En la era del dato predecir el futuro no es algo del todo imposible. No hablamos de adivinar el número de la lotería o de advertir hechos inesperados –como la aparición de una pandemia mundial. Nos referimos a todos esos sucesos que tienden a repetirse de manera periódica. Aquellos que, analizando un histórico de información, podemos detectar qué patrones y tendencias siguen. De esta forma, incluso, podemos prever cuándo y cómo volverán a ocurrir.

Hasta hace poco anticiparse a esos acontecimientos no era posible, por varios motivos:

• Intervienen multitud de factores, externos e internos, y no había herramientas para poder valorarlos todos con una visión amplia.
• No era posible disponer del amplio volumen de datos necesarios.
• No existían herramientas que pudieran analizar todo ese volumen, establecer patrones y esbozar tendencias.

Pero la globalización y la híper conexión que nos ha traído internet junto al desarrollo de la Inteligencia Artificial ha venido a solventar dichos inconvenientes. Por un lado, gracias a la gran conectividad, es posible acceder a multitud de fuentes fiables de información. Por otro, el avance del aprendizaje automático permite crear modelos que se nutren de todo ese volumen de datos, los procesan y anticipan acontecimientos.

Para poder explicar de forma más concreta cómo funcionan los modelos de predicción, vamos a tomar de referencia un proyecto que desarrollamos, como partner especialista en Machine Learning de Google Cloud, para una compañía internacional. Esta empresa, dedicada a la transformación de una materia prima de alto valor, consiguió conocer con un alto grado de precisión cómo se comportaría el precio de dicho material con unos 180 días de antelación.

Predicción de precios con ML

Monitorizar las variaciones de precios de las materias primas es una actividad crítica para la industria de la transformación. En efecto, la competitividad y la optimización de las empresas de transformación dependen en gran medida de:

• Control exhaustivo de las fluctuaciones del mercado
• Capacidad de anticipación al aumento de precios

Estas fluctuaciones y cambios de precios dependen, además, de múltiples y variados factores. En ello intervienen desde cuestiones socioeconómicas hasta geopolíticas y no sólo se trata de elementos externos, sino también otros relativos a la empresa. Por todo ello, poder realizar esta labor se vuelve una tarea bastante compleja.

Sin embargo, como comentábamos, hoy en día es posible gracias a la Inteligencia Artificial. Y no sólo eso: también es posible hacerlo de forma automatizada, por ejemplo con la tecnología de Google Cloud Platform de la que somos expertos.

En este escenario de demanda mundial, muy determinado por los plazos de entrega y otros factores socioeconómicos, nuestro cliente necesitaba predecir las variaciones de precios en el mercado con 2-3 meses de antelación. Con ello podían asegurarse cubrir su demanda y conseguir el mejor precio. Para eºmergya, el desafío no solo era encontrar una solución que automatizara la predicción de precios, sino hacerlo con la mayor antelación y precisión posibles. 

Optimizar la toma de decisiones

Para poder generar la automatización buscada por nuestro cliente, apostamos por una solución basada en la tecnología Vertex AI de Google. Utilizamos varias fuentes de información para nutrir nuestro modelo de aprendizaje automático:

• Datos comerciales históricos del departamento de compras
• Datos históricos de materias primas en el mercado
• Cotizaciones en bolsa de los productores y transformadores de esas materias

Posteriormente desarrollamos un modelo predictivo que estimara el precio de la materia prima de nuestro cliente en el mercado. Con las técnicas de ML también pudimos analizar la calidad de los datos disponibles, sus correlaciones y patrones.

El siguiente paso fue elegir los algoritmos precisos y un conjunto de datos concreto. Con ellos se entrenó un modelo mínimo viable, impulsado por Vertex AI, que sirvió para validar los primeros resultados. Una vez validado el modelo, se procedió a implementar la solución de forma completa.

En cuanto a los resultados, nuestro modelo consiguió predecir el valor de la materia prima con una anticipación de 2, 3 y 6 meses. Cada una de ellas, presentaba un margen de error diferente, siendo mayor cuanto más plazo de previsión había. 

De hecho, en la predicción de 2 y 3 meses el precio predicho coincidió en gran medida con el que finalmente tuvo en el mercado. Así, gracias a este proyecto, se consiguió optimizar el procedimiento de toma de decisiones.