Inspiration
Arca Continental atiende a cientos de miles de puntos de venta en toda la región. Cada cliente perdido representa no solo ingresos, sino una relación comercial difícil de recuperar. Nos inspiramos en la idea de que los datos ya contienen las señales de alerta, solo falta escucharlas a tiempo. Como equipo, quisimos demostrar que la inteligencia artificial puede convertirse en una ventaja competitiva real para una empresa de consumo masivo.
What it does
Ctrl+She predice qué puntos de venta de Arca Continental tienen mayor probabilidad de dejar de comprar (churn), antes de que eso ocurra. El sistema genera una puntuación de riesgo por cliente, accesible desde una app móvil que permite a los equipos comerciales filtrar por territorio y canal, priorizar visitas y actuar con anticipación.
How we built it
Entrenamos un modelo XGBoost sobre datos históricos de clientes de Arca Continental. El modelo fue validado sobre 957,746 registros que nunca vio durante el entrenamiento. Los resultados se sirven a través de una API en FastAPI y se consumen en una app desarrollada en Flutter, diseñada para el uso en campo por parte de los equipos de ventas.
Challenges we ran into
Trabajar con datos reales de una empresa del tamaño de Arca Continental implica lidiar con volúmenes grandes, valores faltantes y variaciones por territorio y canal de distribución. Garantizar que el modelo generalizara bien y no solo memorizara patrones, fue el reto técnico central. También fue un desafío conectar todas las piezas (modelo, API, app) en el tiempo limitado de un hackathon.
Accomplishments that we're proud of
Logramos un AUC-ROC de 0.9649 , muy por encima del umbral de excelencia de la industria (0.85). El modelo detecta el 90% de los churns reales. Más allá de los números, entregamos un producto funcional de punta a punta: desde el modelo hasta una app usable por un ejecutivo de ventas en campo.
What we learned
Aprendimos que la calidad del modelo depende tanto de la ingeniería de features como del algoritmo. También entendimos mejor cómo traducir un resultado técnico (una probabilidad) en una herramienta de negocio que alguien sin conocimientos de ML pueda usar y confiar. Y como equipo mixto, aprendimos a movernos rápido sin sacrificar rigor.
What's next for Ctrl+She
Queremos integrar alertas automáticas para que los gerentes de zona reciban notificaciones cuando un cliente clave entra en zona de riesgo. También planeamos incorporar variables externas como estacionalidad y condiciones de mercado, y explorar modelos de retención personalizados por segmento de cliente.
Log in or sign up for Devpost to join the conversation.