La IA generativa revolucionará la gestión del crecimiento de los ingresos 

Este blog te dará una visión general y una base sólida para la gestión del crecimiento de los ingresos (RGM). Además, te mostraremos cómo integrar estratégicamente la IA generativa para impulsar resultados de RGM más sólidos. 

La gestión de los ingresos es fundamental para el crecimiento de los ingresos y la rentabilidad 

Empecemos por el principio: la RGM es una disciplina transversal dentro de la industria de bienes de consumo envasados (CPG) que utiliza análisis avanzados para identificar y analizar cómo aumentar los beneficios y encontrar oportunidades de crecimiento de la línea superior. En un mercado con una gran inflación que también experimenta cambios rápidos en las preferencias de los consumidores, la RGM se ha convertido en un tema prioritario en la mayoría de las organizaciones de CPG. 

Tenemos una predicción audaz. La IA generativa dará a más empleados acceso a las herramientas y los conocimientos de RGM, así como también proporcionará un camino para ayudar a las empresas a pasar de su nivel actual a niveles de madurez más altos. Lo llamamos democratización de la RGM, y tiene un potencial increíble. 

La IA generativa puede abordar y resolver algunos de los desafíos de datos, herramientas y adopción que se experimentan hoy en día. 

Uno de los mayores puntos débiles de la GRG ha sido la velocidad y la precisión de la información, debido al enorme volumen, complejidad y desorden de los datos que sirven de base a esta disciplina. 

Microsoft es un proveedor de tecnología de confianza para muchas de las empresas de CPG más grandes del mundo. Nos asociamos con nuestros clientes en una gran variedad de transformaciones digitales. A través de estas experiencias, hemos generado la siguiente observación sobre el camino hacia la madurez de los datos y la GRG para la mayoría de los CPG. 

Presentación de la escala de madurez de la gestión del crecimiento de los ingresos 

Dediquemos un poco de tiempo a este gráfico. 

En la parte inferior tenemos las bases de datos, que son esenciales en toda la escala de madurez de RGM. Inicialmente, los proyectos de RGM suelen ser esfuerzos únicos que implican la recopilación, el procesamiento y la integración de datos de diversas fuentes, lo que puede ser laborioso y desafiante. El primer paso para establecer la madurez de RGM es establecer un centro de datos de RGM (RGM Data Hub 1.0) e implementar prácticas sólidas de gobernanza de datos, catalogación de datos y garantizar la calidad y la confianza de los datos.  

El centro de datos de RGM se expande luego incorporando fuentes de datos adicionales y adoptando un modelo de datos común (RGM Data Hub 2.0). Cuanto más pueda conectarse el centro de datos de RGM con otros centros de datos a través de una plataforma de datos conectada, más valor se puede obtener (RGM Data Hub 3.0). 

RGM 1.0 representa la primera generación de herramientas de RGM, que se centran principalmente en el análisis descriptivo de factores individuales y a menudo pasan por alto otros impulsores del negocio. Estas herramientas sufren de latencia de datos, proporcionan conocimientos basados en eventos pasados, tienen interfaces de usuario subóptimas y enfrentan bajas tasas de adopción. 

A medida que las capacidades de RGM maduran, las herramientas deben volverse más predictivas y personalizadas. Para desbloquear el potencial completo de las herramientas de RGM, es crucial integrarlas con los sistemas de planificación y demanda, y los conjuntos de datos subyacentes deben ser de tiempo real y más detallados (RGM 2.0). 

El objetivo final es crear un sistema RGM interconectado que se integre a la perfección con las operaciones a nivel de tienda en el front end, así como con la cadena de suministro y los procesos de fabricación en el back end (RGM 3.0). Este nivel de integración solo puede alcanzarse si la base de datos también evoluciona (RGM Data Hub 3.0) e incorpora datos más detallados. 

Independientemente de la etapa del viaje de RGM, priorizar la democratización de las herramientas de RGM es esencial. Aprovechar la IA generativa, el pensamiento de diseño, las plataformas de decisión interfuncionales y las prácticas efectivas de gestión del cambio son factores clave para democratizar estas herramientas. Exploraremos el papel de la IA generativa en la democratización de las herramientas de RGM. 

La IA generativa ya está cambiando la forma en que trabajamos, haciéndonos más efectivos y eficientes. 

Ahora vamos a discutir qué es la IA generativa y qué puede hacer: se refiere a una categoría de técnicas y modelos de IA que están diseñados para crear contenido nuevo y original, en lugar de simplemente reconocer o analizar datos. 

La IA generativa es revolucionaria porque puede armar una palabra, una respuesta a una pregunta, un efecto o una imagen a partir de una indicación, entre muchos otros casos de uso. Nuestros clientes pueden usar modelos de IA generativa con sus propias bases de datos. Esto es exclusivo de nuestros servicios de Azure OpenAI de Microsoft, además de tener la seguridad y la gobernanza que vienen con una plataforma de Microsoft. 

Hay cuatro capacidades clave de los servicios de Azure OpenAI: 

1. Resumen de conocimientos o escenarios 

2. Búsqueda semántica para la minería de conocimientos 

3. Generación de código 

4. Generación de contenido 

Para obtener más información, visita nuestro sitio web de Azure OpenAI service. 

La IA generativa puede ayudar a las empresas a alcanzar la madurez de RGM más rápido y mejor. 

Las empresas que utilizan IA generativa pueden superar la madurez de RGM. El camino ya no tiene que ser estrictamente secuencial o lineal. Entonces, podrías preguntarte, ¿qué significa eso? La siguiente sección profundiza en los detalles de la IA generativa. 

RGM con un modelo de IA generativa se puede mejorar a través de sus propios datos empresariales e ingeniería de indicaciones 

Una forma poderosa de aplicar IA generativa para RGM es traer tus propios datos empresariales y aplicar ingeniería de indicaciones para complementar los modelos de pre-entrenamiento generativos (GPT). La ingeniería de indicaciones, también conocida como diseño de indicaciones, implica seleccionar las palabras, frases, símbolos y formatos correctos que guían al modelo para generar textos de alta calidad y relevancia. Esto implica transferir y mejorar el aprendizaje con nuevos datos. 

Entendamos cómo funciona: 

• Mejora del modelo con tus propios datos empresariales: esto implica conectar conjuntos de datos empresariales a través de API e indexarlos con búsqueda vectorial. Este proceso incorpora conocimientos específicos del dominio y mejora la comprensión del modelo de los conceptos, la terminología y las métricas de RGM, lo que lleva a respuestas más precisas y contextualizadas. Esto se aborda utilizando la función Azure OpenAI Service on Your Data. 
• Comprensión del contexto mejorada: los modelos GPT pueden entender el contexto de las consultas relacionadas con RGM mediante la experimentación con la ingeniería de indicaciones para optimizar los modelos para la confiabilidad, la precisión y la seguridad, y generar salidas más relevantes y accionables. Los modelos pueden comprender las relaciones entre precios, promociones, ventas y otros factores específicos de RGM, lo que permite recomendaciones más perspicaces y prácticas. 
• Indicaciones personalizadas para diferentes personas: al proporcionar pasos específicos a los modelos GPT, los profesionales de RGM pueden guiar las respuestas generadas para que se ajusten a sus necesidades específicas. Las indicaciones se pueden adaptar para generar conocimientos sobre estrategias de precios, efectividad de promociones, planificación de surtido o cualquier otro aspecto relevante de RGM. 

• Mitigación del sesgo: el marco de IA responsable brinda la oportunidad de abordar los sesgos que pueden existir en el modelo GPT base. Los profesionales de RGM pueden curar conjuntos de datos de entrenamiento diversos e incorporar consideraciones éticas para garantizar recomendaciones justas e imparciales en áreas como estrategias de precios o reinicios de surtido. El viaje de Microsoft hacia la IA responsable comenzó hace casi seis años, cuando Satya Nadella escribió un artículo en la revista Slate titulado “La asociación del futuro”. Obtenga más información sobre los principios de IA responsable de Microsoft. 
• Mejores conocimientos y toma de decisiones: los modelos GPT que utilizan datos específicos de RGM pueden mejorar el rendimiento en las tareas de RGM. Los modelos pueden aprender de datos históricos de RGM, tendencias del mercado y mejores prácticas de la industria, lo que permite obtener conocimientos más matizados y contextuales que conducen a una mejor toma de decisiones en dominios como la previsión de la demanda, la optimización de los precios y la estrategia promocional. 

Es importante tener en cuenta que este proceso de experimentación y operacionalización requiere un conjunto de datos bien curado, experiencia en RGM y una cuidadosa consideración de las preocupaciones de privacidad y ética. Además, es necesario un monitoreo y evaluación continuos para garantizar que los modelos sigan proporcionando orientación confiable y relevante en el espacio dinámico de RGM. 

Aumento de la velocidad y el acceso a los conocimientos de RGM a través de la IA generativa 

El uso de IA generativa cambiará la forma en que las personas utilizan las herramientas existentes y mejorará la productividad en todo el ecosistema de RGM, desde la planificación hasta la ejecución y la optimización. En la actualidad, el uso de herramientas digitales de RGM se limita a unos pocos analistas de datos y usuarios avanzados. Para los usuarios empresariales, la interfaz de usuario, la experiencia de usuario y la lógica del algoritmo no son fáciles de entender ni de usar. La IA generativa simplifica la experiencia de usuario, dando a los usuarios empresariales la capacidad de utilizar indicaciones de lenguaje natural con preguntas complejas y matizadas para extraer conocimientos y escenarios relevantes y contextuales, resumirlos y compartirlos rápidamente con socios y clientes interfuncionales. 

Por ejemplo: 

• Un gerente de promociones comerciales de una empresa de bebidas tendría la capacidad de ser muy preciso en la asignación de presupuestos promocionales a minoristas específicos, tipos de promociones, marcas y SKU haciendo preguntas como: “Dame opciones sobre cómo, qué y con qué frecuencia promocionar para obtener un ROI promocional de más del 1,5 en el área metropolitana de Chicago en tiendas club durante los meses de verano de mayo a septiembre”. 
• Un gerente de precios de canal puede evaluar el riesgo de pérdida de ingresos con precios basados en el lenguaje natural con preguntas como: “En mi distrito de ventas, ¿tiene mi (marca A) un precio competitivo en comparación con la (marca B) en todas las tiendas? Muéstrame las tiendas donde tengo el máximo riesgo de perder ventas debido a las diferencias de precio”. 
• Un gerente de tienda tendría la capacidad de planificar mejor los estantes de la tienda en caso de escenarios de falta de existencias preguntando: “¿Cuál es el mejor SKU para sustituir si estoy sin existencias del tamaño pequeño de (marca X) para poder mitigar la pérdida de ventas de la categoría, teniendo en cuenta los niveles de inventario disponibles en la trastienda de la tienda?”. 

Los equipos de ciencia de datos serán más productivos con estos modelos 

Estos equipos utilizan programas estadísticos y de aprendizaje automático para comprender los eventos y predecir las tendencias observando la causa y el efecto utilizando los datos que tienen a tu disposición. Estos modelos no están diseñados para ser repetibles y escalables en la mayoría de los casos, y a menudo sufren de una mala documentación. Con la IA generativa, los equipos de ciencia de datos pueden crear código para los modelos de aprendizaje automático predictivos que da como resultado un aumento de la productividad. La IA generativa puede organizar mejor los datos, detectar anomalías, ayudar en la generación de código y documentar el código para una generación de código más rápida, mejor y más reutilizable. Esto puede aumentar la productividad y la escalabilidad en toda la disciplina de la ciencia de datos. 

La IA generativa conducirá a la democratización de la RGM 

La escala de madurez de la RGM es una forma para que las empresas de CPG evalúen dónde se encuentran en el camino de la integración de datos. El objetivo final es tener un sistema que esté completamente integrado, donde los datos fluyan tanto de los procesos front-end como back-end. La IA generativa puede ayudar a las empresas a saltar de un nivel a otro. 

La IA generativa se puede aplicar a la RGM a través de tus propios datos empresariales e ingeniería de indicaciones. Esto puede conducir a respuestas más precisas y contextualizadas. Puede proporcionar información para guiar estrategias generales, limitar el sesgo y mejorar el rendimiento de las tareas de RGM. El uso de IA generativa cambiará la forma en que las personas usan las herramientas existentes. La productividad se puede aumentar cuando se brindan información utilizable a los líderes de CPG más rápidamente. 

La incorporación de IA generativa puede impulsar a las empresas de CPG hacia tus objetivos de RGM. Con la IA generativa, es posible que las empresas salten pasos enteros en la escala de madurez de RGM. Esto resultará en encontrar oportunidades de crecimiento de la línea superior y mayores ganancias. 

Cómo empezar: 

• Evalúa la RGM actual de tu empresa y las capacidades de datos utilizando la escala de madurez de RGM y datos de Microsoft. 
• Establece tus objetivos de RGM y base de datos alineados con las prioridades comerciales. 
• Crea una hoja de ruta integral con dimensiones de datos, tecnología, IA y gestión del cambio. 
• Evalúa cómo te gustaría aplicar la IA generativa a tus objetivos de RGM sin importar dónde se encuentre en términos de madurez de RGM. 

• Toma pequeños pasos hacia la adopción de IA generativa, comenzando con un caso de uso o un objetivo. 
• Desarrolla e implementa medidas de IA responsable desde el principio. 

Microsoft y nuestro ecosistema de socios pueden ayudar a tu organización en cualquier etapa de madurez, incluida la puesta en marcha o la ampliación de tus iniciativas existentes a segmentos o mercados comerciales prioritarios. Empieza ahora.