La noticia: mientras casi todo el mundo estaba pendiente del resultado final del recuento electoral de las recientes elecciones presidenciales de EE. UU., China estaba de compras. Entre el 1 y el 11 de noviembre, los gigantes del comercio electrónico del país más importantes, Alibaba y JD, generaron unos 97.000 millones de euros en ventas como parte de su apogeo anual de compras del Día del Soltero.

A Alibaba, que inició esa costumbre en 2009, le corresponden 62.518 millones de euros de esas ventas, un aumento del 26 % frente al año pasado. A modo de comparación, las ventas de Prime Day de 48 horas de Amazon ni siquiera llegaron a los 9.000 millones de euros este año.

Prueba del estrés pandémico: la magnitud de este fenómeno de consumo lo convierte en una especie de milagro logístico. Para lograr tal hazaña, Alibaba y JD invierten mucho en modelos de inteligencia artificial (IA) y otras infraestructuras tecnológicas para predecir la demanda de compra, optimizar la distribución global de productos en sus almacenes y agilizar la entrega mundial.

Este tipo de sistemas generalmente se prueban y perfeccionan durante todo el año antes de llegar a sus límites durante el período en cuestión. No obstante, este año, ambas empresas se enfrentaron a una complicación: los cambios en el comportamiento de compra debido a la pandemia.

Modelos rotos: en las primeras semanas después del inicio del brote del coronavirus, ambas compañías notaron que sus modelos de IA se comportaban de manera extraña. Como la pandemia golpeó durante el Año Nuevo chino, centenares de millones de personas, que en otra situación hubieran estado de compras navideñas, se dedicaron a adquirir productos de primera necesidad para el confinamiento. Este comportamiento impidió confiar en los datos históricos. El director general de la cadena de suministro nacional de Cainiao, la división de logística de Alibaba, Andrew Huang, admite: "Todos nuestros pronósticos perdieron su precisión".

La gente también compraba cosas por diferentes razones, y eso no coincidía con las recomendaciones de productos de las plataformas. Por ejemplo, el algoritmo de JD supuso que las personas que compraban mascarillas estaban enfermas y, por eso, les recomendaba medicamentos, cuando pudo haber tenido más sentido recomendarles desinfectante para manos.

Cambio de rumbo: el fallo de sus modelos obligó a ambas empresas a tirar de creatividad. Alibaba redobló su estrategia de pronóstico a corto plazo. En vez de proyectar patrones de compra basados en la temporada, por ejemplo, Cainiao modificó sus modelos para incorporar variables más inmediatas, como las ventas de la semana previa a una oleada de promociones, y datos externos, como la cantidad de casos de COVID-19 en cada provincia, explica Huang.

Con la explosión del comercio electrónico en directo por streaming (que muestra productos en tiempo real y responde a preguntas de los compradores) durante la cuarentena, el brazo logístico de la empresa también construyó un nuevo modelo de pronóstico para proyectar qué sucedería cuando los populares influencers de la retransmisión en directo presentaran diferentes productos.

JD modificó sus algoritmos para tener en cuenta más señales externas y datos en tiempo real, como los casos de COVID-19, los artículos de noticias y el sentimiento de la sociedad en las redes sociales.

Beneficio inesperado: el hecho de añadir estas nuevas fuentes de datos a sus modelos parece haber funcionado. El nuevo modelo de IA de live-streaming de Cainiao, por ejemplo, terminó desempeñando un papel importante en la previsión de ventas después de que Alibaba convirtiera la retransmisión en directo en una parte fundamental de su estrategia del Día del Soltero.

En cuanto a JD, sus actualizaciones también pudieron haber aumentado las ventas generales. La empresa asegura que tuvo un incremento del 3 % en la tasa de clics en sus recomendaciones de productos después de implementar su algoritmo mejorado, un patrón que se mantuvo durante el Día del Soltero.

Comprender el contexto: ambas empresas han aprendido de esta experiencia. Por ejemplo, Huang afirma que su equipo aprendió que cada influencer de retransmisión en directo moviliza a su base de seguidores para manifestar diferentes comportamientos de compra, y por eso seguirá creando modelos de predicción personalizados para cada uno de sus principales influencers. Mientras tanto, JD admite que se ha dado cuenta de cuánto influyen las noticias y los acontecimientos actuales en los patrones del comercio electrónico y continuará adaptando su algoritmo de recomendación de productos en ese sentido.