Si consideramos los métodos analíticos, hay tres grupos de algoritmos que se utilizan para pronosticar las ventas: el primero se basa estrictamente en el aprendizaje automático. Sin embargo, requiere toda una serie de datos históricos: sobre precios, meteorología, acciones de marketing, etc., para hacer cálculos precisos y generar pronósticos cualitativos.
El segundo es el de series temporales, que funciona principalmente con datos de ventas, y su historial no necesita ser tan extenso como en el caso del aprendizaje automático. El tercer grupo son los «alghoritmos ingenuos» (naive alghoritms). Un ejemplo es el promedio móvil. En este caso, a partir de un solo día de ventas, podemos generar pronósticos para el futuro, tratando los resultados promediados como una aproximación a las ventas supuestas.
Puesto que es difícil pronosticar las ventas de un nuevo canal, tienda o producto, merece la pena abordar la generación de pronósticos utilizando los tres pasos sucesivamente.
- Empezamos por «métodos ingenuos». Con este tipo de métodos, como el promedio móvil, somos capaces de responder a la situación y a la demanda en cuanto sale un nuevo producto al mercado. Para ello, utilizamos los conocimientos y la experiencia del personal para apoyar el proceso de pronóstico con datos e información. En este paso, la calidad de los pronósticos no será perfecta y lo tratamos como una sugerencia, no como una certeza.
- El siguiente paso consiste en aplicar una serie temporal. Se trata de un método que, a partir de los datos de ventas recogidos desde el lanzamiento de un nuevo producto, es capaz de identificar y captar tendencias, relaciones o estacionalidad. A su vez, estos son factores importantes desde el punto de vista de los pronósticos de ventas. La calidad y la precisión son mucho mayores que con los métodos ingenuos, y hay menos participación del personal en el proceso de pronóstico. Aquí es donde la mayor parte de la responsabilidad ya la asume la inteligencia artificial.
- El último paso es avanzar hacia algoritmos basados en el aprendizaje automático. La calidad de tales pronósticos será satisfactoria sin necesidad de contar con personal especializado. Los procesos de pronóstico realizados previamente son la base para el aprendizaje de modelos de aprendizaje automático. Aquí se crean pronósticos basados en modelos, ya totalmente automatizados, sobre horizontes temporales específicos, así como las demandas de las tiendas y las órdenes de picking.
Cuanto más avanzada y sofisticada sea la tipificación de las ventas, más datos detallados e históricos necesitaremos. Sin embargo, en los primeros días del lanzamiento de un producto, merece la pena utilizar métodos ingenuos y apoyo humano. Esto no significa que los pronósticos carezcan de sentido: no sólo son un punto de referencia para crear la demanda en las tiendas y abastecer los puntos de venta individuales. También son la base para el aprendizaje de modelos de Machine Learning, que, alimentados por datos de ventas, serán la base para que funcionen pronósticos totalmente automatizados basados en IA y ML
