Al momento de escribir esto, se proyectó que los Buffalo Bills, basados en miles de simulaciones, ganarían el Super Bowl (¡por favor, hágale saber a mi pasado si debería ir a comprar un boleto de lotería!). El uso de análisis en los deportes ha existido durante décadas, y se ha vuelto aún más frecuente en los últimos años con la evolución de una tecnología más poderosa y la aparición de la Inteligencia Artificial (IA). Por cierto, el uso de análisis en los deportes puede servir como una referencia sólida sobre cómo puede configurar mejor su cadena de suministro para identificar riesgos potenciales y analizar errores o victorias pasadas para encontrar relaciones ocultas que lo ayudarán a superar a sus competidores.
A principios de la década de 2000, los equipos de fútbol usaban hojas de cálculo y software estadístico para analizar datos y obtener una comprensión más profunda del rendimiento y las estrategias de los jugadores. Avance rápido hasta el presente: la IA y el aprendizaje automático ahora permiten a los equipos analizar grandes cantidades de datos de forma rápida y precisa, lo que permite a los analistas hacer predicciones basadas en datos sobre el rendimiento de los jugadores y los resultados del juego.
Como parte de esto, el tipo y el nivel de granularidad del detalle utilizado ha evolucionado. La NFL (Liga Nacional de Fútbol), por ejemplo, ha pasado de métricas básicas como yardas por pase y yardas por tierra, a análisis avanzados basados en la explosión de datos contextuales, dando un buen ejemplo para las empresas que buscan aprovechar al máximo los datos y análisis para impulsar mejoras en la cadena de suministro y, en última instancia, tomar decisiones más informadas.
Cómo Pro Football está aprovechando AI y ML
El mundo del fútbol ha visto un aumento alucinante en los tipos de datos de Next Gen Stats, Pro Football Focus y Football Outsiders., que los analistas aprovechan para proporcionar información sobre por qué los equipos ganan y qué tan bien se desempeñan los jugadores, así como los esquemas, decisiones o habilidades subyacentes detrás de estos eventos discretos.
Next Gen Stats (NGS) de la NFL rastrea y codifica los datos cualitativos de los jugadores, como la «salida» más rápida para los cazamariscales, la «separación más grande» para los receptores y más, para jugadores individuales. Estos datos permiten obtener información valiosa sobre la ventaja relativa, o el riesgo, de los jugadores en comparación con sus compañeros, y se pueden utilizar para contextualizar el rendimiento en función de un análisis más exhaustivo. NGS también proporciona datos contextualizados sobre el rendimiento de un jugador en relación con el rendimiento de sus compañeros en circunstancias similares, lo que incluye factores como el porcentaje de finalización por encima de lo esperado (CPOE), las yardas por acometida por encima de lo esperado y las capturas esperadas.
Vale genial. Pero, ¿dónde entra AI/ML? El papel de AI/ML está en el cómo y por qué se proyecta que los jugadores sean líderes, o tropiecen, a medida que avanza la temporada. Un ejemplo es Haason Reddick, un jugador que ahora se considera un ‘robo de agente libre’ después de acumular 12.5 capturas antes de firmar antes de la temporada 2022 con los Carolina Panthers. En 2021 tuvo 11 capturas, solo para explotar esta última temporada con 16 capturas. El análisis de ESPN y The Liberty Line lo vio venir gracias a las perspectivas contextuales de los datos. Lo convincente de este análisis es que deriva de la posibilidad de que Reddick se una a un equipo diferente, los Philadelphia Eagles, y juegue junto a Javon Hargrave y Fletcher Cox. El análisis de Liberty Line contextualizó el impacto de tener a Hargrave, quien hizo doble equipo a una tasa 60% más alta que el Tackle Defensivo promedio, junto a Haason Reddick. Si bien ESPN proyectó 9.5 capturas en función de la oportunidad de presión al pasador y la tasa de victorias (terminó con 16), la inclusión del impacto de tener un cazamariscales temido junto a Reddick hizo que el proyecto de The Liberty Line alcanzara alturas aún mayores.
Aprendizaje automático y el poder de las simulaciones
El aprendizaje automático, un subconjunto de la IA, está demostrando ser muy valioso en los deportes para analizar el rendimiento y los resultados anteriores para aprender de lo que funcionó y lo que no. Es aún más poderoso cuando los conocimientos se combinan con datos que están disponibles pero que aún no se han utilizado en las proyecciones.
Por ejemplo, en septiembre pasado, gran parte de la NFL estaba celebrando el impacto de una serie de intercambios de receptores abiertos de alto perfil. Antes de la temporada, Cynthia Frelund, analista deportiva, realizó más de un millón de simulaciones de la temporada 2022 para predecir el campo de los playoffs. Ella proyectó que los Raiders de Las Vegas se perderían los playoffs. En lugar de centrarse en la incorporación de Davante Adams en el receptor abierto al analizar los resultados del millón de simulaciones, Frelund descubrió que los Raiders estaban destinados al fracaso debido a su ‘calendario brutal’.
Este tipo de aprendizaje es lo que AI/ML aporta al análisis; no solo para proyectar el futuro, sino para aprovechar el poder de las simulaciones para identificar posibles puntos de falla y riesgos que deben tenerse en cuenta.
Liberar el potencial del aprendizaje automático en la planificación de la cadena de suministro
En un entorno cada vez más complejo con interrupciones y una creciente incertidumbre, las empresas se enfrentan continuamente al desafío de analizar rápidamente grandes cantidades de datos. A medida que las cadenas de suministro se vuelven más interconectadas, los avances en AI/ML están ayudando a las organizaciones a mejorar la calidad y la velocidad de las decisiones con un mayor grado de automatización. Esto significa que los líderes de la cadena de suministro pueden concentrarse en iniciativas estratégicas que impulsan el crecimiento mientras se adelantan a las condiciones del mercado en rápida evolución.
Al igual que con la NFL, mLos datos de la cadena de suministro de mineral están disponibles como nunca antes, lo que permite a las empresas ir más allá del análisis de los KPI básicos, como el volumen, el costo y el nivel de servicio, para evolucionar hacia la contextualización de los datos en todo el ecosistema de la cadena de suministro más amplio.
Además, ML se puede utilizar para crear modelos de autoaprendizaje. Esto puede ser especialmente útil al incorporar IA para traducir entre análisis y cómo las personas consumen y perciben los datos. Al igual que la representación de las métricas de los jugadores y el rendimiento proyectado, los líderes de la cadena de suministro pueden aprovechar AI/ML para analizar los impactos de pasar de un proveedor único a uno múltiple, aumentar la capacidad, agregar mano de obra o turnos o mantener más inventario de seguridad.
El poder de los datos y el análisis ha superado tradicional cadena de suministro procesos en muchas empresas. Aprovechar los sistemas avanzados y la IA permite a los equipos acelerar las estrategias y obtener enormes beneficios para el negocio al:
- Echar un vistazo atrás para identificar los indicadores de riesgo, incertidumbre y cambio.
- Evaluación de productos, clientes, proveedores, recursos y más para resaltar las características.
- Para crear conocimientos y conexiones entre elementos de datos aparentemente no relacionados.
Y luego use ML para monitorear continuamente esos indicadores para transformar el resultado de la planificación y realizar cambios en su cadena de suministro que aborden las condiciones cambiantes, gestionen los riesgos y maximicen las oportunidades.
hemos venido un muy lejos de las hojas de cálculo y el uso de elementos de datos básicos para obtener información e impulsar el plan. Las cadenas de suministro pueden aprender mucho de los deportes profesionales y de la capacidad de obtener conocimientos más valiosos. Para hacerlo, necesitamos ir más allá del proceso de pensamiento básico, más allá de las métricas tradicionales para observar otros factores que podrían afectar las operaciones. Los analistas deportivos pueden haber visto Haason Reddick como un jugador excepcional, pero fue la capacidad de observar todos los diversos factores que podrían afectar su desempeño lo que comenzó a pintar la imagen real y resaltar lo que todos ya sabemos: los negocios, como en los deportes, son más que solo el individuo. Es el equipo, los factores que nos rodean los que también contribuyen a nuestro éxito o tropiezos.
Para la cadena de suministro, ya pasó el momento de comenzar a usar los datos de manera más inteligente.