nuevo enfoque de previsión de demanda está creciendo en adopción por razones financieras, pero también porque es altamente escalable. Funciona igual de bien para marcas de alimentos especializadas que para grandes marcas multinacionales. La previsión de demanda impulsada por el consumidor llegó para quedarse. Usar la analítica y tecnología más recientes presenta una tremenda oportunidad para domar el efecto látigo, y satisfacer la demanda en el punto exacto correcto.

Are Traasdahl es cofundador y CEO de Crisp.