Infoweek

Mar, 9 agosto, 2022
Mar, 9 agosto, 2022

Insignia Marketing

PepsiCo utiliza Azure Machine Learning para identificar las tendencias de compra de los consumidores

  • Produciendo información procesable a nivel de tienda utilizando el aprendizaje automático para integrar y analizar los datos de fuentes internas y externas -como las previsiones meteorológicas.

Harrison, NY, EE.UU. 27 enero, 2022. PepsiCo, siendo una una de las principales empresas de alimentos y bebidas del mundo, necesita equilibrar la demanda de sus productos por parte de los consumidores con el inventario disponible en miles de tiendas de Estados Unidos. Para pasar a un enfoque de análisis predictivo más basado en el aprendizaje automático, la empresa implementó Microsoft Azure Machine Learning para obtener información procesable de sus vastos repositorios de datos, utilizándolo primero en algunos mercados de Estados Unidos.

A medida que la empresa aprende de esta prueba piloto y de los modelos, su objetivo es ampliarlos a otros sectores y mercados. En la prueba piloto, los empleados de PepsiCo reciben diariamente listas de prioridades para cada tienda que visitan, de modo que puedan predecir mejor los aperitivos que las tiendas individuales necesitan almacenar para satisfacer mejor las necesidades de compra de los consumidores. Los científicos de datos que generan las listas utilizan las capacidades de operaciones de aprendizaje automático en Azure Machine Learning para agilizar el proceso de desarrollo y trabajo con los modelos que informan esas prioridades. Como resultado, los primeros indicios estiman que se ha producido un cambio de 4.300 días de trabajo al año de tareas rutinarias hacia actividades de valor agregado.

«Hemos utilizado las capacidades MLOps (Machine Learning Operations) de Azure para simplificar todo el proceso de aprendizaje automático. Eso nos permite centrarnos más en la ciencia de los datos y dejar que Azure Machine Learning se encargue de las operaciones de extremo a extremo».
Michael Cleavinger: Senior Director of Shopper Insights Data Science and Advanced Analytics
PepsiCo

Mientras que las refrescantes bebidas Pepsi, los sabrosos snacks Frito-Lay y los saludables alimentos Quaker impulsan la parte del negocio dirigida al consumidor en PepsiCo, dentro de la empresa, es la información la que mantiene las cosas en movimiento.

«Los datos son la savia de la empresa», afirma Michael Cleavinger, director senior de Shopper Insights Data Science y Advanced Analytics en PepsiCo. «Tenemos marcas que representan US$ 23.000 millones en múltiples segmentos de productos. Confiamos en los conocimientos del aprendizaje automático para reunir nuestro conocimiento de la industria, el mercado y nuestra profunda comprensión de los hábitos de compra y las preferencias de los consumidores. El aprendizaje automático nos permite tomar decisiones informadas que garantizan que los consumidores obtengan los productos que desean, ayudándonos a satisfacer constantemente la demanda e impulsar el crecimiento de PepsiCo».

Parte de ese crecimiento empresarial depende de las relaciones positivas con los socios tecnológicos de PepsiCo, y los datos también desempeñan un papel clave en este sentido. «Nuestros socios minoristas operan con una mentalidad diaria», explica Evan Shaver, vicepresidente de Shopper Analytics and Insights en PepsiCo North America. «Los días en los que se les proporcionaban datos de hace una semana o un mes han desaparecido en gran medida. Creemos que los proveedores que puedan responder ágilmente serán aquellos en los que los minoristas confiarán para ayudarles a ganar en el mercado».

Jeff Swearingen, vicepresidente senior y director de Global Demand Accelerator de PepsiCo, añade: «La clave es disponer de datos significativos y profundos. En cierto modo, la proliferación de datos hace más difícil que nunca la toma de decisiones. La capacidad de analizar los datos, obtener rápidamente información práctica y convertirla en una programación atractiva y personalizada es muy importante. Nuestros socios minoristas, más que nunca, valoran esta capacidad».

Encontrar nuevas formas de recopilar y analizar datos

PepsiCo genera enormes cantidades de datos todos los días sobre los volúmenes de ventas, el inventario y los patrones de compra. La empresa quiere hacer algo más que dedicar tiempo a la organización de esos datos en formas tradicionales que consumen mucho tiempo, como mantenerlos en miles de hojas de cálculo separadas, archivos PDF, documentos de Word, presentaciones PowerPoint, bases de datos y correos electrónicos, como hacía la empresa en el pasado. PepsiCo prefiere dedicar su tiempo a centrarse en las grandes cuestiones empresariales y a determinar estrategias inteligentes.

«Queremos mejorar lo que hacemos con los datos», dice Cleavinger. «Hemos tenido un enfoque bastante tradicional, haciendo las cosas de la misma manera durante los últimos 20 años. Con el avance de la tecnología, empezamos a buscar métodos alternativos para aprovechar la potencia de cálculo y obtener información valiosa sobre los procesos empresariales críticos. Eso nos llevó a la IA (Inteligencia Artificial) y al aprendizaje automático».

PepsiCo trasladó sus voluminosos datos a la plataforma en la nube de Microsoft Azure para reunir las numerosas fuentes de datos de la empresa y analizar los contenidos de forma más constructiva, empezando por implementar Azure Machine Learning. «Queríamos adoptar un enfoque muy granular, inteligente y con visión de futuro, y Azure Machine Learning nos abrió muchas posibilidades», dice Cleavinger. «Puedes usar el lenguaje que quieras y los algoritmos que quieras, y la plataforma te apoya de principio a fin».

Acelerando el desarrollo del aprendizaje automático con nuevas herramientas

Un ciclo de vida típico del aprendizaje automático implica una serie de pasos que se repiten en un proceso de perfeccionamiento continuo. Los científicos de datos desarrollan modelos que ayudan a los computadores a aprender de datos pasados para identificar resultados futuros. A continuación, los científicos entrenan estos modelos con conjuntos de datos existentes, los empaquetan, validan el comportamiento del modelo para comprobar su capacidad de respuesta y el cumplimiento de la normativa requerida, despliegan el modelo en la nube donde procesa los datos entrantes, supervisan el comportamiento del modelo y el valor empresarial y, a continuación, vuelven a entrenar o sustituyen el modelo según sea necesario para mejorar el rendimiento. Todo el proceso puede estructurarse como parte de un canal de integración continua y entrega continua (CI/CD).

«En PepsiCo, utilizamos Azure como una moderna plataforma de análisis avanzado de última generación. Comenzamos con las capacidades fundacionales de Azure y trabajamos estrechamente con nuestros socios comerciales para añadir servicios y características más avanzadas», afirma Atul Jain, Director de Advanced Analytics en PepsiCo. «Sin duda, las capacidades de operaciones de aprendizaje automático en Azure Machine Learning han facilitado una mejor coordinación entre el equipo de negocios de PepsiCo y los equipos de TI de PepsiCo. Hemos podido avanzar más rápido y con más fuerza con nuestros socios comerciales al abrir capacidades al equipo de negocio, creando una nueva forma de trabajar».

Dado que el aprendizaje automático tiene un proceso tan específico y bien definido, no siempre encaja sin problemas en las herramientas tradicionales de DevOps. Por esta razón, PepsiCo se alegró al darse cuenta que el uso de Azure Machine Learning proporciona acceso a las capacidades de operaciones de aprendizaje automático (MLOps – Machine Learning Operations) del servicio, que están diseñadas específicamente para el desarrollo del aprendizaje automático.

«Microsoft diseñó Azure Machine Learning para apoyar un enfoque específico de aprendizaje automático para DevOps, para que nuestra gente pueda centrarse en la agilidad», dice Cleavinger. «Nuestros científicos de datos y desarrolladores supervisan fácilmente todo desde un portal central, y la capacidad de gestionar, validar y desplegar modelos desde un entorno disminuye drásticamente el tiempo invertido, facilita los procesos difíciles y reduce la complejidad del flujo de trabajo».

El equipo de ciencia de datos de PepsiCo también descubrió que adoptar este enfoque de operaciones de aprendizaje automático para CI/CD utilizando Azure Machine Learning logró que el equipo sea mucho más eficaz, ya que sus miembros son capaces de iterar a través del desarrollo de aprendizaje automático más fácilmente que antes.

«Hemos utilizado las capacidades de MLOps en Azure Machine Learning para simplificar todo el proceso de aprendizaje automático», dice Cleavinger. «Eso nos permite centrarnos más en la ciencia de los datos y dejar que Azure Machine Learning se encargue de las operaciones de extremo a extremo. Esto marca una verdadera diferencia, porque tenemos personas en nuestro equipo que no son desarrolladores experimentados. Con Azure Machine Learning y sus capacidades de MLOps, nuestros científicos de datos y analistas de datos obtienen un punto de entrada que las herramientas tradicionales de DevOps no proporcionan».

El uso de las capacidades de operaciones de aprendizaje automático en Azure Machine Learning para la automatización de tareas no solo ayuda a PepsiCo a centrarse más en la ciencia de datos, sino que también aceleró el desarrollo y redujo el tiempo dedicado a las tareas rutinarias. También ayuda a los desarrolladores y a los científicos de datos a mantener la precisión y la repetibilidad de los modelos, asegurando que no están cometiendo errores involuntarios. «La automatización nos ayuda a levantar y trasladar un proceso de un proyecto a otro, de modo que la estructura general ya está completa, y sabemos qué esperar y qué hay que cambiar», dice Cleavinger. «Esto puede eliminar semanas de trabajo en un proyecto de aprendizaje automático».

PepsiCo utiliza Azure Machine Learning para identificar las tendencias de compra de los consumidores

Diagrama de la arquitectura de PepsiCo.

 

Obteniendo grandes beneficios con funciones sofisticadas y fáciles de usar

Los empleados de PepsiCo apreciaron que la adopción de las capacidades de operaciones de aprendizaje automático en Azure Machine Learning no requirió un gran cambio en la forma en que están acostumbrados a trabajar. «Esencialmente, eliminamos muchas cosas que no usábamos con frecuencia y ahora pasamos más de nuestro tiempo donde realmente queremos: construyendo, desplegando y supervisando modelos», dice Cleavinger. «Debido a que las capacidades de MLOps en Azure Machine Learning mantienen todo junto en un solo lugar, no necesitamos movernos entre programas y plataformas. Y características como el rico registro de modelos hacen que nuestro pipeline sea más sencillo y acelera las iteraciones».

La empresa también encontró útiles otros recursos de Azure. «Con Azure Machine Learning, podemos integrar nuestros flujos de trabajo de aprendizaje automático en pipelines automatizados, escalarlos y hacer que lancen nuevos «cálculos» gestionados para todo el proceso», dice Cleavinger. «Realmente ayuda a automatizar el proceso y nos facilita compartir código y modelos».

Para los científicos de datos de PepsiCo, la adopción de Azure Machine Learning y sus capacidades de operaciones de aprendizaje automático proporciona un marco para trabajar con Big Data e IA de una manera que fomenta la colaboración, acelera el tiempo de comercialización y reduce la molestia asociada con el intercambio de archivos, el seguimiento de archivos y el versionado. «Con las capacidades de operaciones de machine learning en Azure Machine Learning, varios equipos pueden trabajar juntos de forma coordinada», afirma Ying Feng, Senior Manager, Data Science, Marketing/Shopper Insight en PepsiCo. «Cada equipo puede trabajar en una parte de la solución y luego fusionarla sin problemas. Nos ahorra mucho tiempo. Antes, podíamos demorar un año en llevar un modelo a un nivel de producción, y ahora podemos terminar el proceso en tan solo cuatro meses».

Profundizado en el ADN de las tiendas para satisfacer mejor las expectativas de los clientes

Los ejecutivos en terreno de PepsiCo visitan más de 200.000 establecimientos minoristas de EE.UU. cada semana para abastecer y organizar los productos y los exhibidores. Tradicionalmente, los ejecutivos en terreno llegaban a una tienda con una larga lista de cosas que había que hacer, basada en la intuición y en los datos históricos de años anteriores. Pero no siempre sabían a qué dar prioridad en esa semana. Y como cada tienda atiende a una variedad de consumidores en diferentes regiones, las mismas directrices que se aplicarían a una tienda podrían no aplicarse a otra. Las prioridades también se ven afectadas por cosas como los grandes eventos deportivos, los horarios escolares e incluso el clima.

«Por ejemplo, cuando nuestro ejecutivo en terreno llegó a una tienda del norte de Texas hace poco, hacían 4° grados celsius», explica Cleavinger. «No sabía que la previsión para la semana siguiente era de 30° grados. Si lo hubiera sabido, habría tenido que abastecerse de agua. Queremos utilizar el aprendizaje automático para integrar y analizar los datos de fuentes internas y externas -como las previsiones meteorológicas- para proporcionar ese tipo de asesoramiento predictivo, cuantificar el valor de las recomendaciones y personalizar las prioridades para cada tienda».

Las prioridades tienen en cuenta la información interna de PepsiCo sobre sus compradores y sus patrones de compra. Las distintas tiendas pueden vender diferentes cantidades de productos, y la empresa quiere que sus ejecutivos en terreno conozcan estas diferencias y establezcan sus expectativas sobre lo que es probable que se venda de una semana a otra. El reto de los datos es enorme, ya que implica miles de millones de filas y miles de columnas de datos, e incorpora datos demográficos, actitudes, datos psicológicos, comportamiento de compra, afinidad con el producto, eventos locales, el clima, etc.

Para reunir todos estos datos y ofrecer recomendaciones adecuadas, PepsiCo desarrolló una aplicación llamada Store DNA. La empresa utilizó Azure Machine Learning y sus capacidades de operaciones de aprendizaje automático para crear modelos de aprendizaje automático que analizan los datos de las tiendas y de los clientes y ofrecen a los ejecutivos en terreno una lista priorizada de las tres principales acciones de producto que deben realizar cuando llegan a cada ubicación, como por ejemplo, almacenar más de determinados productos. La empresa también está ampliando estos datos granulares para identificar áreas de oportunidad más amplias en las que existe una posible demanda insatisfecha por parte de los consumidores, lo que ayuda a PepsiCo a dar forma a la estrategia y a las áreas de enfoque y a trabajar hacia el objetivo final de satisfacer las necesidades de los consumidores.

«Ahora podemos utilizar los datos para indicar a nuestros ejecutivos en terreno qué productos tendrán el mayor impacto esa semana, a qué deben prestar atención los ejecutivos y qué pueden hacer para asegurarse de que realmente cumplen con las expectativas de los clientes, cosas de las que quizá no eran conscientes antes», dice Cleavinger. Pueden aprovechar mejor las oportunidades de venta gracias a la información obtenida mediante el aprendizaje automático de nuestros amplios almacenes de datos». Debido a la escala y el alcance de los datos, no habríamos podido ni siquiera contemplar la posibilidad de hacer este tipo de trabajo, sin herramientas como Azure Machine Learning y sus capacidades MLOps».

Ampliando la solución y entrega de información granular

PepsiCo realizó una prueba de concepto de Store DNA en el mercado del norte de Texas, cubriendo 700 tiendas minoristas de gran formato, y recibió comentarios positivos de sus ejecutivos en terreno. Actuaron sobre más del 85% de las recomendaciones de la aplicación, y la empresa determinó que estaba mejorando las predicciones en más del 40%. Basándose en el éxito de la implantación en el norte de Texas, la empresa está ampliando Store DNA a 14 mercados en cuatro regiones diferentes del centro de Estados Unidos. Cada mercado tiene sus propios modelos de aprendizaje automático, entrenados para la idiosincrasia del mercado.

«El uso de Azure Machine Learning y sus capacidades de MLOps nos facilitó la ampliación de nuestra solución a los mercados adicionales», dice Feng. «Nuestro proceso utiliza dos modelos por mercado -uno para el entrenamiento y otro para la puntuación- por lo que actualmente estamos siguiendo 28 modelos en todo el despliegue».

El despliegue de Store ADN anuncia ganancias de eficiencia y productividad para PepsiCo. Basándose en la prueba de concepto, los primeros indicios indican que la empresa puede ser capaz de cambiar 4.300 días de trabajo al año de tareas cotidianas a actividades más centradas en añadir valor al negocio, lo que supone casi 12 años de trabajo tedioso transformados en tiempo útil. Los ejecutivos en terreno ya no pierden tiempo tratando de averiguar o derivar lo que tiene que suceder en una tienda, y pueden centrarse en el trabajo que crea el mayor impacto. Los científicos de datos están ahorrando potencialmente semanas de tiempo utilizando las capacidades de operaciones de aprendizaje automático en Azure Machine Learning y la automatización de tareas que soporta. Esta automatización ayudó a cambiar la dinámica entre los grupos de negocio y de TI dentro de PepsiCo. Dice David Patron, Senior Director de Datos Empresariales, «Azure Machine Learning automatizó muchos procesos de TI, permitiéndonos centrarnos en la estrategia con el equipo de negocio. Pero más allá de esto, también reduce el tiempo para producir y entregar soluciones de machine learning/AI a través de nuevos proyectos».

Los conocimientos granulares proporcionados por Store DNA benefician no solo a los ejecutivos en terreno, sino también a los gerentes de PepsiCo. «Damos a nuestros gerentes excelentes paneles de control (dashboards) modelados en Microsoft Power BI que proporcionan una visión de dónde la empresa debe gastar tiempo y esfuerzo», dice Cleavinger. «Pueden profundizar en los artículos de una tienda específica, y también en las tiendas circundantes, o escalar para ver dónde están las oportunidades y tomar las decisiones estratégicas adecuadas de alto nivel».

Con los insights derivados de Azure Machine Learning, PepsiCo obtiene tres beneficios que toda empresa valora mucho. «Ponemos un verdadero énfasis en ofrecer tanto velocidad como calidad, al tiempo que reducimos los costos», dice Swearingen. «Históricamente, esto ha sido una trifecta difícil de lograr. Sin embargo, creemos que nuestras nuevas capacidades cambiarán la curva para permitir una nueva y mejor línea de base».

A medida que PepsiCo se sumerge en el aprendizaje automático, la empresa se asegura de que se adhiere a las políticas responsables de IA. «Utilizamos un enfoque de la IA centrado en el consumidor para comprender y satisfacer mejor las necesidades del cliente», explica Cleavinger. «Con el poder de la IA, podemos generar conocimientos valiosos sin tener que utilizar información de identificación personal. También tenemos consejos de gobernanza de datos para garantizar que utilizamos y aseguramos los datos de forma adecuada y que entendemos la procedencia de los mismos».

Por el momento, Store DNA se centra en los productos de bebidas PepsiCo, pero a medida que la empresa despliegue la solución en más zonas geográficas, tiene previsto añadir también sus aperitivos. «Seguiremos esforzándonos por ahorrar tiempo a nuestro personal en terreno y por ofrecerles una visión mejor y más profunda», afirma Cleavinger. «El apoyo que hemos recibido de Microsoft al embarcarnos en nuestro viaje de aprendizaje automático ha sido estupendo, y esperamos seguir trabajando juntos para aumentar lo que nos gusta llamar nuestra «cuota de estómago» y nuestro éxito empresarial».

“Sin duda, las capacidades de operaciones de aprendizaje automático en Azure Machine Learning han facilitado una mejor coordinación entre el equipo de negocios de PepsiCo y los equipos de TI de PepsiCo”.
Atul Jain, Advanced Analytics
PepsiCo

ST Computación, en Chile y Perú como representante de Microsoft Azure Machine Learning, ofrece toda su experiencia de más de 40 años en la industria TI para acompañarlo en su proyecto de negocios de IA y Machine Learning. Si está interesado en recibir mayor información, por favor complete el siguiente formulario y un representante de ST Computación se pondrá en contacto con usted para agendar una llamada reunión telefónica para escuchar sus requerimientos.

Insignia Marketing

Deja una respuesta

Tu dirección de correo electrónico no será publicada.

MontBlanc - The Summit Range
Microsoft 365
Banner FonoIP - telefonia para teletrabajo

Eventos

agosto 2022
septiembre 2022
octubre 2022
noviembre 2022
¡No hay eventos!
Cargar más
Hyundai Creta 2022
Postgrados UC - Doctorado de Ingeniería y Tecnología UC
Norton 360
ConnectNow
BannerPropertyPartners300-buenas
Hosting Chile