[26/05/2021] Muchas empresas parecen ansiosas por aprovechar las capacidades de la inteligencia artificial y el aprendizaje automático, aunque solo sea para poder hacer saber a sus empleados, clientes y socios comerciales que están a la vanguardia del progreso tecnológico.
Al mismo tiempo, muchas empresas buscan mejorar las experiencias de los clientes y socios de canal para aumentar la fidelidad a la marca, impulsar las ventas y ganar cuota de mercado, entre otras razones.
Algunas han encontrado una forma de combinar estos objetivos, utilizando herramientas potenciadas por la IA para mejorar la forma de ofrecer productos, servicios y asistencia a sus clientes y socios comerciales. He aquí dos ejemplos.
[Reciba lo último de CIO Perú suscribiéndose a nuestro newsletter semanal]
G&J Pepsi: Predicción de las necesidades de productos de las tiendas
G&J Pepsi-Cola Bottlers comenzó su incursión en la IA y el aprendizaje automático en enero del 2020, cuando se asoció con Microsoft para comprender mejor los componentes de IA y aprendizaje automático dentro de la plataforma de nube Azure de Microsoft.
Con la orientación del equipo de ciencia de datos de Microsoft, "pasamos tiempo comprendiendo el entorno, los conjuntos de habilidades requeridos, y comenzamos a ingerir varios componentes de datos dentro de Azure ML para proporcionar resultados predecibles", comenta Brian Balzer, vicepresidente de tecnología digital y transformación empresarial en G&J Pepsi.
Un año antes, el equipo ejecutivo de G&J Pepsi se había puesto en contacto con su organización de tecnología digital para ofrecer la predicción de pedidos y la optimización de los estantes de las tiendas para sus productos Pepsi. "Esto se debió a la gran cantidad de trabajo manual necesario para atender a nuestros clientes con la gran variedad de productos, marcas y SKU que ofrecemos", sostiene Balzer.
La empresa cuenta con más de 250 referencias diferentes y, por lo general, la mayoría de esos productos están en stock en cualquier número de tiendas de sus mercados. Los altos ejecutivos querían que la empresa contara con un mecanismo de pedidos automatizado para agilizar los procesos y mejorar los resultados.
Los redactores de pedidos de la empresa deben conocer cada tienda, los comportamientos de compra de los consumidores, las actividades de venta, las promociones, las tácticas de la competencia, los cambios meteorológicos y mucho más, señala Balzer. "Todo esto se hace manualmente y basándose en su propia experiencia", añade. "Algunos pueden ser muy buenos haciendo malabares con todo esto, pero lleva mucho tiempo y depende mucho de una persona".
Además, los individuos pueden tardar mucho tiempo en adquirir estos conocimientos, indica Balzer. "¿Y si dejan la empresa? Todo ese conocimiento se va con ellos y la siguiente persona tiene que formarse y aprenderlo por su cuenta", añade.
El proceso de reordenación suele realizarse manualmente, con empleados que cuentan los espacios vacíos en las estanterías y en las trastiendas. "Gran parte de este trabajo son conocimientos adquiridos tras años de experiencia en cada tienda", señala Balzer. "Empezamos a recopilar estos datos y a introducirlos en los modelos de Azure ML que ya están construidos dentro de la plataforma. Pasamos tiempo ajustando esos modelos con más datos que introdujimos en ellos".
A medida que se introducen diversos tipos de datos en los modelos de aprendizaje automático, éstos generan un pedido previsto. G&J Pepsi está desplegando la plataforma de pedidos automatizados a todos los empleados de primera línea que actualmente atienden las tiendas Kroger, y tiene previsto extenderla a los que atienden las tiendas Walmart en los próximos meses. La empresa pretende utilizar la misma tecnología para empezar a determinar la optimización de los estantes para su segmento de tiendas de conveniencia y de comestibles.
"Uno de los mayores retos a los que se enfrenta cualquier empresa de bebidas es determinar qué productos deben estar en los espacios fríos" dentro de las tiendas minoristas, afirma Balzer. Para ello, es necesario tener una idea clara de la cantidad de un determinado producto que debe estar disponible en cada tienda, la ubicación adecuada dentro de los refrigeradores de la tienda, y el potencial de beneficios de esos productos, sostiene.
"Esta puede ser una fórmula complicada, y que cambia de un mercado a otro", agrega Balzer. Por ejemplo, el agua infusionada o los tés podrían venderse más rápidamente en una localidad urbana que en un mercado rural, mientras que lo contrario podría ser cierto para una bebida energética. Desarrollar los conjuntos adecuados de productos y optimizar el espacio de almacenamiento es fundamental para el éxito de G&J Pepsi.
La herramienta de aprendizaje automático que ha desarrollado la empresa, Cold Space Allocator, tiene en cuenta todas las variables y establece una selección de productos optimizada para cada cliente dentro de cada mercado. "También proporcionará recomendaciones de productos que podrían estar rindiendo más en ubicaciones similares para sustituir a los productos de venta más lenta", anota Balzer. "La optimización de productos es una inmensa ventaja de mercado cuando se hace correctamente para satisfacer las demandas de los consumidores".
La empresa también puede utilizar los datos para mostrar a sus clientes qué productos están aumentando más sus beneficios y cuáles tienen más demanda.
Desde la implantación de la plataforma de pedidos automatizada, G&J Pepsi ha observado una mejora espectacular en la eficacia de los pedidos. El tiempo necesario para redactar los pedidos se ha reducido de más de 60 minutos por tienda a unos 10 minutos.
La empresa se enfrentó a algunos retos cuando empezó a implantar la nueva tecnología. "El primero y más importante fue centrarse en el proceso", señala Balzer. "Una gran tecnología en un mal proceso fracasará siempre. Es fundamental solucionar los problemas del proceso antes de implantar la tecnología. Nos tomamos el tiempo de colaborar con nuestros empleados de primera línea para entender cómo gestionan sus procesos actuales, conseguir su aceptación y solucionar cualquier problema de proceso".
Por ejemplo, para que el proceso de pedido predictivo funcionara, la empresa tenía que asegurarse de que todos los empleados de primera línea atendieran a los clientes de la misma manera. "Eso significa que tienen que recorrer la tienda de la misma manera, identificar primero el stock de la trastienda, entender las promociones, las actividades de venta, etc.", señala Balzer. "También necesitaban entender cómo el comportamiento de compra impacta en nuestra capacidad de proporcionar un pedido predecible, y cuándo deben o no ajustarse".
G&J Pepsi también necesitaba que los usuarios comprendieran por qué la plataforma de pedidos automatizados es valiosa para ellos, cómo los hace más eficientes y cómo mejora su capacidad para atender a los clientes. Los empleados tenían sus propias preocupaciones.
"Necesitaban estar seguros de que no les estábamos quitando el trabajo", comenta Balzer. "En realidad, estamos facilitando su trabajo y devolviéndoles tiempo para atender a más clientes o pasar más tiempo con los directores de tienda para centrarse en la venta. Como tienen más tiempo para establecer relaciones con cada tienda, verán mejorados los resultados del crecimiento de esas relaciones y de nuestras marcas".
Zipline: Entrega de suministros médicos donde más se necesitan
Zipline es un servicio de entrega con drones cuya misión declarada es nada menos que proporcionar a todos los seres humanos de la Tierra acceso instantáneo a suministros médicos vitales, como sangre, vacunas y equipos de protección personal. Los drones de la empresa han volado más de cinco millones de millas en múltiples países y han realizado más de 115 mil entregas comerciales, incluyendo la entrega de suministros a hospitales y clínicas en algunas de las comunidades más remotas del mundo.
La empresa diseña, ensambla y opera su sistema de aeronaves no tripuladas en Estados Unidos, y está avanzando hacia la certificación de la FAA de sus drones y la certificación de las compañías aéreas para sus operaciones en Estados Unidos.
"La IA y el aprendizaje automático fueron más o menos 'incorporados' a Zipline desde el principio", comenta Matt Fay, jefe del equipo de datos de la empresa. "No creo que se pueda diseñar una flota cooperativa de aviones autónomos sin esas herramientas".
En las primeras etapas, antes de que Zipline volara cientos de horas de vuelo cada día, el desarrollo de comportamientos inteligentes necesitaba métodos menos basados en datos, porque la empresa carecía de los tipos de conjuntos de datos que hacen que esos algoritmos funcionen, señala Fay. "No fue hasta que empezamos a volar, entregando productos médicos todos los días en Ruanda, cuando recogimos suficientes datos para requerir nuevas herramientas", dice.
La motivación de la empresa en aquel momento era doble, añade Fay. "En primer lugar, queríamos pasar de un flujo de trabajo local -ingenieros individuales que descargaban y analizaban un lote de vuelos en sus propias máquinas- a un enfoque basado en la nube, donde todo nuestro historial de vuelos ya estaba disponible", sostiene.
En segundo lugar, Zipline quería crear un entorno de análisis, con potentes capacidades de procesamiento por lotes y un espacio de trabajo común y colaborativo. El equipo de software ya dominaba Python, por lo que la empresa desplegó Jupyter Notebook, una aplicación web de código abierto que permite a los usuarios crear y compartir documentos que contienen código en vivo, ecuaciones, visualizaciones y texto narrativo, que se ejecuta en un clúster de motores de análisis Apache Spark.
Un componente clave es una plataforma de ciencia de datos y aprendizaje automático de Databricks, que combina un entorno informático escalable basado en la nube con flujos de datos de todos los aspectos de las operaciones de Zipline, desde los registros de vuelo hasta el mantenimiento y el seguimiento de la procedencia y el estado de las piezas y el inventario en cada centro de distribución.
"Dado que Databricks es un entorno compartido y colaborativo, podemos invertir en la plataforma: crear nuestro propio conjunto de utilidades para el procesamiento por lotes, mantener una biblioteca de trazado de nuestras visualizaciones de datos más útiles para los vuelos, crear un conjunto sencillo de tutoriales, y un plan de formación para incorporar a los nuevos miembros del equipo", afirma Fay.
Cuando la mayoría de la gente piensa en iniciativas de "democratización de datos", suele pensar en plataformas de cuadros de mando que dan acceso a los análisis", indica Fay. "Si bien eso es una parte importante del arsenal de cualquier equipo de datos fuerte, con [la plataforma Databricks], hemos podido democratizar la ciencia de los datos, dando a todos en la empresa la capacidad de combinar, explorar, visualizar y actuar sobre todos los datos de Zipline".
Esta capacidad ampliamente disponible ha ayudado a Zipline a prestar un mejor servicio. Los clientes de la empresa, los sistemas sanitarios a los que presta servicio, "confían en nosotros para que les entreguemos a tiempo los medicamentos esenciales", afirma Fay. "Conseguirlo requiere algo más que un avión fiable; hace falta una capacidad operativa suficiente en cada paso del proceso que conlleva el cumplimiento de un pedido".
Una entrega de emergencia puede retrasarse por muchas razones, desde la falta de personal para recoger y empaquetar cada producto, hasta el agotamiento de las baterías de los aviones. "Para entender las compensaciones y los cuellos de botella en el sistema más amplio que es un centro de distribución de Zipline, nuestro equipo construyó una herramienta de simulación basada en eventos, modelando cada paso que implica la entrega de productos médicos", señala Fay.
Sin ajustar esta simulación a los "datos de la vida real" tomados de las operaciones de Zipline, "esta herramienta sería inútilmente inexacta", anota Fay. "Solo con esa calibración completa somos capaces de plantear y responder todo tipo de preguntas hipotéticas de gran valor: '¿Cómo afectará la apertura de tres nuevos sitios de entrega a nuestra tasa de puntualidad en este centro de distribución? Si aumentamos nuestra tasa de carga en un 10%, ¿cuántas baterías y cargadores menos podríamos necesitar? ¿Cuál es el mejor algoritmo para despachar aviones?".
Zipline ha comprobado que los conocimientos de esta herramienta repercuten en prácticamente todos los equipos de la empresa. "Por esa razón, junto con la facilidad de calibrar y actualizar continuamente el modelo, hemos elegido alojarlo en Databricks", sostiene Fay. "Esto permite a los analistas con diferentes necesidades en toda la empresa ver los mismos resultados de la simulación, e investigar las partes relevantes".
Para los clientes de Zipline y sus pacientes, la tecnología ha supuesto una entrega más fiable de suministros vitales.
Basado en el artículo de Bob Violino (InfoWorld) y editado por CIO Perú
También puede ver: