Una mala previsión de la demanda de comestibles es responsable de más desperdicio del que cabría esperar.
Según una fuente, las tiendas de comestibles en Estados Unidos tiran el 10% de los aproximadamente 44 mil millones de libras de alimentos que el país produce anualmente. No sólo es malo para el medio ambiente (el desperdicio de alimentos es una fuente importante de emisiones de carbono) sino que también es costoso para los tenderos. Según Retail Insights, los minoristas de alimentos y abarrotes pierden hasta el 8% de sus ingresos debido a una disponibilidad inadecuada de inventario.
Los empresarios Euro Wang y Jack Solomon dicen que experimentaron de primera mano los efectos a nivel micro del problema de pronóstico en su supermercado local, que a menudo se quedaba sin su guacamole favorito.
«Resulta que incluso los minoristas más grandes luchan por predecir la demanda futura y, con frecuencia, tienen exceso o falta de inventario», dijo Wang a TechCrunch en una entrevista por correo electrónico. “Con el clima más extremo en los últimos años, hay cada vez más escasez de suministro de alimentos frescos. Esto hace que la asignación eficiente de la oferta limitada sea aún más importante. Además de esto, las presiones inflacionarias y los aumentos de los costes laborales han amenazado cada vez más los márgenes de los tenderos”.
Inspirados por intentar abordar el problema con la tecnología, Wang y Solomon cofundaron Guac, una plataforma que utiliza inteligencia artificial para predecir cuántos artículos venderán los tenderos por artículo cada día en una tienda determinada. Guac recaudó recientemente 2,3 millones de dólares en una ronda inicial liderada por 1984 Ventures, con la participación de Y Combinator y Collaborative Fund.
«El desperdicio de alimentos y la seguridad alimentaria son temas que a Jack y a mí nos preocupan profundamente, y estábamos muy entusiasmados con la oportunidad de abordar el desperdicio de alimentos desde su esencia», dijo Wang.
Anteriormente, Wang trabajó en Boston Consulting Group mientras Solomon investigaba la IA para la logística de comestibles. Ambos se graduaron con títulos universitarios de la Universidad de Oxford, que fue donde se conocieron.
En Guac, los dos ingenieros de Wang, Solomon y Guac crean algoritmos personalizados que anticipan las cantidades de pedidos de artículos comestibles, teniendo en cuenta variables como el clima, eventos deportivos y probabilidades de apuestas e incluso datos de escucha de Spotify para tratar de capturar el comportamiento de compra de los consumidores. Los clientes de Guac obtienen recomendaciones como vida útil, cantidades mínimas de pedido, promociones y plazos de entrega de proveedores integrados en su software y flujos de trabajo de pedidos de inventario existentes.
«Tradicionalmente, los pronósticos se realizan utilizando fórmulas de Excel o modelos de regresión simples», dijo Wang. «Pero para los alimentos frescos que caducan rápidamente, se necesita algo mejor… Debido a que utilizamos tantas variables externas, podemos identificar qué variables del mundo real causan los cambios en la demanda».
Ciertamente, Guac no es la única startup en el juego de pronóstico de la demanda de alimentos. Está Crisp, que proporciona una plataforma de datos abiertos para cada eslabón de la cadena de suministro de comestibles, y Freshflow, que está creando una herramienta de pronóstico impulsada por inteligencia artificial para ayudar a los minoristas a optimizar la reposición de existencias de productos frescos y perecederos.
Pero Wang dice que Guac se diferencia tanto por su dedicación a la transparencia como por su intenso ajuste de los modelos de pronóstico.
“Nuestro modelo de aprendizaje automático no es como una caja negra que predice misteriosamente un aumento del 20% en la demanda; en cambio, les decimos a nuestros clientes cosas como, ‘Este aumento del 20% se debe a que hay una conferencia cerca’”, dijo Wang. “Incluso si un minorista ya utiliza el aprendizaje automático, aún podemos mejorar sus pronósticos gracias a nuestro acceso a muchos más conjuntos de datos externos. Cuando eliminamos las variables externas únicas que utilizamos y solo incluimos los conjuntos de datos básicos (por ejemplo, el clima y los días festivos), en realidad vemos que el error de pronóstico se duplica”.
Algunos de los primeros clientes parecen estar convencidos de que Guac puede agregar valor. La compañía está trabajando con minoristas, incluidas empresas de entrega de comestibles en América del Norte, Europa y Medio Oriente, incluida una cadena de supermercados no identificada con aproximadamente 300 ubicaciones. Guac también está generando ingresos y prevé poder ampliar su equipo de ingeniería el próximo año.
«La industria alimentaria es bastante resistente a las crisis económicas», afirmó Wang. “Todo el mundo tiene que comer, y cuando la economía se desacelera, la gente en realidad compra más alimentos porque come menos fuera de casa. Y la pandemia ayudó a acelerar la digitalización en las tiendas de comestibles, lo que nos permitió integrar nuestras predicciones con los sistemas de los clientes de manera más fluida. En cuanto al tema de la pandemia, los compradores se comportaron de manera muy diferente durante la pandemia, lo que significa que es mucho más difícil para los tenderos confiar únicamente en los datos históricos de ventas de los últimos tres años para predecir la demanda futura. Con nuestro algoritmo, podemos ajustar las formas en que la pandemia sesgó los datos de ventas en 2020 y 2021, e incluso los efectos residuales de la pandemia después”.