Clasificación de inventario impulsada por inteligencia artificial

Resumen de la solución

Las operaciones automotrices globales se enfrentan a disrupciones cada vez mayores. La volatilidad geopolítica y la reintroducción de aranceles han retrasado las transiciones entre modelos y han generado una grave escasez de inventario. A partir del 2025 de junio, los vehículos del próximo año representan solo el 3% del inventario estadounidense. Para gestionar esta oferta limitada y proteger los márgenes, se necesitan herramientas que vayan más allá de las simples métricas financieras.

Tradicionalmente, las organizaciones utilizan el análisis ABC para segmentar el inventario. Este método prioriza los artículos únicamente en función de su consumo, donde la categoría A genera la mayor cantidad de ingresos y la categoría C, la menor. Si bien es simple, este enfoque ignora variables críticas como el plazo de entrega, la durabilidad o la obsolescencia.

Figura 1. Análisis ABC para la clasificación de inventarios.

La Clasificación de Inventario Multicriterio (MCIC) mejora esto añadiendo puntos de datos cuantitativos, pero aún presenta un punto débil: los datos no estructurados. Las reseñas de clientes, los registros de mantenimiento y el sentimiento social representan el 80% de los datos globales, pero los modelos tradicionales no pueden procesarlos. Esta solución soluciona esta deficiencia. Al combinar la IA Generativa y MongoDB Atlas Vector Search, se transforma la retroalimentación cualitativa en funciones de puntuación prácticas.

Figura 2. Transformación de datos no estructurados en características para modelos de aprendizaje automático.

Esta solución le permite pasar del seguimiento reactivo de inventario a la toma de decisiones predictiva y centrada en el cliente. MongoDB impulsa la próxima generación de clasificación de inventario basada en IA mediante una metodología de cuatro pasos:

1. Cree y almacene incrustaciones vectoriales a partir de sus datos no estructurados.

2. Diseñe y almacene criterios de evaluación relevantes para sus objetivos de negocio.

3. Crea una aplicación agénica para realizar la transformación de datos según esos criterios.

4. Vuelva a ejecutar el modelo de clasificación de inventario con las nuevas características agregadas.

Figura 3. Metodología y requisitos para la clasificación de inventario impulsada por Gen AI.

Además de automatizar la evaluación manual de criterios cualitativos, esta solución operacionaliza toda su estrategia de datos. Al unificar las incrustaciones vectoriales, los metadatos y los datos operativos en una única plataforma, elimina la latencia de los procesos de análisis por lotes inconexos. Puede procesar nuevos SKU en el momento de su llegada, lo que le permite gestionar catálogos de productos masivos con precisión y escalabilidad en tiempo real.

Arquitecturas de Referencia

Esta arquitectura implementa la metodología de cuatro pasos. Esta solución se basa en un flujo de trabajo dinámico y agente, donde MongoDB Atlas actúa como la columna vertebral de los datos.

1

Crear y almacenar incrustaciones vectoriales

Ingiera datos no estructurados, como reseñas de productos, notas de proveedores o transcripciones de soporte, en MongoDB Atlas. Utilice un modelo de incrustación (como los de Voyage AI).) para vectorizar este texto. Luego, almacena las incrustaciones resultantes directamente junto con el texto original en sus documentos MongoDB. Este enfoque unificado reduce la complejidad de la infraestructura y permite realizar búsquedas semánticas de baja latencia a través de una única API.

Figura 4. Las reseñas de productos se pueden almacenar como incrustaciones vectoriales en MongoDB Atlas.

2

Criterios de diseño y evaluación de tiendas

Defina reglas de clasificación según sus objetivos comerciales específicos, como la reducción de costes, la minimización de desabastecimientos o la mejora de la experiencia del cliente. Anteriormente, esto requería un gran esfuerzo manual y un profundo conocimiento especializado para traducir estos objetivos a datos. Ahora, un agente de IA automatiza y escala este proceso.

El agente analiza los datos y el contexto disponibles para proponer los parámetros y las combinaciones de fuentes de datos óptimos para alcanzar sus objetivos. Estas definiciones dinámicas se almacenan en MongoDB como documentos JSON flexibles. Esto le permite tomar decisiones coherentes e informadas en inventarios masivos y adaptarse al instante a las cambiantes necesidades del negocio.

Figura 5. El agente de IA utiliza datos estructurados y no estructurados para crear criterios para la generación de características.

3

Transforme datos con una aplicación agente

En este paso, un segundo agente de IA calcula las puntuaciones reales de su inventario. El agente itera a través de su catálogo de productos y utiliza MongoDB Atlas Vector Search para recuperar reseñas de clientes específicas que se ajusten a los criterios definidos en el paso 2.

El agente analiza este conjunto de recuperación, calcula una puntuación numérica de características y actualiza el documento original del producto con estos nuevos datos. Esta capacidad enriquece su conjunto de datos con información cualitativa que ahora es matemáticamente comparable con sus métricas cuantitativas.

Figura 6. Un agente de IA enriquece las características del producto con datos de reseñas vectorizados para generar nuevas funciones.

4

Vuelva a ejecutar el modelo de clasificación de inventario

Incorpore estas nuevas funciones a su modelo MCIC. Los expertos en el sector pueden ponderar estas nuevas señales generadas por IA para compararlas con las métricas financieras tradicionales. Vuelva a ejecutar el algoritmo de clasificación para segmentar su inventario en categorías informadas que reflejen tanto el valor económico como la opinión real de los clientes.

Figura 7. Los expertos del dominio pueden volver a ejecutar la clasificación después de equilibrar los pesos.

Enfoque del modelo de datos

El modelo orientado a documentos de MongoDB unifica diversos tipos de dato sin restricciones rígidas de esquema. Esta capacidad simplifica la forma en que representas datos complejos a escala. Los siguientes ejemplos ilustran las estructuras de datos requeridas para este flujo de trabajo agéntico.

• Métricas cuantitativas

  Por lo general, las transacciones de inventario, como orders, contienen los datos sin procesar necesarios para calcular las métricas MCIC estándar, como el uso anual en dólares, el costo unitario promedio, el uso anual total y el tiempo de entrega.

  En los sistemas relacionales, los datos de pedidos suelen estar fragmentados en varias tablas para encabezados, líneas de pedido y logística. Para optimizar el rendimiento de lectura y simplificar la lógica de la aplicación, puede almacenar estos datos en una única colección de pedidos.

  Utilizando el Patrón de referencia extendido, se incrusta la información del producto en la lista de artículos de la orden. Este enfoque permite recuperar el contexto completo de una transacción en una sola operación de base de datos.

  {
    "_id": "order_55021",
    "status": "delivered",
    "purchaseTimestamp": { "$date": "2024-05-08T16:05:31.000Z" },
    "items": [
      {
        "price": 85.00,
        "productId": "part_9921_brake_pad",
        "productName": "Ceramic Brake Pads - Front Pair"
      }
    ],
    "reviews": [
      {
        "reviewId": "rev_7721",
        "score": 5,
        "commentTitle": "Great fit",
        "commentMessage": "Arrived on time and fit perfectly on my 2020 Sedan."
      }
    ]
  }

• Métricas derivadas de fuentes no estructuradas

  Las señales de inventario valiosas suelen encontrarse en texto no estructurado, como registros de mantenimiento, tickets de soporte o comentarios de clientes. En este ejemplo, puede usar reseñas para realizar análisis semántico mediante la generación de incrustaciones vectoriales para el título y el contenido del mensaje.

  Almacene incrustaciones vectoriales (emb) junto con los campos de texto originales para habilitar búsquedas híbridas con MongoDB Atlas Vector Search. Además, metadatos como la puntuación de las reseñas permiten combinar consultas semánticas (por ejemplo, buscar reseñas sobre "fiabilidad") con filtros estructurados (por ejemplo, "score": 5).

  {
    "_id": "rev_99812",
    "productId": "part_9921_brake_pad",
    "score": 5,
    "title": "Excellent durability",
    "message": "I've put 20k miles on these pads and they still look new. Much better than OEM.",
    "emb": [0.02, -0.15, 0.44, 0.12, ... ]
  }

• Definición de Criterios

  Un paso crucial en esta solución es definir criterios de clasificación flexibles y basados ​​en datos. En lugar de depender de reglas predefinidas, guarde los criterios como "objetos de conocimiento" en una colección de criterios. Un agente de IA genera estas definiciones en función de sus objetivos de negocio (por ejemplo, "Durabilidad") y los datos disponibles.

  Esta estructura de documento incluye ponderaciones, escalas de puntuación explícitas y fuentes de datos. Proporciona un esquema que el agente puede usar para evaluar consistentemente los productos de su inventario.

  {
    "criteriaName": "Durability",
    "criteriaDefinition": "Measures how customers perceive the product’s durability relative to their expectations.",
    "elements": [
      {
        "name": "Expected Durability",
        "weight": 0.30,
        "description": "The level of durability customers believe the product should have based on price and category."
      },
      {
        "name": "Perceived Durability",
        "weight": 0.40,
        "description": "How customers describe the actual durability, build quality, and sturdiness after usage."
      }
    ],
    "scoringScale": [
      {
        "description": "Highly durable item that meets or exceeds expectations, strongly positive sentiment",
        "score": 1
      },
      {
        "description": "Low durability item that fails to meet expectations, negative sentiment",
        "score": 0.01
      }
    ],
    "dataSources": ["inventory", "reviews"]
  }

Construir la solución

Para demostrar esta metodología en acción, el equipo creó una aplicación sencilla que ejecuta los conceptos presentados en los pasos anteriores. Esta demostración pone en práctica el flujo de trabajo de la agencia, permitiéndole experimentar la transición de la MCIC tradicional a la clasificación aumentada con IA.

Puede acceder al código fuente completo y la documentación dentro del repositorio de GitHub.

Figura 8. Arquitectura de alto nivel de la aplicación de demostración.

Siga estos pasos para configurar la aplicación y explorar el flujo de trabajo de la agencia:

1. Inicializar la base de datos: crear un clúster MongoDB Atlas y alimentar la base de datos con los datos de inventario y revisión proporcionados.

2. Configurar el entorno: clonar el repositorio, configurar el .env.local archivo con las credenciales de MongoDB Atlas y AWS Bedrock, e iniciar la aplicación npm run dev usando.

3. Ejecutar unanálisis tradicional: seleccione un criterio cuantitativo estándar como Uso anual de dólares en el panel izquierdo y haga clic en Ejecutar análisis para establecer una clasificación de referencia.

4. Definir nuevos criterios: Haga clic en "Añadir nuevos criterios" y describa un objetivo de negocio, como "Identificar productos con alta fidelidad del cliente". El agente propone una definición estructurada y fuentes de datos.

5. Generar puntuaciones: Haga clic en Generar. El agente itera su inventario, analiza datos no estructurados y asigna puntuaciones a cada producto.

6. Refinar la clasificación: incorpore los nuevos criterios a su selección, ajuste los pesos y haga clic en Ejecutar análisis nuevamente para ver cómo los conocimientos cualitativos cambian las categorías de su inventario.

Vea la aplicación de demostración en acción en la siguiente sección.

Figura 9. Clasificación de inventario mediante IA generativa.

Aprendizajes clave

Esta solución demuestra cómo modernizar la clasificación de inventario combinando la IA generativa con la flexibilidad del modelo documental. Al implementar esta arquitectura, considere estas ventajas principales:

• Descubra el valor oculto del inventario: Las métricas financieras tradicionales pasan por alto información crucial contenida en el texto. Al vectorizar datos no estructurados, como reseñas de clientes y registros de mantenimiento, transforma la retroalimentación cualitativa en características cuantitativas que mejoran la precisión de la clasificación.

• Automatizar la generación de criterios: La definición manual de reglas es lenta y rígida. Un flujo de trabajo de agencia permite generar y calificar dinámicamente criterios de evaluación según objetivos empresariales de alto nivel. Esto facilita la toma de decisiones experta en catálogos de productos masivos.

• Simplifique la arquitectura de datos: Los sistemas desconectados generan latencia. Al almacenar datos operativos, metadatos e incrustaciones vectoriales en un único modelo de documento de MongoDB, elimina las complejas canalizaciones de extracción, transformación y carga (ETL) y permite el análisis en tiempo real de nuevos artículos del inventario.

• Mejore la calidad de las decisiones: Las métricas financieras por sí solas generan lagunas en la información. La integración de la opinión del cliente y las puntuaciones de fiabilidad del producto crea una visión integral del valor del inventario, lo que le permite priorizar los artículos de alto impacto que el análisis ABC tradicional ignora.

Autores

• Humza Akhtar, MongoDB

• Rami Pinto Prieto, MongoDB

• Daniel Jamir, MongoDB

Obtén más información

• Revolucionando la clasificación de inventario con IA generativa

• Repositorio de GitHub: Optimización de inventario basada en IA con MongoDB

• Sistema de gestión de inventario basado en eventos

• MongoDB para Manufactura y Movilidad