Machine
Learning
Machine Learning
Modelos entrenados con los datos históricos de tu empresa que predicen lo que va a pasar, y que trabajan dentro de tu operación, no en un informe.
Un modelo de machine learning aprende de lo que ya ocurrió: ventas por referencia y semana, facturas que se pagaron tarde, lecturas de sensores antes de una avería. Y devuelve una cifra sobre lo que viene. Cuántas unidades se venderán la semana que viene, qué probabilidad tiene este cliente de dejar de pagar, cuántos días le quedan a ese rodamiento.
La diferencia con una hoja de cálculo llena de estadísticas es que el modelo encuentra patrones que nadie programó. La estacionalidad de cada tienda, el efecto de una promoción sobre el producto vecino, la combinación de señales que precede a un impago. Y la diferencia con la IA que ya utilizas es que esta se entrena únicamente con los datos que necesita para predecir, sin ruido alrededor.
Tres preguntas de la primera reunión, con respuesta corta.
No. ChatGPT redacta y resume; esto calcula cuánto, cuándo y con qué probabilidad. Se complementan, pero no resuelven el mismo problema.
Sí, si tienes dos o tres años de histórico en tu ERP y una decisión que hoy se toma a ojo. Cuánto comprar, a quién fiar, cuándo parar la máquina.
El primer modelo evaluado con tus datos, entre 6 y 10 semanas. En producción y escribiendo en tu sistema, en torno a los tres meses. Empezamos por la predicción que más dinero mueve.
Seis piezas. Las dos primeras son el modelo y los datos con los que aprende. Las otras cuatro convierten ese modelo en un sistema que la empresa usa cada día.
Entrenado con tu histórico, devuelve una cifra o una probabilidad por caso: unidades a vender, riesgo de impago, cliente que se va, máquina que va a fallar. Con su margen de error medido contra el método que usas hoy, no estimado.
Cada noche los datos del ERP, el CRM o los sensores se recogen, se limpian y se cruzan. Acaban en la tabla con la que el modelo aprende. Es la pieza que más trabajo se lleva y la que decide si el modelo acierta.
La predicción llega donde se decide: una columna en el ERP, un pedido propuesto, una alerta a mantenimiento. Nadie tiene que abrir un notebook ni exportar nada.
Cuánto acierta, en qué referencias falla y cuánto mejora al método anterior, medido con los mismos datos. En euros de sobrestock evitado, no en métricas técnicas.
Cuando el negocio cambia, el modelo envejece. Medimos la desviación cada día y el reentrenamiento se dispara solo al pasar del umbral acordado.
Cada cifra trae sus motivos: qué factores han pesado y cuánto. Compras y finanzas pueden discutir la predicción en lugar de aceptarla a ciegas o ignorarla.
Cinco pasos, y el primero no habla de algoritmos.
«Compramos de más en un tercio de las referencias» sirve. «Queremos hacer machine learning» no tiene un objetivo claro y fallará.
Cuántos años de histórico hay, qué falta y qué está sucio. En dos semanas decimos si hay modelo o hay que empezar por los datos. Si la respuesta es «todavía no», también la damos.
Entrenamos con los años anteriores y comprobamos cuánto habría acertado en el último. Si no mejora de forma clara al método que usas hoy, no sigue adelante.
Un almacén, una familia de productos, una cartera de clientes. La predicción entra en el sistema real y el equipo la usa junto a su criterio durante unas semanas.
Se amplía al resto del negocio, con monitorización y reentrenamiento automáticos. El modelo, el código y la documentación son tuyos.
La IA generativa que utilizas se apoya en mecanismos de machine learning, así que por dentro son familia. En la práctica sí hay diferencias importantes en qué hace cada uno. El machine learning predice sobre números; la IA generativa razona sobre lenguaje. Un modelo predictivo te dice cuántas unidades venderá cada referencia la semana que viene, y con qué margen de error. Un agente de IA lee ese dato, consulta el stock y el plazo del proveedor, y redacta el pedido.
Se necesitan. Un agente sin modelo predictivo decide con intuición prestada; un modelo sin agente deja la cifra en una tabla y espera a que alguien la mire. El modelo aporta la cifra fiable; el agente, la acción.
En la práctica se encadenan. El modelo de impagos marca a un cliente como probable retraso; el agente prepara el aviso al comercial con el histórico y propone ajustar el crédito. La persona decide en un clic.
Datos
Un patrón
Cuántas unidades de cada referencia se venderán la semana o el mes que viene, por tienda o almacén. Es la base de un stock que no sobra ni falta y de compras que dejan de hacerse a ojo.
Qué clientes tienen más probabilidad de pagar tarde o de dejar de comprar, y qué señal lo indica. Finanzas ajusta el crédito y comercial llama antes de perderlos.
Cuánto le queda a una máquina antes de fallar, a partir de sus sensores y del histórico de averías. La pieza se cambia cuando toca, no por calendario ni después de parar la línea.
Qué precio o promoción maximiza el margen de cada producto, no solo la venta. Se deja de promocionar lo que ya se vendía y de canibalizar lo que sí dejaba beneficio.
Transacciones, consumos o lecturas que se salen de lo esperable, detectadas al momento. Errores de facturación, fugas de consumo, pedidos que no encajan con el patrón del cliente.
Las que se hacen antes de entrenar nada. Si te falta la tuya, escríbenos.
Hablemos de tu casoMenos de lo que se suele pensar y, a veces, más de lo que hay. Para predicción de demanda, dos o tres años de ventas por referencia y semana suelen bastar; para impagos, unos cientos de retrasos reales. Lo que no puede faltar es consistencia: si la referencia cambió de código tres veces, primero hay que arreglar eso. El diagnóstico inicial lo dice en dos semanas.
Depende del problema y del ruido de tu negocio, y quien prometa un porcentaje antes de ver tus datos te está engañando. Lo que sí garantizamos es la comparación: medimos el modelo contra el método que usas hoy con los datos del último año. Si no lo mejora de forma clara, no se despliega. La cifra exacta sale de tu histórico, no de una promesa.
El modelo envejece: productos nuevos, otro canal, un cambio de precios, un año raro. Por eso no entregamos un modelo sino un sistema que se vigila. Cada día medimos la diferencia entre lo predicho y lo ocurrido, y al pasar del umbral acordado se reentrena con los datos nuevos. Un cambio de fondo, como una línea de negocio nueva, es un ajuste del modelo y no un proyecto desde cero.
El coste lo marca el estado de los datos, no la complejidad del algoritmo. Dentro de eso, depende del número de fuentes y de decisiones que cubra el modelo. El precio se cierra con el diagnóstico de dos semanas delante, y ese diagnóstico sirve aunque decidas no seguir.
No siempre. Si el histórico está en un ERP accesible y razonablemente limpio, el modelo puede leer de ahí. Cuando hay que cruzar varias fuentes o el volumen crece, construimos la plataforma de datos como parte del proyecto. Es lo que permite que el modelo se reentrene solo y que un agente de IA use su predicción después.
Un agente de IA que gestiona compras necesita saber cuánto se va a vender; uno que gestiona cobros, quién va a pagar tarde. Esa cifra la da el modelo de machine learning. Los agentes ejecutan; los modelos les dan el número sobre el que decidir. Por eso muchos proyectos de agentes empiezan por aquí.
En ninguno encabeza, y eso dice algo del producto: casi siempre llega el segundo, cuando ya hay un dato limpio del que aprender. Va en segundo lugar en tres sectores. En turismo y hostelería, con la previsión de ocupación. En industria y alimentación, con el mantenimiento ordenado por riesgo real. Y en distribución y logística, con el stock calculado sobre el plazo que cumple cada proveedor.
