Machine learning

El machine learning (aprendizaje automático) es una rama de la inteligencia artificial en la que el software aprende patrones a partir de datos para hacer predicciones o tomar decisiones, en lugar de seguir reglas escritas a mano. En eCommerce y precios se usa para prever la demanda, estimar cómo responden los compradores al precio y reconocer cuándo dos fichas son el mismo producto.

Aprender de ejemplos en lugar de reglas

Una regla de precios tradicional podría decir: si un competidor baja por debajo de nosotros, iguálalo, pero nunca bajes del coste más un 15 por ciento. Cada condición la escribe una persona. A un modelo de machine learning, en cambio, se le dan muchos ejemplos pasados, como precios, fechas, niveles de stock y las ventas que siguieron, y ajusta sus parámetros internos hasta que sus predicciones encajan bien con esos ejemplos.

El resultado es un modelo que puede hacer una predicción para una situación nueva que no ha visto exactamente antes. Su calidad depende de si la nueva situación se parece a los datos de los que aprendió.

Al entrenamiento suele seguirle una prueba con datos que el modelo no vio. Un enfoque habitual reserva los meses más recientes, entrena con todo lo anterior y comprueba lo bien que el modelo predice el periodo reservado. Si la precisión cae mucho con los datos no vistos, el modelo ha aprendido el pasado demasiado al pie de la letra y no generalizará.

Tipos de aprendizaje

  • El aprendizaje supervisado aprende de ejemplos etiquetados, como precios pasados emparejados con unidades vendidas, y predice la etiqueta para casos nuevos.
  • El aprendizaje no supervisado encuentra estructura en datos sin etiquetar, como agrupar clientes o productos con un comportamiento similar.
  • El aprendizaje por refuerzo prueba acciones, observa la recompensa y poco a poco prefiere las acciones que dan resultado, un enfoque estudiado para decisiones de precios secuenciales.

La mayoría de los usos prácticos en retail son supervisados. Las familias de modelos van desde la regresión lineal simple hasta los conjuntos de árboles de decisión y las redes neuronales. Un modelo más sencillo que el equipo entiende suele ser más útil que uno complejo que nadie sabe explicar.

Usos habituales en precios y eCommerce

  • Previsión de la demanda, para planificar stock y promociones
  • Estimar la elasticidad del precio en productos con suficiente historial de ventas
  • Emparejamiento de productos, para decidir si dos fichas con títulos distintos son el mismo artículo
  • Recomendaciones y orden de búsqueda en las páginas de la tienda
  • Detección de fraude en el pago
  • Planificación de rebajas para el stock de temporada

El emparejamiento de productos muestra cómo encaja la técnica con los datos de la competencia. Se comparan títulos, marcas, números de modelo, imágenes y atributos, y un modelo puntúa la probabilidad de que dos fichas sean el mismo producto. Un emparejamiento erróneo lleva a una comparación de precios errónea, así que los emparejamientos de baja confianza suelen revisarlos personas.

La previsión suele ser el punto de partida más fácil. Un modelo que predice las unidades del mes siguiente de cada producto no cambia ningún precio por sí mismo, pero ayuda a los compradores a pedir stock, planificar promociones y detectar productos cuyas ventas se alejan de lo esperado. Como la previsión puede contrastarse con la realidad cada semana, la confianza se construye paso a paso.

Un ejemplo: predecir la respuesta al precio

Imagina, como ejemplo, una tienda de productos para mascotas con dos años de datos diarios de un saco de pienso para perros: su propio precio, el precio más bajo de la competencia seguida, el día de la semana, la temporada y las unidades vendidas. Un modelo entrenado con estos datos podría estimar que a 52 dólares, con la competencia a 50, la tienda vende unos 30 sacos al día, y a 49 dólares unos 38. Combinadas con el coste unitario, estas estimaciones permiten al equipo comparar el beneficio esperado a cada precio.

Las estimaciones solo valen dentro del rango que el modelo ha visto. Si la tienda nunca ha cobrado más de 55 dólares, una predicción a 65 dólares es una conjetura disfrazada de cifra. La buena práctica es probar nuevos niveles de precio con cuidado e incorporar los resultados a los datos.

Primero, los datos

Un modelo es tan bueno como sus datos de entrada. Los días que faltan, los precios registrados en la divisa equivocada, las roturas de stock que parecen demanda baja y las promociones sin marcar le enseñan al modelo la lección equivocada. Limpiar y etiquetar los datos suele costar más esfuerzo que entrenar el propio modelo.

Los precios de la competencia son un dato de entrada habitual y necesitan el mismo cuidado. Un registro largo y coherente de precios y disponibilidad de la competencia, como el que mantiene historial de precios, da a cualquier análisis, sea una hoja de cálculo o un modelo, una base más fiable.

Riesgos y límites

  • Sobreajuste: el modelo memoriza el ruido del pasado y predice mal con datos nuevos
  • Bucles de retroalimentación: varios sistemas automáticos reaccionan entre sí y los precios se desvían
  • Decisiones opacas que el personal no puede explicar a los clientes ni a los reguladores
  • Sesgo, si los datos o las variables llevan a resultados injustos para grupos de clientes
  • Deriva del concepto: el comportamiento del mercado cambia y un modelo antiguo sigue actuando según patrones desfasados

Las normas sobre decisiones automatizadas, datos personales y precios varían según el país. Usar datos personales para fijar precios individuales puede plantear cuestiones legales y éticas, y conviene buscar asesoramiento jurídico experto antes de hacerlo.

Usar el machine learning de forma responsable

Mantén a las personas al mando de los límites. Los precios mínimos, los máximos y los cambios diarios máximos debe fijarlos el negocio y aplicarse sea lo que sea lo que sugiera cualquier modelo. Empieza con previsiones que apoyen una decisión en lugar de modelos que cambien los precios directamente, vigila la precisión frente a lo que ocurre de verdad y reentrena o retira los modelos cuando su error crezca.

También ayuda comparar cada modelo con una referencia sencilla, como las ventas del año anterior en la misma semana o una media móvil. Si un modelo sofisticado no supera claramente esa referencia, la complejidad añadida no compensa. Documenta qué hace cada modelo, qué datos usa y quién es responsable de él, para que las decisiones sigan siendo trazables cuando cambie el personal.

Ideas clave

  • El machine learning aprende patrones a partir de datos en lugar de seguir reglas escritas a mano.
  • En eCommerce sirve para prever la demanda, estimar la respuesta al precio y emparejar productos.
  • Las predicciones solo son fiables dentro del rango de situaciones que el modelo ha visto.
  • Unos datos limpios y coherentes, incluidos los precios de la competencia, importan más que la complejidad del modelo.
  • Los precios mínimos y máximos fijados por el negocio y la revisión humana deben acotar cualquier decisión automatizada.

Preguntas frecuentes

¿El machine learning es lo mismo que la inteligencia artificial?

El machine learning es una parte de la inteligencia artificial. La IA es el campo amplio de hacer que el software realice tareas que parecen inteligentes, mientras que el machine learning es el enfoque de aprender esas capacidades a partir de datos.

¿Necesito machine learning para fijar bien los precios?

No. Unas reglas claras basadas en el coste, los objetivos de margen y los precios de la competencia funcionan bien para muchas tiendas. El machine learning ayuda sobre todo cuando hay muchos productos, mucho historial y patrones demasiado complejos para reglas sencillas.

¿Cuántos datos necesita un modelo de precios?

No hay una cifra fija. El modelo necesita suficiente historial con variaciones reales de precio para ver cómo responde la demanda. Los productos cuyo precio nunca cambió no le dan al modelo nada de lo que aprender sobre la respuesta al precio.

Términos relacionados

En BlackAha, Smart Price te ayuda a obtener un precio de venta recomendado para cada producto, basado en los precios de la competencia y del mercado.

Volver al Diccionario de precios