El uso del análisis predictivo para la financiación de la cadena de suministro, parte 1
¿Y si pudieras imaginar el mundo ideal del SCF? Habría flujos de material estables en todos los canales y fronteras. Tendríamos un flujo de trabajo totalmente digitalizado a nivel de financiación, sin pérdida de tiempo ni otro tipo de eficiencia. Se tendrían plenamente en cuenta los criterios decisivos en materia de ASG. Por último, pero no por ello menos importante: Los actores del SCF disponen de una seguridad de planificación óptima gracias al uso de herramientas de análisis predictivo basadas en IA. Esto garantiza la máxima resistencia, incluso en caso de grandes convulsiones en los mercados mundiales.
Volvamos a la realidad. Los flujos mundiales de materiales son inestables y seguirán siéndolo en el futuro. Desgraciadamente, todavía estamos relativamente lejos de la digitalización completa de todo el SCF y de la consideración de todos los factores ESG. Sin embargo, lo que ya está a nuestra disposición hoy en día son tecnologías que nos ayudan a analizar los flujos de datos existentes y a utilizarlos para hacer predicciones sobre posibles riesgos e interrupciones de la financiación, así como sobre posibles oportunidades. Nos referimos al aprendizaje automático.
1. La base: datos, datos, datos
Las relaciones en la cadena de suministro pueden ser muy complejas, ya que en ellas intervienen muchos agentes diferentes, tanto del lado del proveedor como del cliente. Según una estimación del Boston Consulting Group, en una transacción típica de financiación del comercio suelen intervenir más de 20 partes*. En consecuencia, no faltan datos de todas las (sub)redes relacionadas: ya sea el comportamiento de pago, las tendencias de la demanda, los impagos, la utilización de límites, etc. – la información histórica a veces ya está disponible para los proveedores de SCF cuando se trata de relaciones con clientes a largo plazo. Sin embargo, la disponibilidad de los datos no los convierte automáticamente en utilizables.
*Boston Consulting Group 2017
Excursus: de superordenadores y exaflops
Se necesita una enorme potencia de cálculo para procesar cantidades ingentes de datos, sobre todo para entrenar modelos de IA. Por eso no es de extrañar que la demanda mundial de potentes máquinas de computación haya aumentado exponencialmente desde el boom de la IA. Países de todo el mundo invierten actualmente enormes sumas de dinero en la expansión de los superordenadores, sabiendo perfectamente que el acceso a una enorme potencia de cálculo será una de las ventajas estratégicas en el futuro**. Por poner sólo un ejemplo: China planea aumentar su potencia de cálculo hasta un total de 300 exaflops para 2025, y un exaflop comprende la potencia de dos millones de ordenadores portátiles trabajando en paralelo. Sin embargo, la computación en nube y las colaboraciones también permiten a las empresas más pequeñas entrenar y utilizar modelos de IA con la potencia informática necesaria (véase también «Factores críticos»).
**Guido Appenzeller, Matt Bornstein, and Martin Casado, Navigating the High Cost of AI Compute, Andreessen Horowitz, April 27, 2023, https://a16z.com/navigating-the-high-cost-of-ai-compute.
2. Sistemas ágiles para mercados dinámicos
El siguiente paso lógico sería generar conocimiento a partir de las bases de datos existentes que pueda ayudarnos a tomar decisiones. El objetivo es entrenar un modelo de datos de tal forma que sea capaz de emitir etiquetas relevantes como «bajo riesgo», «riesgo medio» o «alto riesgo» (aprendizaje supervisado) con la ayuda de determinados parámetros (análogo a la evaluación de un cliente por un empleado). En una fase
el sistema sigue aprendiendo de forma autónoma e intenta encontrar y categorizar relaciones entre los datos (aprendizaje de refuerzo). Puede acceder no sólo a los datos «internos» disponibles de los sistemas de gestión individuales (como comportamiento de pago e informes financieros, etc.), sino también a datos «externos» como tendencias generales del mercado, datos de socios y fuentes de información, así como información de la web (artículos, medios sociales). El objetivo final es cartografiar la dinámica de los mercados en un sistema ágil y de autoaprendizaje.
Fuente Relevant advanced technologies for trade and supply chain finance, Whitepaper by Commerzbank and Fraunhofer IML, 2022
3. Veo lo que tú no ves
En este caso, mapear significa, en particular, ser capaz de reconocer patrones que no serían visibles para los seres humanos y/o los métodos anteriores. A continuación, estos patrones pueden interpretarse y servir de base para otras recomendaciones, advertencias o decisiones, por ejemplo, indicaciones de posibles riesgos que podrían derivarse de un fraude. Como ya se ha dicho, la capacidad de aprendizaje del sistema mejora con el tiempo, lo que conduce a resultados cada vez más precisos.
Continuación……
