Ir al contenido
Blogs de Industria de Microsoft

¿Alguna vez se ha planteado lo diferente que sería su día a día si tuviera un ayudante a su exclusiva disposición? Alguien que llegara temprano, se quedara tarde y se encargara de todos los preparativos administrativos, de modo que usted aprovechara mejor su tiempo. Deje de buscar: la tecnología emergente del machine learning posibilita que los equipos aprendan a partir de los datos y elaboren predicciones sobre ellos sin necesidad de instrucciones expresas. En el caso de las empresas de bienes de consumo, el machine learning sirve, por ejemplo, para garantizar que los comerciales sigan un itinerario eficiente de visita a establecimientos y administren sus tareas diarias con rapidez. Por ejemplo, si fuera posible programar un robot para que comprobase la correcta colocación de los productos en los pasillos, el capital humano se podría centrar en tareas más rentables. Si los comerciales ahorran tiempo en los establecimientos, pueden realizar más visitas, lo cual podría suponer un ahorro de costes considerable. El machine learning va más allá de agilizar las visitas a los establecimientos: constituye un método eficaz para aplicar datos históricos a los problemas creando un modelo que sirve para predecir futuros comportamientos. Con el tiempo, el machine learning identifica patrones y tendencias (por ejemplo, cuándo funcionan las promociones y con qué condiciones) que las partes interesadas pueden aprovechar para mejorar la estrategia de la empresa. Siga leyendo para obtener más información sobre la utilidad del machine learning para que las empresas de bienes de consumo planifiquen sus objetivos y sus actuaciones, aumenten la productividad con menos introducción de datos y profundicen en el análisis de datos.

Automatización y optimización de la planificación de rutas

Mucho tiempo se va en identificar los puntos de venta que se deben visitar, la frecuencia con que conviene hacerse y las tareas que se tienen que llevar a cabo en cada uno. Imagine que dispone de un software que, aparte de la geografía, tiene en cuenta otros factores para predecir de forma automática la hora apropiada de visita de cada establecimiento y para mejorar la eficiencia general en el trazado de rutas. Si un establecimiento sufre un desplome de las ventas todos los meses de julio, acaba de contratar a otro encargado o está a punto de lanzar una promoción nueva, el software ajusta las rutas por consecuencia a fin de optimizar el tiempo del empleado. La tecnología del machine learning también genera listas adaptadas de cuestiones pendientes según las necesidades particulares de cada establecimiento. Así, antes de la visita, el comercial ya conoce los problemas (como averías de los equipos), de modo que no malgasta tiempo en determinar las actuaciones precisas. Además, cuando el comercial ya está en el establecimiento, el software le permite agilizar las actividades de auditoría.

Visitas a establecimientos “perfectas”

Imagine que, mientras realizan la auditoría de un establecimiento, los comerciales disponen de una tecnología con la que administrar su tiempo de forma más eficiente. Se ahorrarían no solo el lápiz y el papel (que siguen usando el 64 % de los profesionales del ámbito minorista1), sino también la introducción de datos digitales gracias a las funciones de reconocimiento digital de imágenes y conversión de voz en texto. El reconocimiento digital de imágenes les permite realizar fotografías de los expositores de productos del establecimiento, en lugar de anotar manualmente los resultados de la inspección. A partir de una imagen, el modelo evalúa la falta de existencias, la colocación, el precio, los productos que comparten el lineal y el cumplimiento del planograma. En tanto que un revisor humano tiene que examinar visualmente todos los detalles en busca de una disposición incorrecta de los productos, el software halla errores y discrepancia en segundos. El machine learning también permite a los comerciales dictar notas, órdenes y pedidos de viva voz a dispositivos ponibles, como auriculares o relojes inteligentes. El sistema distingue en el dictado las palabras clave, las cuales desencadenan distintas acciones en el software de ejecución de comercio minorista. La captura digital de datos ahorra tiempo a los profesionales del ámbito minorista y evitar las equivocaciones inherentes a la recopilación manual de datos. Como los datos de las visitas se difunden en tiempo real, los responsables reciben los resultados de las auditorías al instante, no meses después de efectuarlas.

Profundización en el análisis de datos

Tras recopilar los datos, el beneficio final de aplicar el machine learning a la actividad minorista consiste en descubrir patrones en ellos que permitan predecir los pasos siguientes más adecuados. Las empresas de bienes de consumo se enfrentan a ingentes volúmenes de datos sobre ventas, existencias, entregas y promociones en miles de establecimientos. Además del tiempo que exigen, las hojas de cálculo para el seguimiento y el análisis solo hacen lo que el usuario les ordena. El machine learning, en cambio, identifica de forma automática patrones comunes y tendencias que, de otro modo, resultarían difíciles de descubrir. Una solución de machine learning analiza los datos, por ejemplo, para predecir la repercusión exacta de una promoción en una cadena importante o bien para determinar la rentabilidad de un programa de fidelidad en un establecimiento concreto. Si se conocen los datos pormenorizados, resulta más sencillo cuantificar el funcionamiento de los productos, reconocer los problemas y generalizar las prácticas recomendadas.

Machine learning de Microsoft

El machine learning resulta de extrema utilidad para trazar rutas más eficientes de los comerciales, automatizar los procesos manuales repetitivos y mejorar tanto el conocimiento como el análisis de datos en toda la empresa. En última instancia, esos beneficios permiten mantenerse al tanto del crecimiento del mercado de sus productos, así como adoptar decisiones más acertadas sobre promociones, campañas e inversiones. Microsoft y sus socios tienen la intención de seguir invirtiendo en el machine learning y la actividad minorista para que las empresas de bienes de consumo consigan un buen posicionamiento en una era cada vez más digital. Si desea obtener más información sobre las soluciones de actividad minorista que ya están en el mercado, eche un vistazo a las páginas AFS POP Retail Execution y AFS Retail Execution de AppSource hoy mismo. 1 EKN Outlook, 2016