Enfoques algorítmicos para predecir el volumen y las ventas futuras en los bienes de consumo

En la actualidad, numerosos métodos estadísticos, econométricos y de aprendizaje automático permiten a las empresas de bienes de consumo predecir eventos y valores futuros. Es importante comprender los diferentes enfoques algorítmicos para seleccionar el mejor método para resolver el problema de TPM y obtener las mejores predicciones posibles.

1. Enfoque estadístico

El enfoque estadístico es bien conocido no sólo en el entorno de la Ciencia de Datos, sino también para la gente de negocios. Una función lineal se utiliza comúnmente en los modelos econométricos debido tanto a su simplicidad y fácil interpretación como a que es la base de la enseñanza de la modelización estadística en los primeros años académicos. Como ilustra el ejemplo siguiente, las funciones lineales son intuitivas: vemos las relaciones lineales entre las variables:

2. Aprendizaje automático

Los métodos de aprendizaje automático aplicados al sector de los bienes de consumo resuelven problemas utilizando técnicas mucho más avanzadas que una función lineal. Podemos dividir los algoritmos en tres grupos principales:

• Aprendizaje supervisado
• Aprendizaje no supervisado
• Aprendizaje semisupervisado

El aprendizaje supervisado se utiliza en situaciones en las que tenemos una variable que queremos explicar (por ejemplo, las ventas) utilizando otras variables (por ejemplo, el precio).

El aprendizaje no supervisado consiste simplemente en agrupar las variables en varios clusters. Nos permite encontrar diferentes grupos de clientes, productos u otras cosas. En este problema, no tenemos una variable específica que explicar, como las ventas. El modelo trabaja para descubrir la estructura de los datos. El aprendizaje no supervisado es útil para obtener información a partir de grandes volúmenes de datos nuevos.

El aprendizaje semisupervisado no es muy conocido por ahora. Sin embargo, puede ser extremadamente útil en situaciones en las que para algunos casos sabemos cuáles fueron las ventas, pero para otros no, sólo tenemos el precio, y queremos utilizar ambos casos para explicar las ventas. Parece imposible, pero los enfoques más modernos tienen éxito, y este puede ser el futuro de los métodos de aprendizaje automático.

En el caso de TPM y TPO, el aprendizaje supervisado es el enfoque más común, ya que las ventas suelen ser el factor conocido. En los siguientes ejemplos, nos centramos en el aprendizaje supervisado.

Aprendizaje automático supervisado para la predicción de ventas en la industria de bienes de consumo

En el mundo real, el impacto del precio y las promociones en las ventas suele tener una relación no lineal.

La pregunta es: ¿cuál es el significado exacto de "relación no lineal"? No sólo significa que la relación es cuadrática o logarítmica (es decir, ventas =^precio2 +C o ventas = log(precio) +C), sino que la relación puede ser diferente en rangos concretos. Por ejemplo, para precios de $2 a $4 la relación puede ser cuadrática, de $4 a $6 puede ser logarítmica y para precios superiores a $6 puede no haber relación.

Parece difícil de determinar, pero no se preocupe: los algoritmos avanzados de aprendizaje automático nos ayudan a encontrar la mejor solución. Hay muchos métodos.

Uno de los más comunes es el uso de árboles de decisión. Los árboles de decisión son algoritmos que establecen conjuntos de reglas de decisión, por ejemplo, si el precio <$2  -> ventas = 100, si el precio>=$2  -> ventas=50, etc.

Un árbol de decisión no suele ser suficiente, por lo que es habitual utilizar conjuntos de árboles de decisión que pueden describirse como un bosque. Debido a las reglas de los árboles, el algoritmo puede encontrar diferentes relaciones para diferentes rangos de variables. Esto nos da un poder increíble en las predicciones de ventas y hace que las previsiones futuras sean extremadamente precisas. Puede ver la diferencia en el gráfico siguiente.

En resumen, los métodos de aprendizaje automático nos permiten encontrar muchos tipos de relaciones entre las variables y las ventas, por lo que es mucho más preciso que la simple regresión lineal.

Los ejemplos anteriores son más sencillos que la realidad, porque la relación entre las ventas y el precio puede ser mucho más difícil y necesita más variables para explicar las ventas, pero los ejemplos muestran que el enfoque de aprendizaje automático no sólo hace que las predicciones de ventas sean más precisas, sino que también hace que todos los presupuestos sean más precisos, estables y fáciles de obtener.

Estas son las principales razones para utilizar este enfoque moderno en CPGvision.

Libere el potencial de su marca de consumo masivo con CPGvision

¿Está preparado para transformar su enfoque de la gestión de la promoción comercial y la previsión de ventas?

CPGvision aprovecha lo último en tecnologías estadísticas, econométricas y de aprendizaje automático para proporcionarle perspectivas procesables y análisis predictivos para su marca de bienes de consumo. Con nuestra plataforma, puede optimizar su gasto comercial, prever con precisión los volúmenes de ventas futuros e impulsar un crecimiento sin precedentes.

Póngase en contacto con nosotros hoy mismo para obtener más información y mejorar el rendimiento de su marca.

Sobre el autor

Patryk Krysiński es Data Science Practice Lead en CPGvision y dirige el equipo de ciencia de datos para TPM, TPO y RGM. Patryk trabaja para garantizar que los clientes puedan confiar en las predicciones de datos para mejorar la precisión de las previsiones y optimizar el gasto comercial y las decisiones de fijación de precios. Patryk estudió Matemáticas Financieras en la Universidad Tecnológica de Gdansk y Advanced Analytics - Big Data en la Escuela de Economía de Varsovia y lleva seis años trabajando en el campo de la ciencia de datos.