No todos los retailers pueden pronosticar con precisión el impacto de la meteorología en sus previsiones de demanda, pero todos los retailers reconocen que la meteorología tiene impacto en su demanda. Pongamos por ejemplo: la primera ola de calor del año va a golpear a un conjunto de tiendas este fin de semana. Podemos esperar que los compradores locales se hagan con cervezas, carne para la barbacoa y bolsas de carbón para celebrar la llegada del buen tiempo al aire libre. Mientras los clientes esperan pasar un fin de semana de relax con familia y amigos, los planificadores de la cadena de suministro han de ponerse a trabajar.
La capacidad que tenga el equipo de inventario para pronosticar y preparar con exactitud el impacto de esta previsión meteorológica marcará la diferencia entre capitalizar una mayor oportunidad de ventas o perder dinero. Si dejamos que el buen tiempo nos pille por sorpresa y no pedimos el suficiente stock para satisfacer el aumento de la demanda, perderemos ventas!
Por otro lado, si sobreestimamos el impacto de la meteorología y vemos un aumento de la demanda menor de la que habíamos planeado, tendremos un exceso de stock. Para los productos de seco como cerveza o carbón podemos tener problemas de capacidad, pero para los productos perecederos como la carne, corremos el riesgo de sufrir considerables pérdidas monetarias debido a las mermas.
La Meteorología Tiene un Impacto Complejo Sobre la Demanda del Retail
El ejemplo de la barbacoa es un buen punto de inicio para demostrar el impacto que puede tener la previsión meteorológica, pero ahora consideremos los diferentes tipos de eventos meteorológicos que pueden tener un impacto en la demanda. Pensemos no solo en los días soleados y calurosos del inicio de la primavera, sino en los días con olas de calor extremo, días de llovizna, lluvias torrenciales, los primeros días frescos de otoño, primeras nieves, tormentas de hielo y cualquier otro tipo de evento meteorológico que pueda tener un impacto en la demanda de nuestras tiendas.
Ahora tengamos en cuenta cada producto de nuestro surtido. ¿La demanda de botas de agua será igual de reactiva a la temporada de lluvias que la de los paraguas? ¿Y para los impermeables? ¿Qué pasará con los sombreros? ¿Calcetines? ¿Verduras congeladas?
Obviamente, parece bastante intuitivo que las verduras congeladas no van a ser particularmente reactivas al tiempo lluvioso. Pero las matemáticas se vuelven extremadamente complicadas, muy rápidamente. Hay un enorme número de factores meteorológicos diferentes que afectarán a diferentes tiendas de nuestra red cualquier día, creando diferentes impactos en diferentes productos del surtido.
Queda claro que no toda la meteorología tiene un impacto. En el retail de alimentación, por ejemplo, las variaciones de temperatura de un día a otro, las nubes, o una lluvia normal no van a tener un impacto en las previsiones de ventas porque la gente tiene que comer. El reto es identificar automáticamente las combinaciones de factores específicos que sí tendrán un impacto en la demanda, como ese primer día soleado de barbacoa.
Este reto es demasiado intenso en datos y cálculos como para poder ser abordado por un equipo de planificación de forma manual. Los retailers tienen que recurrir al software de previsión de la demanda basada en inteligencia artificial para procesar enormes conjuntos de datos y ejecutar una enorme cantidad de cálculos. Sólo entonces pueden definir automáticamente las relaciones entre todos los factores meteorológicos que potencialmente tienen un efecto sobre la demanda a un nivel granular, día-producto-tienda.
Los algoritmos de machine learning impulsan mejoras significativas en la precisión de los pronósticos de ventas. Con la solución tecnológica y la estrategia correctas, pueden prepararse con precisión para las fluctuaciones de la demanda relacionadas con la meteorología y asegurarse de que están capitalizando las oportunidades, sin sufrir pérdidas.
Machine Learning Tiene en Cuenta la Meteorología en las Previsiones de la Demanda
Tradicionalmente, los retailers han usado los modelos de series temporales para construir sus pronósticos de referencia. Este enfoque utiliza los patrones recurrentes en los datos históricos, por ejemplo, las variaciones estacionales y entre los días de la semana, para hacer pronósticos sobre la futura demanda. Si lo que queremos es identificar y modelar con exactitud el impacto de la meteo, es necesario contar con el machine learning. Y es más, sólo un sistema de pronóstico basado completamente en machine learning es capaz de calcular automáticamente cómo ese impacto interactuará con una variedad de otros factores para afectar a la demanda general.
Machine Learning Tiene en Cuenta una Amplia Variedad de Factores que Afectan en la Demanda
Un software de previsión de la demanda equipado con algoritmos de machine learning puede tener en cuenta una amplia variedad de variables potenciales con impacto en la demanda en un modelo de pronóstico único. Estas variables pueden clasificarse en tres categorías:
- Variaciones recurrentes en la demanda base, como las variaciones relacionadas a los días de la semana o las temporadas.
- Decisiones de negocio internas dirigidas a captar la atención del consumidor y ofrecer una ventaja competitiva, como promociones, ajustes de precios, o cambios en los displays de tienda.
- Factores externos, como eventos locales, cambios en una tienda del barrio o situación competitiva o el tema que estamos comentando: la meteorología
No hay ningún equipo de planificación, da igual lo amplio o talentoso que sea, que pueda procesar humanamente una cantidad de datos tan inmensa de forma continuada. Sin embargo, el software basado en machine learning puede hacer millones de estos cálculos de pronóstico en tan solo un minuto, con avances en procesamiento de datos a gran escala y tecnología in-memory.
Cómo el Machine Learning Diseñado para el Retail Identifica los Efectos Meteorológicos que Tienen Impacto en la Demanda
Capturar con exactitud el impacto de la meteorología en la demanda es más complicado que vincular temperaturas con resultados. La gran mayoría de los datos que se procesan de esta manera serán inútiles para el pronóstico, porque la mayoría de los días de un año determinado tienen temperaturas dentro del rango esperado, y por lo tanto, no tienen realmente un impacto en la demanda. Estas temperaturas diarias tienen una fuerte correlación con los patrones estacionales que ya se han captado en los datos históricos existentes; normalmente hace más calor en verano y más frío en invierno.
Un enfoque exitoso requiere una ingeniería con características inteligentes, o la aplicación de un conocimiento especializado de la industria para ayudar a que la solución extraiga información de los datos sin procesar que pueda usarse para ponerse a trabajar en un entorno de retail. Cuando una solución está equipada con funcionalidades inteligentes y diseñada para retail, el machine learning puede explicar las variaciones de la demanda que de otro modo no se podrían capturar y que en realidad son atribuibles a las observaciones y previsiones meteorológicas. Estos modelos pueden pronosticar cómo las previsiones meteorológicas locales interactuarán con cada uno de los factores que tienen impacto en la demanda para los que se tienen datos disponibles.
El Machine Learning Puede Estimar el Impacto en la Demanda de todos los Factores que Influyen
El primer fin de semana de barbacoa de principios de primavera es el ejemplo perfecto de una meteorología que realmente tiene impacto en la demanda: hace una muy buena temperatura animando a la gente a estar al aire libre. Así qué, ¿qué pasa cuándo ponemos a una solución de previsión de la demanda a hacer cálculos para ver como la meteorología interactúa con otros factores que pueden impactar en la demanda?
Para empezar, el software de planificación de la demanda ha de ser capaz de integrarse con un proveedor de previsión meteorológica global, obtener información sobre el pronóstico meteorológico y analizar automáticamente datos relevantes según la ubicación de la tienda. En vez de tener que revisar y considerar manualmente las previsiones meteorológicas para cada una de las tiendas de la red, los planificadores de demanda centrales sólo tendrán que revisar los pronósticos automatizados a nivel tienda y que ya han incorporado el impacto de la meteorología local.
Seguimos con la consideración de cómo la demanda puede cambiar cuando dos factores interactúan: si hace sol o no (un factor meteorológico externo y local) y el día de la semana (una variación recurrente). Un día soleado puede impulsar las ventas de helados un domingo, cuando muchos consumidores se relajan en su tiempo libre. El impacto de un martes soleado puede ser menor, al salir del trabajo cansada, la gente prefiere irse directamente a casa que dar un rodeo para comprar un helado. Un buen sistema de planificación debería ser capaz de considerar como la variación del día de la semana y los factores meteorológicos interactúan cambiando la demanda.
Añadamos ahora otro factor a los días soleados de la semana: la temperatura (también un factor meteorológico externo). El sábado de enero más soleado que jamás haya visto Boston seguirá siendo extremadamente frío, con lo que no es probable que los compradores quieran helado.
Un sábado de enero soleado en Miami, con sus temperaturas más cálidas, puede que genere algunas ventas adicionales. ¿qué pasa cuando ponemos la marca de helado más vendida en promoción (decisión de negocio) para capitalizar este aumento anticipado de la demanda impulsada por la meteorología? ¿Se verá un descenso de la demanda de los helados que no estén en promoción como resultado de la canibalización de ventas?
El software de previsión de la demanda basada en IA puede responder estas preguntas fácilmente, ya que analiza todos los factores de la demanda en el mismo modelo, incluyendo las variaciones estacionales o las variaciones de los días de la semana decisiones de negocio como promociones y datos meteorológicos.
Automatización y Precisión en la Previsión de la Demanda traen oportunidades
Se le tendría que dedicar demasiado tiempo y sería muy complicado calcular manualmente la relación entre cada producto, categoría de producto, variables meteorológicas y ubicación de tienda, y los pronósticos resultantes no serían precisos. Los retailers que tienen un software de planificación que considera automáticamente la meteorología en las previsiones de la demanda pueden obtener grandes beneficios.
Los procesos basados en IA automatizan los millones de cálculos que se necesitan para modelar la intrincada relación entre la meteorología, otros factores externos, las decisiones de negocio y las variaciones recurrentes normales en los patrones de la demanda. También pueden identificar automáticamente qué productos del surtido son más reactivos a las diferentes variables meteorológicas y cuál es la magnitud de esas relaciones.
El resultado es una previsión de la demanda localizada, altamente precisa y automatizada permite que el equipo de inventario pueda prepararse de forma proactiva para los cambios en la demanda relacionados con la meteorología. En el retail de alimentación, vemos que la capacidad de capturar el efecto de la meteorología en los pronósticos de demanda puede reducir los errores de pronóstico hasta un 75% para los productos sensibles al clima en tiempos de meteorología inusual, como olas de calor.
Está claro que la precisión de pronóstico por si sola nunca es el objetivo final en retail. Más importante es cómo se puede aprovechar un pronóstico proactivo que incluye la meteorología en las operaciones de retail para mejorar el reabastecimiento y la disponibilidad, y también significa reducir las mermas de frescos al asegurar que se envía a cada tienda la cantidad correcta de inventario. Para finalizar, una previsión de la demanda que refleja el impacto de la meteorología local en las ventas añade un valor continuado en todas las operaciones de retail.
