INIBSA. CGA

Ejemplo Aviso
Ejemplo Alerta
Vista principal de la interfaz.

Gracias a nuestra experiencia en Quality Management, estadística e IA, desarrollamos una solución capaz de transformar grandes volúmenes de datos en decisiones comerciales accionables. Nuestra motivación para la red neuronal, se centra en buscar una alternativa al deep learning común, donde encontramos graves problemas de coste de computación y manejo pobre con un número de datos no muy grande.

Nuestro sistema mejorado es capaz de analizar patrones históricos de compra, detectar anomalías y finalmente genera avisos de re-stock, pérdida de cliente, desgaste comercial, caída de demanda y oportunidades de venta, todo mostrado en una interfaz simplificada con filtros, calendario de tareas y prioridad de alertas según impacto y urgencia.

El núcleo del sistema combina: Una Spiking Neural Network para predicción de comportamiento y detección de anomalías. Un sistema robusto de análisis estadístico para priorización y validación de señales basado en el análisis estadístico SPC.

Para construirlo, dividimos los datos por familias (C1, C2, T1 y T2), eliminamos ruido del dataset considerando solo ventas reales e incorporamos detección de estacionalidad y campañas promocionales para mejorar la precisión del modelo predictivo.

Al empezar el proyecto detectamos que nuestros datos de potencial tenían usuarios que superaban con creces la estimación. Para contrarrestar este déficit se ha recalculado los potenciales erróneos usando el dato máximo anual de compra. Además, se han creado programas de actualización para la base de datos con el objetivo de mantener el potencial de los clientes actualizado con el paso de los años.

Hemos asumido que el cliente se comporta de forma constante a lo largo de los años utilizando una aproximación basada en el promedio de ventas semanales; es decir, que el peso semanal respecto a las ventas anuales se mantiene constante. También que, si el cliente no está consumiendo todo su potencial real con nosotros, entonces está comprando a la competencia. Gracias a esto hemos encontrado los clientes promiscuos y hemos creado una señal especifica que informa sobre cuando va a ser su próxima compra para así generar oportunidades de venta.

Una vez analizados los clientes promiscuos, usando los valores realizados y la predicción dada por nuestro modelo de IA hemos utilizado statistical process control para detectar cuando los clientes cambian de tendencia alertando a los comerciales.

Por otro lado, nos tuvimos que lidiar con la complejidad de utilizar un frame-work del cual no hay documentación.

Estamos muy orgullosos de haber podido producir un producto final funcional donde se entrelazan diferentes disciplinas tales como la IA, calidad de gestión y conceptos económicos. Además, la complejidad de nuestra solución ha hecho que nos superemos a nosotros mismos usando herramientas innovadoras, especialmente la SNN, y comprobando sus resultados. También nos sentimos gratificados por la oportunidad para aplicar en un caso real los conocimientos aprendidos en nuestras respectivas carreras universitarias.

Finalmente, con mejores recursos la capacidad del modelo predictivo permitiría estimar de una manera más precisa los comportamientos de los clientes.