Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Predecir la demanda de lanzamientos de nuevos productos mediante el uso de servicios de aprendizaje AWS automático

Amazon Web Services (colaboradores)

Octubre de 2024 (historial del documento)

Descripción general de

La previsión de la demanda, también conocida como previsión de ventas, es un objetivo clave para muchas empresas de fabricación, especialmente en el sector de la electrónica de consumo (CE). La previsión de la demanda de los nuevos productos que se están introduciendo en el mercado se considera una previsión de introducción de nuevos productos (NPI).

Las mejores estrategias de previsión de la demanda deben tener en cuenta una variedad de factores que pueden afectar a las ventas. En el contexto de la previsión del NPI, y particularmente en el sector de la electrónica, uno de los principales factores que influyen en las ventas de los productos es el ciclo de vida del producto. A menudo, muchas categorías de CE registran un gran número de ventas al principio del ciclo de vida del producto. Por ejemplo, se esperan más ventas en las semanas inmediatamente posteriores al lanzamiento del producto. La demanda de muchos productos CE suele disminuir considerablemente tras el repunte inicial y, a veces, el producto queda obsoleto en un par de años. Esto ocurre especialmente cuando las empresas lanzan nuevas versiones de un producto con una periodicidad anual o semestral. Las ventas de las nuevas versiones de los productos suelen seguir un patrón similar, aunque las nuevas versiones no se publiquen en el mismo momento del año. Además del ciclo de vida del producto, otros factores importantes que influyen en la demanda son el gasto en marketing, las promociones, la estacionalidad y el precio.

Las empresas utilizan las previsiones de diversas formas, por ejemplo, para planificar el suministro y las previsiones de ingresos. Para planificar el suministro, las previsiones del NPI deben generarse mucho antes del lanzamiento, ya que los plazos de entrega pueden superar los nueve meses. Los fabricantes subcontratados pueden tardar entre 6 y 7 meses en adquirir los suministros, un mes en fabricar y un mes en realizar envíos desde fábricas internacionales.

Los modelos de aprendizaje automático (ML) pueden aportar valor a toda la cadena de suministro al mejorar la precisión de las previsiones. Pueden ayudarlo a responder preguntas como las siguientes:

La baja precisión de las previsiones del NPI puede provocar una situación de muy poco inventario o agobiar a las empresas con demasiado inventario. A los fabricantes les gustaría recibir alertas tempranas para corregir el rumbo. Sin los modelos de aprendizaje automático, la primera señal de demanda llega semanas después del lanzamiento inicial del producto, por lo que el tiempo necesario para ajustar la cadena de suministro y las operaciones de fabricación a la demanda prevista es escaso o nulo. Las prácticas predominantes en el sector para la previsión de la demanda de NPI se basan en gran medida en los expertos en la materia y en el conocimiento de la materia.

La adopción de un enfoque moderno basado en el aprendizaje automático ayuda a las organizaciones a aprovechar las estrategias basadas en datos para pronosticar la demanda del NPI. Los enfoques basados en el aprendizaje automático pueden proporcionar previsiones con horizontes amplios, que se generan muchas semanas antes del lanzamiento del producto. Estas previsiones a largo plazo son cruciales para la planificación del suministro y la logística de distribución.

Objetivos

Al proporcionar las mejores prácticas y una arquitectura recomendada, esta guía le ayuda a hacer lo siguiente: