El Machine Learning y su limitada aplicación en la optimización de precios

​Todo lo que tenga Inteligencia Artificial (AI) o Machine Learning (Aprendizaje Automático) en su nombre, es cool. Y si una solución no incluye estos calificativos, está out. Las herramientas de optimización de precios no son la excepción. Pero, ¿tenemos claro en qué consisten estas dos disciplinas? Y sobre todo, ¿comprendemos cuáles son sus verdaderas aplicaciones en pricing?

Comencemos por recordar qué es Inteligencia Artificial, y cuál es su relación con el Machine Learning. Según John McCarthy, uno de los padres fundadores de la AI, “la inteligencia humana se puede describir con tanta precisión, que se puede construir una máquina para simularla”. Las instrucciones paso a paso que se dan a un robot para armar un automóvil en una línea de ensamble son un buen ejemplo de esta definición.

Pero la Inteligencia Artificial es una disciplina amplia que abarca diferentes tecnologías y enfoques. El Aprendizaje Automático es un tipo de AI, en el cual se entrenan algoritmos a partir de enormes conjuntos de datos de entrada y salida. Por ejemplo, se puede enseñar a un modelo de Machine Learning cientos de miles de placas de tórax, diciéndole cuáles corresponden a diagnósticos de cáncer de pulmón. De esta forma, el modelo aprende a reconocer las imágenes de casos positivos, y podrá diagnosticar la enfermedad de forma bastante acertada cuando se le muestre una nueva radiografía.

A su vez, existen modelos de Aprendizaje Automático diseñados para clasificar (ej: determinar si el paciente tiene o no tiene cáncer), y otros que calculan un resultado numérico (ej: estimar la temperatura a partir de datos conocidos de presión atmosférica, humedad, etc). Es precisamente este último tipo—llamado regresión—el que se busca aplicar a herramientas analíticas de pricing para optimizar los precios, basándose en datos conocidos del negocio.

Aunque la idea de tener una “bola de cristal” que optimice los precios a partir de información histórica es muy atractiva, en la práctica existen razones que limitan su aplicación. Veamos tres razones por las cuales el uso de modelos de Machine Learning no es adecuado para gestionar un proceso de pricing:

Disponibilidad de los datos de entrada
El entrenamiento de cualquier modelo de Aprendizaje Automático requiere cientos de miles de datos de entrada y sus respectivos datos de salida (resultados). Generalmente, los modelos de regresión utilizados buscan optimizar las unidades vendidas, los ingresos y la rentabilidad (datos de salida), a partir de múltiples datos de entrada, tales como los precios propios y de la competencia, los costos, el nivel de publicidad y distribución propia y de la competencia, variables macroeconómicas, etc. 

Es muy poco probable que se cuente con esta información completa para un período de tiempo lo suficientemente amplio, como para poder entrenar los algoritmos de Aprendizaje Automático. Como consecuencia, se obtiene un modelo que no es lo suficientemente robusto, donde la calidad de los resultados deja mucho que desear.

Cambios en la dinámica del negocio
Pero la disponibilidad de información histórica completa no es el único desafío. Incluso si se logra entrenar un modelo de regresión con información completa de, por ejemplo, los últimos tres años, esta puede perder validez si se presentan cambios estructurales en el mercado. Imaginemos un negocio cuyo modelo se construyó cuando los clientes compraban un 10% menos si el precio de la empresa estaba un 10% por encima del competidor más cercano. Puede pasar que, debido a la entrada de nuevas marcas más económicas, esa misma diferencia en precio haga que, ahora, las ventas bajen mucho más del 10% original.

La entrada de nuevos competidores, cambios en el nivel de sensibilidad al precio y la percepción de valor de los clientes, entre otros, pueden hacer que un modelo deje de funcionar correctamente para proyectar las unidades vendidas, con unas condiciones de entrada determinadas.

La elasticidad precio no es un número
Tal vez una de las variables estructurales más difíciles de modelar es la elasticidad precio de la demanda. Esto se debe a que la elasticidad no es  un número, sino una función que varía de acuerdo con la distancia que haya entre el precio actual de un producto y su precio óptimo o potencial.

Cuando un producto está caro—su precio está por encima de su potencial—experimentará una alta elasticidad precio, y las unidades vendidas cambiarán mucho tras una variación pequeña en el precio. Pero cuando el producto está barato—su precio está por debajo de su potencial—las unidades vendidas no cambiarán mucho si se ajusta el precio.

En conclusión…
¿Significa esto que la Inteligencia Artificial no es aplicable al pricing? Por supuesto que no. Lo que se quiere decir es que el Machine Learning, como parte de AI, tiene una aplicación muy limitada en la optimización de precios.

Pero afortunadamente existe otra categoría de AI que ha demostrado ser efectiva para vencer estos desafíos. Nos referimos a los Sistemas Expertos, los cuales convierten en algoritmos el conocimiento creado previamente por humanos. Bajo este enfoque, se desarrollan modelos que simulan el criterio de los expertos en pricing, y que consideran todas las variables que deben tenerse en cuenta para tomar decisiones de precios—valor percibido, sensibilidad al precio, configuración y precios de los productos competidores, costos, elasticidad precio de la demanda, margen de comercialización de los canales, etc.

Como siempre, el problema no está en la herramienta, sino en el uso inadecuado que se le da.