La IA més útil pot estar al teu ERP: què proposa NVIDIA Kumo Relational
NVIDIA presenta Kumo Relational per predir demanda o pèrdua de clients amb dades relacionades. Què pot aportar a una pime i com validar-lo.
Quins clients podrien deixar de comprar? Quins productes poden tenir més demanda el mes vinent? Moltes pimes acumulen informació útil per respondre aquestes preguntes, però la tenen repartida entre taules de clients, comandes, productes i incidències.
NVIDIA ha presentat Kumo Relational, un model preentrenat que fa prediccions aprofitant aquestes relacions. La proposta és interessant perquè apunta a una IA diferent del xatbot: una eina per anticipar resultats amb dades estructurades. Ara bé, disposar d’un ERP o d’un CRM no garanteix que les dades estiguin preparades ni que les prediccions siguin útils.
Què aporta un model que entén relacions
En una base de dades empresarial, cada comanda pertany a un client i pot contenir diversos productes. Les dates, els identificadors i els vincles entre registres formen part de la informació. Convertir-ho tot en una única taula resum pot fer perdre detall i requereix feina tècnica.
Segons l’anunci tècnic de NVIDIA, Kumo Relational treballa sobre aquestes estructures i utilitza exemples històrics com a context per predir nous casos. El model està preentrenat amb dades relacionals sintètiques i pot abordar tasques sense un entrenament específic per a cadascuna.
Això no significa que funcioni sense exemples ni configuració: cal definir què es vol predir, aportar dades i preparar el context. Tampoc és un complement que es connecti automàticament a qualsevol programa de gestió. La integració i l’execució necessiten recursos tècnics; els exemples publicats utilitzen infraestructura amb GPU.
Dos usos possibles per a una pime
Una distribuïdora podria estudiar quins clients tenen més probabilitats de deixar de comprar durant un període definit. En lloc de mirar només l’import acumulat, podria aprofitar la freqüència de compra, els productes adquirits i les incidències relacionades. El resultat seria una priorització per a l’equip comercial, no una certesa sobre cada client.
Una empresa que gestiona estoc podria explorar la predicció de demanda per ajudar a preparar compres. Però hauria de distingir vendes de demanda real: si un article estava esgotat, vendre zero unitats no implica que ningú el volgués.
Són aplicacions possibles, no casos d’èxit acreditats d’aquest model en pimes catalanes. Abans d’utilitzar les sortides per decidir, cal comprovar si milloren el que ja fa l’empresa i quin cost tenen les equivocacions.
La prova decisiva és mirar el passat sense fer trampes
NVIDIA presenta resultats en 41 tasques de 15 bases de dades i afirma superar diverses alternatives en les avaluacions publicades. Són resultats dels desenvolupadors, no una garantia sobre les dades de qualsevol negoci. La mateixa font reconeix que models supervisats específics poden continuar sent millors en determinades tasques amb molts exemples.
Per valorar una prova pròpia, separa les dades per dates. Situa’t en un moment passat, dona al model només la informació disponible aleshores i compara la predicció amb el que va passar després.
Si per predir una baixa de client introdueixes una incidència registrada després de la baixa, li estàs donant part de la resposta. Aquest error, conegut com a filtració d’informació temporal, pot produir resultats espectaculars durant les proves i decebedors en l’ús real.
Compara també amb una regla senzilla: per exemple, prioritzar clients que fa més dies que no compren. Un sistema més complex només compensa si aporta una millora rellevant, no simplement una puntuació més sofisticada.
Què has de tenir a punt abans de començar
El primer requisit és una pregunta concreta: què vols predir, per a qui i a quin termini. Després cal revisar identificadors coherents, dates fiables, duplicats i prou historial per observar el fenomen. Més dades no substitueixen una definició clara.
Comença amb una còpia controlada i permisos de lectura, sense donar al model capacitat de modificar comandes o activar campanyes. Acorda qui podrà accedir a les dades i on es processaran. Si hi ha informació personal, revisa la finalitat i les condicions d’ús abans de compartir-la.
Finalment, defineix una decisió associada a la predicció i una persona responsable. Una llista de clients prioritzats pot ajudar a preparar trucades; no hauria d’activar descomptes indiscriminats sense revisar-ne marge i conveniència. El valor és prendre decisions millors, no acumular prediccions.
Si vols descobrir quines preguntes podrien respondre les dades del teu ERP o CRM, a Automatitza.cat t’oferim una primera consulta gratuïta per valorar un cas d’ús concret.