Tendencias Científicas
Un centro de distribución. Imagen: Nick Saltmarsh. Fuente: Flickr.
El Grupo de Investigación GASS (Grupo de Análisis, Seguridad y Sistemas), perteneciente al Departamento de Ingeniería del Software e Inteligencia Artificial de la Facultad de Informática de la Universidad Complutense de Madrid (UCM) ha desarrollado un sistema inteligente para la clasificación automática de series temporales aplicado a la gestión eficiente de la cadena de suministro.
Como explica la nota de prensa de la Universidad, disponer de mecanismos que permitan anticipar la demanda es un factor clave para el éxito comercial de un distribuidor.
Las ventajas pueden agruparse en torno a dos grandes conceptos: por un lado, la optimización de las operaciones mediante la elaboración de estrategias óptimas de aprovisionamiento, y por otro lado, la reducción del stock, lo que permite disminuir los costes de almacenamiento, manipulación, etc.
Dada la importancia de esta tarea estas empresas dedican muchos recursos al análisis y cálculo de previsiones de las series temporales de ventas. Existen factores (dentro del análisis) que se pueden cuantificar con precisión como el tamaño medio de la cesta (tanto en número de artículos como en unidades monetarias), frecuencia de compra, venta cruzada, etc.
Sin embargo, existen también muchos factores que son de difícil cuantificación como los cambios de precio, la distancia que deben recorrer los consumidores hasta las tiendas, las acciones comerciales de la competencia, etc.
Además de los factores anteriores que se centran únicamente en la perspectiva metodológica del problema, hay que añadir los problemas computacionales derivados del volumen de datos a manejar.
Tomemos como ejemplo el de un gran distribuidor nacional que posee 200 establecimientos (gran superficie) y en el que en cada centro existen más de 10.000 artículos diferentes a disposición del consumidor. En este ejemplo existirán más 2.000.000 de series temporales de venta. Partiendo del hecho de que para poder determinar algunos comportamientos estadísticos es necesario disponer de 2 años de datos por cada serie, será necesario trabajar con más de 1.400.000.000 de registros.
Como explica la nota de prensa de la Universidad, disponer de mecanismos que permitan anticipar la demanda es un factor clave para el éxito comercial de un distribuidor.
Las ventajas pueden agruparse en torno a dos grandes conceptos: por un lado, la optimización de las operaciones mediante la elaboración de estrategias óptimas de aprovisionamiento, y por otro lado, la reducción del stock, lo que permite disminuir los costes de almacenamiento, manipulación, etc.
Dada la importancia de esta tarea estas empresas dedican muchos recursos al análisis y cálculo de previsiones de las series temporales de ventas. Existen factores (dentro del análisis) que se pueden cuantificar con precisión como el tamaño medio de la cesta (tanto en número de artículos como en unidades monetarias), frecuencia de compra, venta cruzada, etc.
Sin embargo, existen también muchos factores que son de difícil cuantificación como los cambios de precio, la distancia que deben recorrer los consumidores hasta las tiendas, las acciones comerciales de la competencia, etc.
Además de los factores anteriores que se centran únicamente en la perspectiva metodológica del problema, hay que añadir los problemas computacionales derivados del volumen de datos a manejar.
Tomemos como ejemplo el de un gran distribuidor nacional que posee 200 establecimientos (gran superficie) y en el que en cada centro existen más de 10.000 artículos diferentes a disposición del consumidor. En este ejemplo existirán más 2.000.000 de series temporales de venta. Partiendo del hecho de que para poder determinar algunos comportamientos estadísticos es necesario disponer de 2 años de datos por cada serie, será necesario trabajar con más de 1.400.000.000 de registros.
Serie temporal compuesta pòr dos años consecutivos de ventas. Fuente: UCM.
El novedoso sistema
Para solucionar este problema se ha construido un sistema inteligente para clasificar el conjunto de series temporales, buscando agrupar aquellas series temporales que compartan un mismo modelo estadístico de previsiones (se proponen modelos autorregresivos integrados de media móvil o ARIMA (acrónimo del inglés autoregressive integrated moving average).
Así, el sistema está compuesto por un conjunto de máquinas de vectores de soporte (SVMs por su nombre en inglés Support Vector Machines) en el que cada máquina representa al conjunto de series temporales para las que se pueden generar previsiones con un mismo tipo de modelo ARIMA.
En el caso real que se ha abordado (se ha dispuesto de una muestra representativa de los datos reales: el conjunto de series temporales pertenecientes a un establecimiento), los resultados obtenidos son más que satisfactorios. Esto es así ya que el clasificador de series temporales genera un listado de clústeres muy reducido: en 12 categorías se concentran el 98% de las series temporales analizadas.
Como conclusión cabe destacar que este sector, el dedicado a la distribución al por menor, se caracteriza por la rapidez con la que se producen cambios, es decir, es una cuestión conocida que las tendencias (que en muchos casos son modas) en el consumo cambian rápidamente. Esto fuerza a las grandes corporaciones a adaptarse de la forma más rápida posible.
Si a la complejidad del problema se le añade el gran volumen de datos a procesar, la ventaja de automatizar el descubrimiento y clasificación de los patrones de conducta (de los clientes) se vuelve casi una obligación.
Para solucionar este problema se ha construido un sistema inteligente para clasificar el conjunto de series temporales, buscando agrupar aquellas series temporales que compartan un mismo modelo estadístico de previsiones (se proponen modelos autorregresivos integrados de media móvil o ARIMA (acrónimo del inglés autoregressive integrated moving average).
Así, el sistema está compuesto por un conjunto de máquinas de vectores de soporte (SVMs por su nombre en inglés Support Vector Machines) en el que cada máquina representa al conjunto de series temporales para las que se pueden generar previsiones con un mismo tipo de modelo ARIMA.
En el caso real que se ha abordado (se ha dispuesto de una muestra representativa de los datos reales: el conjunto de series temporales pertenecientes a un establecimiento), los resultados obtenidos son más que satisfactorios. Esto es así ya que el clasificador de series temporales genera un listado de clústeres muy reducido: en 12 categorías se concentran el 98% de las series temporales analizadas.
Como conclusión cabe destacar que este sector, el dedicado a la distribución al por menor, se caracteriza por la rapidez con la que se producen cambios, es decir, es una cuestión conocida que las tendencias (que en muchos casos son modas) en el consumo cambian rápidamente. Esto fuerza a las grandes corporaciones a adaptarse de la forma más rápida posible.
Si a la complejidad del problema se le añade el gran volumen de datos a procesar, la ventaja de automatizar el descubrimiento y clasificación de los patrones de conducta (de los clientes) se vuelve casi una obligación.
Referencia bibliográfica:
Fernando Turrado García, Luis Javier García Villalba, Javier Portela, Intelligent system for time series classification using support vector applied to supply-chain, Expert Systems with Applications 39 (2012) 10590 -10599.
Fernando Turrado García, Luis Javier García Villalba, Javier Portela, Intelligent system for time series classification using support vector applied to supply-chain, Expert Systems with Applications 39 (2012) 10590 -10599.
Inicio
Enviar a un amigo
Versión para imprimir
Compartir
La Inteligencia Artificial habla sobre la legalización del cannabis
CIENCIA ON LINE