En el món de l'anàlisi de dades aplicada a la logística i la cadena de subministrament, una pregunta recurrent és si els models de machine learning poden realment millorar les decisions operatives davant de mètodes més simples i consolidats. Un estudi acadèmic recent posa el focus en un escenari concret: quan un gestor només pot revisar un grapat d'enviaments, hauria de prioritzar aquells amb major valor monetari o aquells que l'algorisme prediu com a més propensos a patir retards? Segons la investigació, la resposta no és unívoca i depèn de la capacitat d'aprendre la severitat del retard. Aquest resultat té implicacions profundes per a empreses que inverteixen en intel·ligència artificial i necessiten assegurar-se que els seus models aportin un valor real davant d'estratègies de sentit comú.
L'estudi analitza tres conjunts de dades reals - adquisicions del SCMS, logística de DataCo i comerç electrònic d'Olist - utilitzant una avaluació rigorosa amb control de fuites i finestres temporals rodants. La mètrica clau compara ordenar els enviaments segons el valor intrínsec ('value sorting') amb ordenar-los segons la severitat del retard predita multiplicada pel valor (model M1). Per a un pressupost de revisió del 10%, s'observa que M1 supera la classificació per valor només en un dels tres escenaris (DataCo amb +10,1 punts percentuals), mentre que en SCMS i Olist el rendiment és pitjor (-5,5 i -4,9 pp respectivament). La causa es troba en l'aprenibilitat de la severitat: DataCo presenta un R² de 0,27 i un biaix de calibració mínim, mentre que els altres dos mostren R² propers a zero i calibració negativa.
Aquesta troballa subratlla una lliçó fonamental per a la indústria: implementar machine learning sense validar primer la qualitat de les prediccions en el context operatiu pot portar a resultats contraproduents. Una empresa que desenvolupi un sistema de priorització d'enviaments basat en IA ha d'assegurar-se que el model no només sigui precís en termes estadístics, sinó que el seu ordenament sigui útil per a la presa de decisions reals. En cas contrari, el simple criteri de classificar per valor - que no requereix cap model - podria ser més efectiu i menys costós.
Aquí és on entra en joc la necessitat de comptar amb un enfocament tècnic sòlid i adaptat a cada negoci. A Q2BSTUDIO, com a empresa especialitzada en desenvolupament d'aplicacions a mida, entenem que la intel·ligència artificial no s'ha d'aplicar de forma genèrica. Cada organització té les seves pròpies dinàmiques de dades, i la implementació de models predictius requereix un diagnòstic previ que avaluï la capacitat d'aprenentatge del model en l'entorn real. Per això, els nostres equips combinen experiència en cloud AWS i Azure, ciberseguretat i anàlisi de negoci amb Power BI per construir solucions que realment millorin la presa de decisions.
A més, la investigació introdueix un protocol d'avaluació i diagnòstic que qualsevol empresa pot replicar. Consisteix a utilitzar finestres temporals rodants per evitar fuites d'informació, aplicar bootstrapping per obtenir intervals de confiança, i comparar el rendiment del model contra una línia base simple com l'ordre per valor. Només quan el model supera aquesta porta d'entrada sota condicions controlades es justifica el seu desplegament. Aquest procés de validació és precisament el que oferim a Q2BSTUDIO a través dels nostres serveis de Business Intelligence amb Power BI i consultoria en intel·ligència artificial.
Un altre aspecte rellevant de l'estudi és l'anàlisi de la calibració. Un model pot tenir un bon ranking però estar mal calibrat, és a dir, sobreestimar o subestimar sistemàticament la severitat. En els casos de SCMS i Olist, la calibració negativa indica que el model prediu retards menors dels que realment ocorren, cosa que porta a infravalorar enviaments d'alt risc. Tècniques com el reentrenament amb costos dependents de la mostra (cost-sensitive retraining) poden ajudar, tot i que a l'estudi no van mostrar una millora estable. Això reforça la idea que no n'hi ha prou amb tenir un algorisme sofisticat; cal un enfocament iteratiu i contextualitzat.
Des de la perspectiva empresarial, la lliçó és clara: abans d'invertir en models complexos de machine learning, les companyies s'han de preguntar si la variable que pretenen predir és realment aprenible a partir de les dades disponibles. En logística, per exemple, factors com el clima, la congestió portuària o les vagues poden tenir més impacte que qualsevol variable interna. Si el senyal és feble, el valor afegit del ML serà marginal i potser no justifiqui el cost d'implementació i manteniment. En tals casos, estratègies més simples com la classificació per valor o la priorització per client poden ser més eficients.
Un altre factor a considerar és la integració amb sistemes existents. Un model d'IA que no s'alimenti correctament de les dades operatives o que no estigui protegit davant de ciberatacs pot convertir-se en un punt feble. Per això, a Q2BSTUDIO oferim serveis de ciberseguretat i cloud computing (AWS/Azure) que garanteixen que les solucions d'IA siguin robustes, escalables i segures. La combinació d'agents d'IA amb sistemes de BI permet, a més, automatitzar la monitorització de la qualitat de les prediccions i ajustar els llindars de decisió en temps real.
En conclusió, l'estudi analitzat aporta una eina pràctica per respondre a la pregunta 'quan supera el machine learning a la classificació per valor?' La resposta és: quan la variable objectiu és aprenible i el model està ben calibrat, i sempre després d'una avaluació rigorosa sota condicions realistes. Per a les empreses, això significa que han d'adoptar un enfocament de desplegament gradual i basat en evidència. A Q2BSTUDIO, ajudem els nostres clients a dissenyar, implementar i validar aquest tipus de solucions, assegurant que la tecnologia aporti un valor diferencial respecte als mètodes tradicionals. Si la vostra organització està considerant incorporar intel·ligència artificial en la gestió de la seva cadena de subministrament, us convidem a contactar-nos per realitzar un diagnòstic preliminar i descobrir si el ML pot superar la simple lògica del valor.
