La mayoría de las marcas, distribuidores, tiendas outlet y otros participantes de la cadena de suministro de CPG ya han visto la necesidad de un centro de control de la cadena de suministro. La gestión eficaz de las diversas piezas en movimiento requiere datos en tiempo real (datos de ubicación, datos de cantidad, datos ambientales y otros datos relevantes). Incluso el paso en falso más pequeño en la cadena de suministro puede resultar en la pérdida de ingresos por demanda no satisfecha o en la pérdida de clientes debido al cambio de marca.
Tener una vista única y unificada del estado de la cadena de suministro de principio a fin permite a los fabricantes hacer ajustes en las capacidades de producción y permite a los puntos de venta abastecerse de materiales críticos relevantes, como los semiconductores, antes de que la escasez se agudice. Esta vista única y unificada se conoce como la Torre de control de la cadena de suministro y permite monitorear y resolver problemas críticos en la cadena de suministro.
Un elemento de la complejidad de la gestión de la cadena de suministro surge del hecho de que el «pronóstico» del producto impulsa todo, desde la adquisición de materias primas y piezas hasta la fabricación de los productos, la distribución de los productos y, finalmente, poner el producto en manos de los clientes. Para crear un pronóstico preciso, los fabricantes minoristas recurren a la inteligencia artificial (IA) y crean modelos de aprendizaje automático (ML). Un pronóstico preciso les permitirá crear la cadena de suministro en lugar de administrar la cadena de suministro.
Las marcas de CPG también se están dando cuenta de que deben crear muchos modelos para cada producto que se vende a nivel mundial.
Muchos de los atributos que influyen en el pronóstico no se pueden cuantificar y no pueden ser parte de un solo modelo de ML. Por ejemplo, la cultura de un país da forma a la demanda del color de los lápices labiales vendidos en ese país, y un modelo global no será suficiente. Los ingenieros de datos deben construir diferentes modelos para la demanda de lápiz labial en los diferentes países.
Como consecuencia, las marcas de CPG terminan con muchos modelos para administrar, cada uno de los cuales es extremadamente complejo de operar. Por lo tanto, se hacen la pregunta: necesitamos una torre de control de la cadena de suministro; ¿Necesitamos ahora también una torre de control para los modelos de aprendizaje automático?
Primero, demos un paso atrás y consideremos: ¿qué es una torre de control de ML?
Una torre de control de ML es el panel único que los científicos de datos y los ingenieros de ML pueden utilizar para supervisar todos sus modelos en desarrollo, prueba y producción. La mayoría de las empresas no creen que necesitan una torre de control de ML hasta que comienzan a manejar más de una docena de modelos en producción simultáneamente. Hasta ese momento, los ingenieros de ML y los científicos de datos pueden administrar manualmente, tal vez utilizando un repositorio de modelos de ML estándar.
Sin embargo, a medida que comenzamos a trabajar con más equipos empresariales, vemos que no es solo la cantidad de modelos lo que impulsa la necesidad de una torre de control de ML, sino también la complejidad de operar estos modelos al mismo tiempo.
Hay cuatro factores en juego:
1) Primero está la complejidad de obtener modelos en línea y fuera de línea. ¿Cómo entregan los científicos de datos los modelos a los ingenieros de ML para que los prueben? ¿Cómo gestionan el control de versiones para implementar el mejor y más reciente modelo mientras retiran los modelos obsoletos, especialmente si se trata de un modelo que forma parte de una cadena más grande (por ejemplo, actualizando un modelo de segmentación que forma parte de un modelo de precios dinámico más grande)? ?
2) Lo siguiente es la complejidad en torno a todas las permutaciones de un solo modelo. ¿Qué tan fácil es buscar en todos los modelos para encontrar el que están buscando, verificar su estado y moverlo del entorno de prueba al de producción?
3) Luego está la complejidad de optimizar los recursos informáticos entre los científicos de datos y entre diferentes casos de uso. Una torre de control de ML permite que diferentes científicos de datos y casos de uso compartan recursos, en lugar de instalar canalizaciones dedicadas que pueden absorber recursos incluso cuando no están en uso.
4) Finalmente, existe un monitoreo, prueba y resolución de problemas continuos para optimizar el rendimiento de los modelos en vivo. Una torre de control de ML adecuada proporciona una observabilidad completa del modelo para garantizar que tenga el modelo de mejor rendimiento en producción.
Pronóstico de la demanda y los peligros de la “deriva”
Tomemos, por ejemplo, la previsión de la demanda. Probablemente no sea una exageración decir que el 60-80% del éxito de un fabricante o minorista depende de un pronóstico preciso. Los pronósticos determinan los productos y las cantidades producidas en la planta de fabricación, que luego determinan lo que se distribuye a las diferentes tiendas y se almacena en los estantes meses después. Si los pronósticos son incorrectos, meses después, los consumidores no tendrán el producto que desean, lo que provocará un movimiento lento del inventario y, lo que es más importante, la posible pérdida de clientes al sustituir un producto por el de un competidor.
Los CPG han adoptado AI y ML para construir modelos más precisos, integrando más factores como el clima, factores económicos hiperregionales y otros elementos no cuantificables. Si bien estos modelos basados en IA pueden ser mucho más precisos que los analistas humanos, también son propensos a sesgos ocultos que pueden generar discrepancias con las preferencias actuales de los clientes. Y, dado que las empresas de CPG pueden tener fácilmente millones de estos modelos ML debido a la cantidad de productos y la cantidad de mercados en los que operan, el riesgo se multiplica millones de veces.
Recientemente hablé con el jefe de análisis de la cadena de suministro en una marca global de CPG. Mencionó cómo, el último trimestre, uno de sus modelos de IA predijo una demanda que se redujo en más del 50 % con respecto a los años anteriores, lo que provocó que la planta de fabricación cuestionara el modelo. Cuando profundizaron, vieron que su modelo había sido descartado por el cambio masivo en la demanda durante el COVID-19. Pero, ahora que el consumo había comenzado a volver a la normalidad, su modelo de IA no había logrado sopesar las señales de demanda de las últimas semanas con la demanda general de los últimos dos años y medio. Esta discrepancia se conoce como “deriva”. Si la deriva pasa desapercibida durante el tiempo suficiente, puede tener consecuencias desastrosas, en particular para funciones básicas como la previsión de la demanda.
El analista de la cadena de suministro entendió que los errores de software típicos conducen a problemas de rendimiento obvios; por ejemplo, el software no funciona en absoluto. Pero los modelos de IA y ML son muy diferentes. Muchas veces no se equivocan porque dejan de funcionar, sino porque dejan de ser precisos. Es decir, suponiendo que los datos entrantes estén estructurados de la misma manera, el modelo seguirá arrojando inferencias como si todo fuera igual. Las empresas deben descubrir cómo detectar cuándo sus modelos actúan como si el presente fuera el mismo que el pasado, incluso después de que cambia el entorno.
Para el analista, al igual que con otras empresas que buscan generar valor a partir de inversiones en IA/ML, existe la necesidad de un enfoque diferente para las operaciones del modelo ML, uno que se centre en generar valor continuo en lugar de un lanzamiento de software único.
En el futuro, las empresas no solo solicitarán una solución de implementación para sus modelos de ML, sino también la visibilidad completa y las capacidades de gestión de una torre de control de ML.
Manish Sinha es asesor especial de Laboratorios Wallaroo.
