G&J Pepsi y Zipline recurren a la ciencia de datos y a la IA del aprendizaje automático para llevar los productos correctos a las ubicaciones correctas en el momento correcto.
La digitalización de las empresas ha puestop el foco en la inteligencia artificial y las capacidades de 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 lealtad a la marca
- Impulsar las ventas
- Y ganar participación de mercado…
- … entre otras razones
Algunos han encontrado una manera de combinar estos objetivos, utilizando herramientas impulsadas por IA para mejorar la forma en que brindan productos, servicios y soporte a sus clientes y socios comerciales.
A continuación mostramos cómo funciona la IA en dos casos de uso en áreas comerciales.
G&J Pepsi: IA predice las necesidades de productos de las tiendas
G&J Pepsi-Cola Bottlers comenzó su incursión en la inteligencia artificial y el aprendizaje automático en enero de 2020, cuando se asoció con Microsoft para comprender mejor los componentes de IA y aprendizaje automático dentro de la plataforma en la nube Azure de Microsoft.
“[Con la orientación del equipo de ciencia de datos de Microsoft] Dedicamos tiempo a comprender el entorno. Requerimos conjuntos de habilidades y comenzamos a consumir varios componentes de datos dentro de Azure ML para proporcionar resultados previstos”, dice Brian Balzer, vicepresidente de tecnología digital y transformación comercial de 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 pedidos previstos y optimización de los estantes de las tiendas para sus productos Pepsi.
“Esto fue impulsado con gran cantidad de trabajo manual requerido para brindar servicio a nuestros clientes con la amplia gama de productos, marcas y SKU que ofrecemos”, dice Balzer.
La empresa tiene más de 250 SKU 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 tuviera un mecanismo de IA para pedidos automatizados que acelerará los procesos y mejorará los resultados.
Los redactores de pedidos de la empresa deben conocer:
- Cada tienda
- Los comportamientos de compra de los consumidores
- Las actividades de ventas
- Las promociones
- Las tácticas de la competencia
- Los cambios climáticos…
… y más, dice Balzer.
“Todo esto se hace manualmente y en base a su propia experiencia. Algunos pueden ser excelentes para hacer malabarismos con todo esto, pero lleva mucho tiempo y depende en gran medida de un individuo”, dice.
Pero las personas pueden tardar mucho tiempo en adquirir este conocimiento, reconoció el ejecutivo.
“¿Y si dejan la empresa? Todo el conocimiento de va con ellos y la próxima persona tiene que capacitarse y aprenderlo por su cuenta”, agregó.
El proceso de reabastecimiento se realiza, normalmente, de forma manual y el personal cuenta los espacios vacíos en los estantes y en las trastiendas.
“Gran parte de este trabajo es conocimiento adquirido a partir de años de experiencia en cada tienda. Comenzamos a recopilar estos datos y a enviarlos a los modelos de Azure ML que ya están integrados en la plataforma. Pasamos tiempo ajustando esos modelos con la mayor cantidad de datos que ingresamos”, relató Balzer.
A medida que se introducen varios tipos de datos en los modelos de aprendizaje automático (AA / IA) , generan un orden previsto.
G&J Pepsi está en medio del proceso de implementar la plataforma de pedidos automatizados para todos los empleados de primera línea que, actualmente, prestan servicios a las tiendas Kroger y planea implementar en las tiendas de Walmart en los próximos meses.
La compañía busca utilizar la misma tecnología para comenzar a determinar la optimización de los estantes para su segmento de tiendas de conveniencia y abarrotes.
“Uno de los mayores desafíos que enfrenta cualquier empresa de bebidas es determinar qué productos tener en los espacios fríos dentro de las tiendas minoristas”, señaló el .
En opinión del vicepresidente de tecnología digital y transformación comercial de G&J Pepsi, esto requiere de una comprensión clara de:
La cantidad de un producto en particular que debe estar disponible en cada tienda;
La ubicación adecuada dentro de los refrigeradores de la tienda y;el potencial de ganancias de esos productos.
“Esta puede ser una fórmula complicada, y una que cambia de mercado a mercado”, dijo.
Por ejemplo, el agua infundida o los tés pueden venderse más rápidamente en una ubicación urbana que en un mercado rural, mientras que lo contrario podría ser cierto para una bebida energética.
Desarrollar los conjuntos de productos adecuados y optimizar el espacio de almacenamiento es fundamental para el éxito de G&J Pepsi.
La herramienta de IA que la empresa ha desarrollado, Cold Space Allocator, tiene en cuenta todas las variables y presenta una selección de productos optimizada para cada cliente dentro de cada mercado.
“También proporciona recomendaciones de productos que podrían tener un rendimiento superior en ubicaciones similares para reemplazar productos de venta más lenta. La optimización de productos es una inmensa ventaja de mercado cuando se realiza correctamente para satisfacer las demandas de los consumidores”, señala Balzer.
La empresa también puede utilizar los datos para mostrar a sus clientes qué productos están aumentando más sus ganancias y cuáles tienen más demanda.
Desde que implementó la plataforma de pedidos automatizados, G&J Pepsi ha experimentado una mejora dramática en la eficiencia de los pedidos:
El tiempo necesario para escribir pedidos se ha reducido de más de 60 minutos por tienda a unos 10 minutos.
La compañía enfrentó algunos desafíos cuando comenzó a implementar la nueva tecnología.
“Lo primero y más importante fue concentrarse en el proceso. Una gran tecnología en un mal proceso fallará siempre. Es fundamental solucionar los problemas del proceso antes de implementar la tecnología. Nos tomamos el tiempo para asociarnos con nuestros empleados de primera línea para comprender cómo administran sus procesos actuales, cómo ganar aceptación y solucionar cualquier problema de proceso”, dice Balzer.
Por ejemplo, para que el proceso de pedido predictivo funcione, la empresa necesitaba asegurarse de que todos los empleados de primera línea estuvieran atendiendo a los clientes de la misma manera.
“Eso significa que deben recorrer la tienda de la misma manera, identificar primero el stock de la trastienda, comprender las promociones, las actividades de ventas, etc. También necesitaban comprender cómo el comportamiento de compra afecta nuestra capacidad para proporcionar un pedido previsto y cuándo deberían o no ajustar”, dice Balzer.
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 íbamos a quitar el trabajo. En realidad, estamos facilitando su trabajo y dándoles tiempo para que puedan atender a más clientes o dedicar más tiempo a los gerentes de tienda para que se concentren en las ventas. A medida que tengan más tiempo para construir relaciones con cada tienda, verán mejores resultados al hacer crecer esas relaciones y nuestras marcas”, dice Balzer.
Zipline: entrega de suministros médicos donde más se necesitan
Zipline es un servicio de entrega de 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 equipo de protección personal
Los drones de la compañía han volado más de cinco millones de millas en varios países y han completado más de 115.000 entregas comerciales, incluído el transporte de suministros a hospitales y clínicas en algunas de las comunidades más remotas del mundo.
La compañía diseña, ensambla y opera su sistema de aviones no tripulados en los EE. UU. Y está avanzando hacia la certificación FAA de sus drones y la certificación de transportista aéreo para sus operaciones en EE. UU.
“La inteligencia Artificial (IA) y el aprendizaje automático se integraron más o menos en Zipline desde el principio. No creo que se pueda diseñar una flota cooperativa de aviones autónomos sin esas herramientas”, dice Matt Fay, líder del equipo de datos de la empresa.
Fay explicó que, en las primeras etapas – antes de que Zipline volara cientos de horas de vuelo cada día – el desarrollo de comportamientos inteligentes necesitaba menos métodos basados en datos porque la compañía carecía de los tipos de conjuntos de datos que hacen que esos algoritmos funcionen.
“No fue hasta que comenzamos a volar, entregando productos médicos todos los días en Ruanda, que recolectamos suficientes datos para requerir nuevas herramientas”, dice.
Para el líder de datos de la empresa, la motivación de la misna en ese momento era doble.
“En primer lugar, queríamos migrar de un flujo de trabajo local (ingenieros individuales descargando y analizando un lote de vuelos en sus propias máquinas) a un enfoque basado en la nube, donde todo nuestro historial de vuelos ya estaba disponible”, dice.
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 implementó 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 grupo de análisis de Apache Spark.
Un componente clave es una plataforma de ciencia de datos y aprendizaje automático – es decir, IA – 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, el estado de las piezas y el inventario en cada centro de distribución.
“Dado que Databricks es un entorno colaborativo compartido, 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 vuelos, crear un conjunto sencillo de tutoriales y plan de estudios de capacitación para incorporar a nuevos miembros del equipo”, dice Fay.
Destaca el ejecutivo que, cuando la mayoría de la gente piensa en iniciativas de ‘democratización de datos’, por lo general piensan en plataformas de paneles que brindan acceso a análisis.
“Si bien esa es una parte importante del arsenal de cualquier equipo de datos sólido, con [la plataforma Databricks], hemos podido democratizar la ciencia de datos, brindando a todos en la empresa la capacidad de combinar, explorar, visualizar y actuar en todos los productos de Zipline datos”.
Esta capacidad ampliamente disponible ha ayudado a Zipline a brindar un mejor servicio.
“Los clientes de la empresa, los sistemas de salud a los que sirve, confían en nosotros para que les entreguemos medicamentos esenciales a tiempo. Lograr esto requiere más que un avión confiable se necesita suficiente capacidad operativa en cada paso del proceso relacionado con el cumplimiento de un pedido”.
Una entrega de emergencia puede retrasarse por varias razones, desde la falta de personal disponible para recoger y empacar cada producto, hasta quedarse sin las baterías de la aeronave completamente cargadas.
“Para comprender las compensaciones y los cuellos de botella en el sistema más grande que es un centro de distribución de Zipline, nuestro equipo construyó una herramienta de simulación basada en eventos, modelando cada paso involucrado en la entrega de productos médicos”, dice Fay.
Señaló además que, sin ajustar esta simulación a datos de la vida real tomados de las operaciones de Zipline, esta herramienta de IA resulta inútilmente inexacta.
“Solo con esa calibración completa podemos hacer y responder todo tipo de preguntas hipotéticas invaluables: ‘¿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 enviar aviones?”, explicó.
Zipline ha descubierto que los conocimientos de esta herramienta afectan prácticamente a todos los equipos de la empresa.
“Por esa razón, junto con la facilidad de calibrar y actualizar continuamente el modelo, hemos optado por alojarlo en Databricks. Esto permite a los analistas con diferentes necesidades en la empresa ver los mismos resultados de simulación e investigar las partes relevantes”, refirió Fay.
Para los clientes de Zipline y sus pacientes, la tecnología ha significado una entrega más confiable de suministros vitales.
Con información de IDG News Services.