Glosario
Aprendizaje automático: qué es y para qué sirve en el stock
Definición
El aprendizaje automático es la rama de la inteligencia artificial que usa algoritmos estadísticos para aprender de datos y aplicar lo aprendido a datos nuevos, sin que nadie programe cada regla. En control de stock sirve para prever la venta de cada producto en cada sitio a partir del historial, del calendario y de las promociones. No sustituye al criterio de compras: propone, y una persona aprueba o corrige.
Cuando alguien dice que un sistema de stock «usa IA», casi siempre quiere decir que usa aprendizaje automático: modelos que sacan sus propias reglas de tu historial en vez de seguir las que alguien escribió a mano. Aquí va qué significa de verdad, qué cambia en la práctica y cuándo una regla sencilla sigue siendo mejor.
Qué es exactamente
El aprendizaje automático es el conjunto de métodos con los que un programa aprende a partir de datos para hacer una tarea en casos que no ha visto antes, sin tener escritas de antemano las reglas de esa tarea. Según la definición que recoge Wikipedia, son algoritmos estadísticos que aprenden de los datos y generalizan a datos nuevos. El término lo acuñó en 1959 Arthur Samuel, empleado de IBM y pionero de los juegos por ordenador y de la IA.
La idea de fondo es distinta de la estadística clásica, aunque comparten herramientas. La estadística quiere sacar conclusiones sobre una población a partir de una muestra; el aprendizaje automático quiere acertar con lo que viene, aunque no pueda explicar del todo por qué. En stock esa diferencia importa: a compras le interesa más que el modelo acierte la venta de la semana que viene que demostrar una teoría sobre el cliente.
También se le llama
Machine learning o ML en inglés, aprendizaje de máquina en parte de América Latina y aprendizaje estadístico en el mundo académico. Suele agruparse con la «IA» en el lenguaje comercial. Conviene separar dos cosas que se mezclan: el aprendizaje automático que prevé números (cuánto se venderá) y los modelos de lenguaje que conversan. En el sistema que montamos hay de los dos, y cada uno hace un trabajo distinto.
Un ejemplo
Una cadena de tiendas de mascotas tiene una regla fija: cuando quedan menos de 20 sacos de pienso de 12 kg, se pide reposición. En la tienda de Gijón, que vende 4 sacos a la semana, la regla significa cinco semanas de colchón y un montón de dinero parado. En la de Málaga, que vende 30, significa menos de una semana y roturas cada mes. La regla es la misma, la realidad no.
Un modelo de aprendizaje automático no sustituye la regla por otra regla fija. Mira el historial de cada tienda, aprende que Málaga vende más en verano y que las ofertas de la marca duplican la salida durante dos semanas, y prevé la venta semana a semana para cada una. De esa previsión sale el umbral de cada tienda, que se recalcula cuando llegan datos nuevos. Las reglas siguen existiendo, pero las deduce el modelo y se revisan solas.
Aprender de datos tiene un precio: necesita historial razonable, y lo que aprende es tan bueno como los datos de los que sale. Por eso antes de contratar conviene ver cómo habría funcionado con tu propio pasado.
Ojo con esto
Lo que más se malinterpreta cuando se habla de aprendizaje automático:
- No es magia ni caja negra obligatoria: un modelo puede ir acompañado de una explicación de qué ha pesado en cada cifra, y conviene exigirla.
- No siempre gana al método sencillo: para un producto estable, una media móvil acierta casi igual y es más fácil de explicar. El aprendizaje automático compensa cuando hay muchos productos, muchos sitios, promociones y temporada a la vez.
- No arregla datos malos: si el stock registrado no coincide con el real o las roturas se cuentan como «venta cero», el modelo aprende de eso. Lee antes limpieza de datos y demanda censurada.
- No decide solo: propone. Cuando el pedido lo ejecuta una persona, un error del modelo se corrige antes de que cueste dinero.
Dónde aparece en el sistema
Es el motor de la previsión de demanda: modelos que aprenden del historial de cada producto en cada sitio y calculan cuánto se venderá las próximas semanas, con su margen de error. De esa previsión sale el riesgo de rotura y la propuesta semanal de envíos.
No se elige un modelo por moda. En la simulación con tus datos se repiten fechas pasadas y se compara lo que habría propuesto el sistema con lo que hiciste de verdad; ahí se ve si el aprendizaje automático aporta algo en tu caso o si basta con un método más simple.
Términos relacionados
Aprendizaje supervisado, gradient boosting, red neuronal, limpieza de datos y backtest. Para el panorama completo de métodos, la guía de previsión de demanda.
Preguntas frecuentes
¿Aprendizaje automático e inteligencia artificial son lo mismo?
El aprendizaje automático es una parte de la inteligencia artificial, la que aprende de datos. La IA es un campo más amplio. Cuando una herramienta de stock dice «con IA», casi siempre hay detrás modelos de aprendizaje automático que prevén la venta.
¿Cuánto historial hace falta para que aprenda algo útil?
Depende del producto y de si tiene temporada. Para captar un patrón anual hace falta al menos un año completo, mejor dos. Para productos nuevos sin historial se usa el de productos parecidos, y el backtest dice cuánto se puede confiar.
¿El modelo sigue aprendiendo solo cada semana?
Se vuelve a entrenar con los datos nuevos con la frecuencia que se acuerde, normalmente cada semana. Cambiar de modelo o de ajustes lo decidimos nosotros y se comprueba con el backtest antes, no durante la operación.
¿Qué hacemos si preferimos reglas fijas?
Es una opción razonable para productos estables y pocos sitios. El sistema puede mostrarte la propuesta de las dos maneras para que veas la diferencia con tus datos antes de decidir.