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 del inventario.

La Clasificación de Inventario por Múltiples Criterios (MCIC) mejora esto al añadir puntos de datos cuantitativos, pero aún adolece de un punto ciego: los datos no estructurados. Las reseñas de clientes, los registros de mantenimiento y la opinión social representan el 80% de los datos globales, pero los modelos tradicionales no pueden procesarlos. Esta solución salva esa brecha. Al combinar la IA generativa y MongoDB Atlas búsqueda vectorial, se transforma la retroalimentación cualitativa en características de puntuación procesables.

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

Esta solución permite pasar del seguimiento reactivo del inventario a la toma de decisiones predictiva y centrada en el cliente. MongoDB potencia la próxima generación de clasificación de inventario impulsada por IA a través de 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.

Más allá 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 sola plataforma, se elimina la latencia de los pipelines disjuntos de análisis por lotes. Puedes procesar nuevos SKU en el momento en que lleguen, permitiéndote gestionar catálogos de productos masivos con precisión en tiempo real y escala.

Arquitecturas de Referencia

Esta arquitectura operacionaliza la metodología de cuatro pasos. Esta solución se apoya en un entorno ágil y dinámico donde MongoDB Atlas sirve como infraestructura de datos.

1

Crear y almacenar embeddings vectoriales

Incorpore datos no estructurados, como reseñas de productos, notas de proveedores o transcripciones de soporte, en MongoDB Atlas. Usas un modelo de incrustación (como los de Voyage IA) para vectorizar este texto. Luego, almacenas las incrustaciones resultantes junto con el texto fuente original en tus documentos MongoDB. Este enfoque unificado reduce la complejidad de la infraestructura y te permite realizar búsquedas semánticas de baja latencia a través de una sola 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 tus datos disponibles y el contexto para proponer los parámetros óptimos y combinaciones de fuentes de datos que permitan lograr tus objetivos. Almacenas estas definiciones dinámicas en MongoDB como documentos JSON flexibles. Esto le permite aplicar una toma de decisiones coherente e informada en inventarios masivos y adaptarse al instante a los requisitos comerciales cambiantes.

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

3

Transforma datos con una aplicación agente.

En este paso, un segundo agente de IA calcula los puntajes actuales de tu inventario. El agente recorre tu catálogo de productos y utiliza la Búsqueda Vectorial de MongoDB Atlas para recuperar reseñas de clientes específicas relevantes para los criterios definidos en el Paso 2.

El agente analiza este conjunto de recuperación, calcula una puntuación numérica de funcionalidades y actualiza el documento original del producto con estos nuevos datos. Esta capacidad enriquece tu conjunto de datos con perspectivas cualitativas que ahora se pueden comparar matemáticamente con tus métricas cuantitativas.

Figura 6. Un agente de IA enriquece las funcionalidades del producto con datos de revisiones vectorizadas para generar nuevas funcionalidades.

4

Vuelva a ejecutar el modelo de clasificación de inventario

Incorpora estas nuevas funcionalidades en tu modelo MCIC. Los expertos en la materia pueden asignar ponderaciones a estas nuevas señales generadas por IA para equilibrarlas con las métricas financieras tradicionales. Vuelve a ejecutar el algoritmo de clasificación para segmentar tu inventario en categorías informadas que reflejen tanto el valor económico como la opinión real de los clientes.

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

Enfoque de 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

  Normalmente, las transacciones de inventario, como orderscontienen los datos en bruto necesarios para calcular las métricas estándar de MCIC, como el uso anual en dólares, el costo promedio por unidad, 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

  Señales valiosas del inventario a menudo existen en texto no estructurado, como registros de mantenimiento, tickets de soporte o comentarios de clientes. En este ejemplo, puedes usar las revisiones para realizar un análisis semántico generando incrustaciones vectoriales para el título y el contenido del mensaje.

  Almacenar embeddings vectoriales (emb) junto con los campos de texto original para habilitar búsquedas híbridas utilizando MongoDB Atlas Vector Search. Además, los metadatos como la puntuación de la revisión permiten combinar queries semánticas (por ejemplo, encontrar revisiones sobre la "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 basados en datos. En lugar de depender de reglas codificadas, guarda los criterios como "objetos de conocimiento" en una colección de criterios. Un agente de IA genera estas definiciones en función de tus objetivos empresariales (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"]
  }

Compilar la solución

Para demostrar esta metodología en acción, el equipo compiló una aplicación simple que ejecuta los conceptos presentados en los pasos anteriores. Esta demostración operacionaliza el flujo de trabajo agente, permitiéndote experimentar la transición de MCIC tradicional a clasificación complementada con IA.

Puedes acceder al código fuente completo y a la documentación en el Repositorio GitHub.

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

Sigue estos pasos para configurar la aplicación y explorar el flujo de trabajo agente:

1. Inicializa la base de datos: Crea un clúster de MongoDB Atlas y puebla la base de datos con el inventario y los datos de 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. Ejecute un análisis tradicional: Seleccione un criterio cuantitativo estándar como el uso anual en dólares en el panel de la izquierda y haga clic en Ejecutar Análisis para establecer una clasificación base.

4. Definir nuevos criterios: haz clic en Agregar nuevos criterios y describe un objetivo empresarial como “Identificar productos con alta fidelidad de clientes”. 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 las perspectivas cualitativas afectan a las categorías de su inventario.

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

Figura 9. Clasificación de inventario mediante IA generativa.

Lecciones clave

Esta solución demuestra cómo modernizar la clasificación de inventario al combinar IA generativa con la flexibilidad del modelo orientado a documentos. A medida que implementa esta arquitectura, tenga en cuenta estos beneficios principales:

• Libere el valor oculto del inventario: las métricas financieras tradicionales pasan por alto perspectivas críticas contenidas en los textos. Al vectorizar datos no estructurados, como reseñas de clientes y registros de mantenimiento, se transforma el feedback cualitativo en funcionalidades cuantitativas que mejoran la precisión de la clasificación.

• Automatiza la generación de criterios: la configuración manual de reglas es lenta y rígida. Una secuencia de trabajo agental te permite generar y puntuar dinámicamente los criterios de evaluación según los objetivos empresariales generales. Esto amplía la toma de decisiones de expertos en extensos catálogos de productos.

• Simplifica la arquitectura de datos: Los sistemas desarticulados crean latencia. Al almacenar datos operativos, metadatos e incrustaciones vectoriales en un único modelo orientado a documentos de MongoDB, se eliminan los complejos pipelines de Extracción, Transformación y Carga (ETL) y se permite el análisis en tiempo real de nuevos artículos de inventario.

• Mejorar la calidad de las decisiones: solo las métricas financieras conducen a lagunas en la perspectiva. Integrar el sentimiento del cliente y las puntuaciones de fiabilidad del producto crea una visión holística del valor del inventario, lo que te permite priorizar los artículos de alto impacto que el análisis tradicional ABC ignora.

Autores

• Humza Akhtar, MongoDB

• Rami Pinto Prieto, MongoDB

• Daniel Jamir, MongoDB

Obtén más información

• Revolucionando la clasificación de inventarios con inteligencia artificial generativa

• Repositorio de GitHub: Optimización de inventarios impulsada por IA con MongoDB

• Sistema de gestión de inventario orientado a eventos

• MongoDB para Manufactura y Movilidad