Compartir vía


Previsión de la demanda del cliente con el Acelerador de soluciones para la previsión de la demanda

Solución de un extremo a otro con modelos consolidados de Machine Learning

El ecosistema minorista global es un reflejo del actual entorno de ritmo frenético en el que vivimos. Debe poder realizar cualquier cambio rápidamente, así como hacer cualquier ajuste en función de las demandas del momento. Las empresas no pueden satisfacer la demanda de sus clientes en un mercado minorista comercial cada vez más competitivo, donde las preferencias de los consumidores cambian con frecuencia, y en el que se da por hecho que las experiencias de los clientes están personalizadas y son multiplataforma (es decir, los clientes pueden usar cualquier medio).

Los minoristas buscan un enfoque que les permita saber en qué lugar hay alguna carencia, un trabajo pendiente o una interrupción en la cadena de suministro. En estos tiempos difíciles, para triunfar en un ecosistema minorista tan sobrecargado y competitivo, es imprescindible tener una visión global de todas las dimensiones del recorrido del cliente, desde la producción hasta la entrega, por la cadena de suministro. Los equipos de operaciones y fabricación deben eliminar tanto los silos como los antipatrones de datos de la organización (con el fin de liberar recursos y evitar residuos en la cadena de suministro).

El Acelerador de soluciones para la previsión de la demanda es una solución muy aconsejable, ya que le ayudará a satisfacer las demandas de un mercado en el que el tiempo es un factor vital. Acelerador de soluciones para la previsión de la demanda muestra cómo crear un modelo de previsión de ventas personalizado. Este acelerador puede resultarle de gran ayuda, ya que reduce el tiempo de desarrollo a través de recursos pregenerados y preconfigurados. La implementación de la solución para la previsión de la demanda puede ayudarle a devolver resultados en semanas y ofrecer la capacidad de escalar a medida que aumentan los requisitos empresariales.

Mejora de la precisión con el enfoque de "muchos modelos"

Muchos modelos tienen un enfoque de previsión de demanda

Este patrón de muchos modelos es muy común en una amplia variedad de sectores y se puede aplicar a un gran número de casos de uso reales. En el sector minorista, el enfoque de muchos modelos normalmente se observa en:

  • Organizaciones minoristas que crean modelos de optimización de recursos para miles de tiendas

  • Modelos de tendencia en la promoción de campañas

  • Modelos de optimización de precios para cientos de miles de productos en venta

  • Cadenas de restaurantes que construyen modelos de previsión de demanda en muchos establecimientos

Ejemplos de clientes

Carhartt

Para seguir siendo competitivos, en Carhartt han buscado una solución completa controlada por datos. Como las máquinas virtuales locales creaban un cuello de botella de memoria, la empresa trabajó conjuntamente con Microsoft para expandir su modelo con soluciones de alto rendimiento de Azure Machine Learning. La información de datos enriquecida ayudó a Carhartt a optimizar las ventas tanto en sitios de comercio electrónico como en minoristas de gran tamaño y en sus 33 tiendas físicas. Lea la toda la historia del cliente Carhartt.

Walgreens

Walgreens procesa ingentes cantidades de datos y utiliza la información que proporciona la comparación de las transacciones de los distintos puntos de venta con los datos históricos de la cadena de suministro y ha adquirido otras farmacias, lo que agrega más puntos de datos para analizar. Gracias a Azure, Walgreens ha podido usar el aprendizaje automático para conectar los distintos orígenes de datos, con el fin de optimizar tanto su inventario como sus promociones para dirigirse a los clientes adecuados en el momento preciso. Lea toda la historia del cliente Walgreens

Aprenda a configurar un entorno, a preparar un conjunto de datos, a entrenar más de 10 000 modelos y a pronosticar ventas. Luego, puede personalizar el acelerador para adecuarlo a sus desafíos empresariales.

Introducción a la implementación de MVP

  1. Busque su código en el repositorio de GitHub del Acelerador de soluciones de previsión de demanda.
  2. Implemente los recursos y el aprendizaje automático de Azure en Azure.
  3. Configure el entorno de desarrollo mediante una máquina virtual de cuadernos.
  4. Ejecute cuadernos de Jupyter Notebook. Una vez configurado el entorno de desarrollo, ejecute los cuadernos de Jupyter Notebook paso a paso, pero siga los pasos del Acelerador de soluciones de muchos modelos.

Más información en: