IA causal: per què predir no n'hi ha prou per decidir promocions
Predir quant vendràs no és el mateix que saber què passarà si canvies alguna cosa. Aquesta diferència separa una bona previsió d'una bona decisió.
- Predir la demanda no diu què passarà si canvies el preu.
- Les correlacions confonen la promoció amb el que l'envolta.
- La IA causal estima l'efecte davant d'un escenari sense promoció, amb les teves pròpies dades.
Predir no és decidir
Moltes eines prediuen la demanda: quant es vendrà la setmana vinent si tot segueix com fins ara. És útil per a l'estoc, però no respon a la pregunta d'una promoció: què passarà si baixo el preu un 15 %? I si ho faig en una altra data?
Aquesta és una pregunta de causa i efecte. Cal estimar com canvia la venda quan mous una palanca, separant-ho de tot el que canvia alhora.
El risc de les correlacions
Un model basat només en correlacions aprèn patrons com «quan hi ha promoció, es ven més». Però les promocions no es reparteixen a l'atzar: es fan en dates fortes, en productes que ja es venen bé o per respondre a un competidor. Si el model no ho té en compte, atribueix a la promoció vendes que haurien arribat igualment.
La IA causal parteix d'aquesta dificultat. Fa servir l'històric per construir l'escenari sense intervenció, el que hauria passat sense la promoció, i estima l'efecte com la diferència, tenint en compte la temporada, la tendència, el preu i el que passa a la resta del catàleg.
De mesurar a decidir
Quan pots mesurar l'efecte de les promocions passades, pots simular les futures: provar profunditats i dates abans de llançar-les i comparar el benefici net de cada opció. És el pas de saber què va funcionar a triar què convé.
I com que cada estimació es basa en promocions reals de la teva botiga, també saps quanta evidència hi ha darrere de cada xifra: no és el mateix una profunditat que has provat tres vegades que una que no has fet mai.
Com ho aplica Effecta
Effecta entrena els seus models causals amb l'històric de cada botiga: vendes per producte i dia, preus, promocions i costos. Amb ells mesura cada promoció passada, simula les següents i proposa un pla setmanal dins de les teves regles de marge, descompte i estoc, que el teu equip revisa i aprova.
Darrere del motor hi ha recerca en IA causal de la Universitat de Barcelona, aplicada a preguntes de negoci amb dades reals.