Inteligencia Artificial para la Gestión de Negocios de Bebidas y Alimentos 14

Inteligencia Artificial para la Gestión de Negocios de Bebidas y Alimentos

Por: PhD José Moscoso Delgado, experto en la industria de Bebidas y Consumo Masivo

s una buena práctica en los negocios de bebidas y alimentos separar anualmente unos días para reunir al equipo gerencial y prometedores talentos para llevar a cabo jornadas de kick-off de planeamiento estratégico, logrando altos niveles de participación y ganando adhesión en lo que será el curso de acción de los siguientes años.

Esta es una gran oportunidad para impulsar una Cultura en el uso de modelos y herramientas tecnológicas como la Inteligencia Artificial (IA) en el ciclo de planeamiento estratégico y la gestión de los factores claves del éxito, incorporando niveles de análisis más profundos y de retroalimentación continua en forma objetiva.

Inteligencia Artificial (IA)

Big Data, Data Analytics, Machine Learning, Internet of Things, Robotic Process Automation, Realidad Aumentada ... Estas y otras técnicas de IA basadas en análisis de datos estructurados y no estructurados a través de sistemas de información y equipos tecnológicos, aplicadas en forma integral en la gestión estratégica del negocio es una poderosa fuente de ventaja competitiva. El presente artículo pretende motivarnos a diseñar un modelo focalizado, que nos ayude en diversos propósitos estratégicos, evitando caer en “parálisis por análisis” o una “sobre ingeniería” de poca utilidad.

El modelo aplicativo para la industria de bebidas y alimentos:

Al dirigir la Dirección de Contraloría de un Grupo Empresarial Multilatino diversificado en alimentos y bebidas, entre otras unidades de negocio, con una facturación combinada de alrededor de $3.5Bn. Encontré que el equipo de Contraloría realizaba una escrupulosa revisión de 10 sub-procesos anualmente en promedio, basando sus conclusiones y recomendaciones en análisis de muestras, ya que era humanamente imposible trabajar con información poblacional e inter relacionarla con bases de datos de otros procesos o variables externas. En ese contexto fue clave introducir nuevos conceptos de IA, gestión de datos y métodos de análisis que permitieron pasar a un enfoque predominante preventivo para asegurar el logro de los procesos estratégicos de una manera continua y profunda.

¿Qué etapas recomiendo seguir para implementar un nuevo modelo basado en IA?

1. La etapa de Preparación involucra el planeamiento. Es clave contar con el compromiso de la Alta Dirección, ya que será necesario seleccionar el equipo que liderará la construcción del modelo de datos que permita dar soporte al logro de los objetivos estratégicos. Será necesario un líder experto en los procesos del negocio y un equipo especializado que será entrenado en técnicas y herramientas de IA. Se requerirá de un presupuesto para entrenamiento y software analítico, sin embargo, los resultados deberán traer consigo un positivo retorno sobre la inversión.

2. La Focalización consiste en identificar únicamente aquellos factores que son claves para el éxito o fracaso de nuestras iniciativas estratégicas y que tendrán mayor impacto en el desarrollo de nuestro modelo. Por ejemplo, en la industria de las bebidas, conocer y gestionar la “preferencia del consumidor” es un factor clave de éxito. De no contar con data interna, debemos buscarla en el mercado o en fuentes de acceso público. En nuestro ejemplo, las preferencias del consumidor pueden estar influenciadas por variables compuestas como: la sensibilidad a los precios, la consciencia en el cuidado del medio ambiente, la nutrición, entre otras.

3. La Analítica de Datos pasa a ser el primer filtro. Analizaremos grandes volúmenes de datos (“Big data”) de las variables identificadas para el factor clave seleccionado, que organizaremos para tener estructura (“Datafame”) y consistencia. En esta etapa hallaremos los primeros outputs, detectando síntomas y principales causas, haciendo posible implementar iniciativas inmediatas (“quick wins”). El valor de estos análisis radica en la mayor precisión lograda para entender comportamientos y la interdependencia de las variables analizadas, lo que nos permite planificar una oferta con valor agregado para el consumidor y de mayor rentabilidad para los negocios y el retail.

4. En la siguiente etapa, los análisis incorporan algoritmos (clustering, clasificación, regresión, forecasting, reducción de dimensionalidad, etc.) sobre los “Dataframe”. En la etapa anterior ya habíamos identificado de manera más descriptiva ciertas tendencias. Con la incorporación de los algoritmos se calcularán y estimarán con mayor grado de certeza patrones y escenarios que de la manera tradicional hubiéramos descubierto post morten. A esta etapa la conocemos como

“Machine Learning”, donde la automatización de los procesos analíticos contiene el valor agregado de proponer recomendaciones y cursos de acción gracias al “aprendizaje en base a la experiencia que el propio programa va acumulando”. En esta etapa, las relaciones que hemos catalogado pueden anticipar (como es en nuestro ejemplo) los cambios relativos en las preferencias del consumidor y orientarnos sobre acciones como por ejemplo: ser pioneros en migrar a empaques de conveniencia, eco-amigables, entre otros, con el objetivo de anticipar (predicción) o sugerir actividades (prescripción) en toda la cadena de valor relacionadas con las nuevas tendencias.

5. El feedback continuo es crucial para ajustar nuestro modelo de gestión y asegurar un alto grado de integración, a la vez de afinar cursos de acción. La IA nos ayudará con “alertas tempranas” sobre las desviaciones que pudieran encontrarse. El modelo estará organizado en “Dashboards Ejecutivos Automatizados” e incluirá “información clave en línea”. Para esto resulta crítico diseñar “Robots” (“Robotic Process Automation”), para la ejecución continua de las rutinas de análisis en la “Dataframe” predeterminadas, generando eficiencias y reducción de tiempos.

Otros usos y beneficios del modelo propuesto

En la gestión de riesgos el modelo permite hallar patrones que predicen situaciones inusuales al definir la “Dataframe” de procesos de pagos, cobros, inventarios, mermas, control de calidad, entre otros. Las alertas tempranas pueden automatizarse, sea por “Robots” o por dispositivos interconectados a través de internet (“Internet of Things”) que reciben y envían datos a tiempo real.

Incorporar una cultura de análisis predictivos y prescriptivos apoyados por técnicas de IA nos pone un paso adelante en la captura de oportunidades, fortaleciendo la gestión estratégica del negocio en una industria tan dinámica como es la de las bebidas y alimentos. PhD José Moscoso Delgado, experto en la industria de Bebidas y Consumo Masivo.

Perfil académico:

• Doctor en Economía Financiera, Banca y Bolsa por la Universidad Autónoma de Madrid, España. • MBA por el Instituto de Empresa, Madrid, España. • CPA por la Universidad de Lima, Perú.

Perfil profesional:

• CEO, Director Corporativo y Vice-Presidente Financiero en Multinacionales de Latino América. • Fue Profesor Asociado en el programa MBA de la Escuela de Postgrado de la Universidad de Lima, Perú.