Q&A con Lucas Gorganchian (Prisma): "La IA reduce la brecha entre el análisis y la toma de decisiones"

¿Cómo pueden los minoristas utilizar la IA para mejorar sus operaciones cotidianas? En nuestra conversación con Lucas Gorganchian, CEO de Prisma, exploramos las oportunidades que presenta la IA para agilizar las operaciones y hablamos de los retos de aplicar la ciencia de los datos en el mercado de las tiendas de conveniencia.

Lucas Gorganchian se identifica como un Serial Tech Entrepreneur, habiendo fundado seis empresas a lo largo de sus más de 22 años de carrera, la mayoría dedicadas a proveer software a grandes empresas. Tras obtener un máster en Innovación y Liderazgo Global en el MIT, fundó Prisma junto a Damián Barletta, Cofundador y Chief Technology Officer, a finales de 2016. La compañía ofrece a minoristas una plataforma de planificación unificada que analiza, predice y sugiere acciones, cubriendo variables clave de la optimización del negocio como precios, promociones, surtido, exhibición y abastecimiento.

¿Qué aporta el análisis predictivo de IA a la ciencia de datos aplicada al retail?

Existen muchas herramientas transaccionales, de análisis de datos, visualización y business intelligence, pero hay muy pocas que hagan bien el reducir la brecha entre el análisis de información y la toma de decisiones. Esa misión tiene dos componentes, el primero que tiene que ver con reflejar las estrategias que traen las cadenas, más relacionado con las reglas de negocio o algoritmos. En este caso, por más que la IA sugiera un cambio de precio, la decisión está más relacionada con una estrategia de precios que puede variar según la marca. El segundo componente involucra la combinación de estas estrategias de negocios con modelos de machine learning o soluciones más sofisticadas. Una sola cosa es insuficiente, puede ser algo sexy desde el punto de vista tecnológico, pero no cumple con un objetivo de negocios. Una cadena de tiendas de conveniencia puede empezar a sacarle el jugo a estas herramientas incluso con poca data, no es necesario estar tres años mejorando un set de datos. La realidad es que las ganancias de los primeros meses generalmente son mayores, es una curva de rendimientos decrecientes, hay mucho por hacer con poca data. En el otro extremo, con modelos más sofisticados y muchísima data, el potencial de ganancias se vuelve generalmente menor.

¿Cuán importante es tener acceso a grandes cantidades de datos para la toma de decisiones?

Nuestra misión con Prisma es reducir la brecha entre el análisis de información y la toma de decisiones. Tuvimos un caso con un cliente que nos consultaba por el precio óptimo para la Coca-Cola, entonces lo primero que se hace en esta situación es analizar un set de datos históricos para trabajar o entrenar un modelo. Y cuando vas a la historia, te das cuenta que el precio de la Coca-Cola, sacándole el efecto inflacionario, no varió demasiado a lo largo de los años. Entonces, no importa cuán sofisticado o bueno sea el modelo de machine learning si no tenés los suficientes datos y éstos no son lo suficientemente variados en la historia. El nivel de precisión de esos modelos va a ser bajo, por ende, el nivel de confianza para tomar una decisión es bajo. Por eso, los casos de uso de IA aplicados al retail, a los c-stores, o inclusive al fuel pricing, todavía tienen sus restricciones o limitaciones.

Lucas Gorganchian, CEO y Co-Founder de Prisma | © Prisma

¿Cuál es el origen de Prisma en base a este contexto?

La génesis de Prisma comenzó hace casi 20 años, cuando las compañías empezaban a implementar módulos de gestión como SAP o CRMs para sistematizar su información. En este proceso, solía suceder que se tenían millones de datos a disposición mientras que los ejecutivos seguían tomando decisiones con el estómago. El gran desafío de ese momento era el cambio cultural y la capacitación, para que éstos empezaran a tomar mejores decisiones basadas en datos. En ese momento, junto con Claudio Reboredo, Director de Retail en América Latina para ExxonMobil en esa época, se desarrolló un juego de simulación de negocios para entrenar a estos profesionales. El mismo consistía en que cinco personas tomaran el control de una cadena de c-stores virtual y competir contra otros equipos tomando las decisiones que toma una cadena de conveniencia o retail en su día a día: producto, stock, promociones, precios, layout de la tienda, exhibición de producto, cantidad de empleados, salarios, etc. Ejecutivos de todas partes del mundo participaron de esta capacitación, quienes coincidieron en que necesitaban esta clase de herramientas en su día a día.

Ahí identifiqué que ni los CRM ni los softwares de business intelligence cubrían bien esta necesidad. Investigué qué otras plataformas empezaban a cubrir esos espacios y las que existían en ese entonces eran en su mayoría herramientas que habían crecido de manera inorgánica. A éstas se les habían añadido soluciones de exhibición, precios y promociones, y cuando sucede eso es muy difícil unificar esas plataformas, se dificulta proveer una solución para un proceso integral porque todas las variables están relacionadas con otras. Y en ese proceso vi una oportunidad para crear Prisma, una solución holística diseñada para integrar los procesos complejos y desafíos que los minoristas enfrentan en su día a día. Buscamos que para el usuario la cantidad de datos sea transparente. Esto implica que la plataforma capture muchos datos de distintas fuentes, los procese, los mastique, los alíe con las estrategias de negocio previamente planteadas, y lo que al usuario siempre le llegue es una sugerencia.

¿Qué riesgos puede involucrar una dependencia excesiva en datos?

Primero hay que hacerle varias preguntas a cada caso de uso. Una pregunta sería: ¿lo estamos midiendo o no? Si no lo estamos midiendo entonces, ¿cuál es el costo de empezar a medir esto? Parte de nuestra suite de productos incluye una app para capturar información sobre precios, exhibición, nivel de servicio, y otros atributos. El siguiente paso es preguntarse, ¿qué hago con esta información y cómo esto impacta en la demanda de los precios? Y si la respuesta es que cuesta mucho más capturar el dato que el return on investment (ROI) o el beneficio que me da la captura de ese dato, muchas veces es que no vale la pena capturarlo.

Gorganchian es partidario de estrategias basadas en datos para mejorar las ventas y la experiencia del cliente, en lugar de sobredepender de tecnología pionera. | © stock.adobe.com - Heorshe

¿Sucede algo similar con el fenómeno de la automatización de las tiendas?

Yo siempre pongo el ejemplo de una tecnología que vi en San Fracisco, de una empresa que vendía robots-as-a-service que pasaban por el pasillo de una góndola, sacaba fotos y detectaban si había quiebre de inventario. La realidad es que existen soluciones mucho menos costosas que contratar un robot para hacer eso. Si el robot no solo detectara el quiebre de inventario, sino que me ayudara a reponer el producto que falta, reemplazaría eventualmente al ser humano que repone, por ejemplo. Pero si sólo detecta, hay maneras mucho más costo-eficientes de hacer eso mismo, entonces, si bien somos una empresa de tecnología, también tratamos de aplicar el mejor sentido común para ofrecer las soluciones lo más simples posibles y lo más costo-eficiente posibles con tecnología. Lo más importante para el operador y las cadenas es entender por qué sus clientes los eligen. Y si la respuesta es que valoran muchísimo el entrar y salir rápido o consumir rápidamente, evalúen smart shopping. Si la respuesta es otra, hoy es una inversión muy alta respecto al retorno que le puede dar esa tecnología.

¿Cómo puede impactar la automatización en la experiencia del cliente?

La primera vez que entré a un Amazon Go hace ya más de cinco años en Nueva York, había dos personas asistiendo a los que querían entrar, tuve que actualizar mi app y cuando entré había muchos productos en quiebre. No tuve la mejor experiencia, y sabemos el costo de montar la infraestructura para hacer estas tiendas inteligentes. Hay realidades distintas también. Uno se pregunta: ¿cuál es mi retorno de inversión en poner 20 cámaras, sensores y todo lo que implica una tienda inteligente vs. lo que me ahorro en labor? Y esa respuesta es distinta en Estados Unidos que en Europa, Latinoamérica o Asia. A su vez, empresas como Amazon muchas veces buscan tratar de imponer una tecnología para después venderla, no sé si tanto el concepto, con lo cual eso tiene que ver con las olas de innovación, el hype.

Una cadena puede tener distintos tipos de formatos y ofertas de acuerdo a las geografías, de a dónde esté ubicada, puede tener tiendas inteligentes con una combinación de otras tiendas más de experiencia. También depende cuánto bajen los costos de infraestructura para las tiendas inteligentes, pero estará en cada cadena determinar por qué los clientes los eligen. Por otro lado, pensando en la transición a vehículos eléctricos (VE), cuyos tiempos de carga aún son altos, con cargas que pueden tardar entre 30 minutos y una hora. Obviamente la tecnología después va a ir mejorando esos tiempos, pero mientras uno carga su VE necesita un lugar donde pueda matar 30 minutos o una hora, ¿necesitas una smart store, un lugar donde tener una reunión, comer algo o un gimnasio?

Factores básicos como el diseño, la exposición, las promociones y el surtido de una tienda pueden esconder un gran potencial de mejora cuando se analizan mediante un enfoque basado en datos. | © Prisma

¿Qué limitaciones puede tener la ciencia de datos y la IA aplicada al retail?

En esto influye la complejidad de los datos. Las herramientas pueden sugerir un precio óptimo para un producto, pero, ¿qué pasa cuando se atiende mejor o peor a un cliente? ¿Si hizo el checkout más rápido o más lento? ¿Si tenían quiebre de stock o no tenían quiebre de stock? ¿Si una cadena exhibe mejor o peor? Hay multiplicidad de variables impactando en la demanda que, algunas se miden y otras no se miden, por eso también el enfoque holístico nutre a estos modelos para que sean más precisos. Nosotros abordamos o intentamos llevar a los clientes a un camino de madurez. Yo siempre hago la metáfora de que todos queremos ir a la Luna, pero para llegar tenemos que primero conseguir al astronauta, comprar el traje, armar el cohete, cargarle combustible, es un camino de maduración. Pero hay cierta inmadurez todavía en los procesos de IA que necesita ser entrenada. Algunos usuarios pretenden apretar un botón y que les resuelva mágicamente el mundo, y no es así, hay una maduración y construcción detrás de eso. Hay que buscar los casos de uso concretos y en cuáles la IA realmente puede potenciar o multiplicar la productividad.