Inibsa challenge (Mythos)

Client selector
client stats
purchase history

Inspiration

Dels tres projectes ens ha semblat el mes interessant ja que al escolatar el projecte vam pensar en implementar un model heuristic. La decisió de a qui trucar era intuïtiva. Vam voler substituir aquesta intuïció per un senyal de dades clar, diari i accionable.

What it does

El que hem creat és un model d'IA que analitza 5 anys d'historial de vendes i genera una llista diària classificada de: "truca a aquesta clínica, per aquest producte, aquest és el motiu, aquesta és la urgència i aquesta és la persona que ha de fer la trucada".

How we built it

Neteja de dadesHem sanejat els fulls de càlcul. El fitxer original presentava petits errors: una columna sense capçalera, 30 files duplicades o transaccions estranyes de 0 unitats per 500 €. En lloc d'eliminar-les, hem rebatejat les columnes de manera coherent i hem etiquetat cada fila (venda, devolució, regal, etc.).
Segmentació intel·ligentHem classificat cada combinació de (clínica × família de producte) en categories:Per a productes de consum (commodities): Són fidels (compren ~80% del seu potencial estimat), promiscus (només compren el ~17% —també compren a la competència—), marginals (compradors residuals) o risc de fuga (compraven abans, però ara estan en descens o en silenci)?Per a productes tècnics: Segons l'historial propi de cada clínica: són compradors sistemàtics (patró regular) o ocasionals? I la seva activitat recent és coherent amb el seu ritme habitual o ha patit una caiguda o un pic sobtat?
Conversió de categories en alertesNo totes les clíniques generen una alerta, només les que permeten una acció concreta:Client promiscu-> Alerta de "finestra de captura" (parla amb ells abans que es reabasteixin a la competència).Risc de fuga o client silenciós -> Alerta de "recuperació".Pic de demanda -> Alerta d'"oportunitat" (està passant alguna cosa bona — esbrina què és).Cada alerta especifica: qui, quina família de productes, el motiu, la urgència, qui ha de trucar (comercial de camp vs. equip telefònic), en quants dies s'ha de fer i les dades brutes que han disparat l'alerta.
Sistema dinàmic per datesHem fet que tot el procés tingui consciència temporal. El pipeline és una única funció: generate_alerts(date). Si l'executes demà amb la data de demà, obtindràs les alertes de demà. Això compleix amb la "cadència diària" que requeria el projecte.
Quadre de comandament (Dashboard)Hem creat un panell de control perquè qualsevol persona (fins i tot algú que no sàpiga llegir codi) pugui interactuar i visualitzar els resultats fàcilment.

Challenges we ran into

Falta de dades per entrenar models (everfiting). Soroll al mesclar molts parametres, donant outputs que careixen de sentit.

Accomplishments that we're proud of

Predicció de necessitat de compra per a commodities: Regla de quota de potencial amb llindars validats per quartils. Risc de fuga precoç per a productes tècnics: Línia base individual amb comparativa interanual. Identificació de la "finestra de captura": Quantificació de la demanda no capturada per cada client promiscu. Alertes interpretables i accionables: Cada alerta inclou trace_features (les dades brutes que l'han disparat). Priorització operativa: Puntuació basada en els quatre senyals, classificació en nivells Alt/Mitjà/Baix i assignació de canal (venda directa vs. telefònica). Proposta d'operació diària: La funció generate_alerts(date) és idempotent per a qualsevol data històrica. Ruta d'evolució de "Standalone" a CRM: El repositori inclou un exportador de JSON per a tasques de HubSpot. Capacitat d'aprenentatge: Esquema de feedback + mòdul + panell de control amb suggeriments d'ajust dels llindars.

What we learned

Com crear un model heuristic aplicart a un cas real.

What's next for Inibsa challenge (Mythos)

Sense xifres reals de precisió predictiva: mesurar l'impacte d'una intervenció requereix un grup de control o un pilot real. Sense Machine Learning: no hi ha prou dades etiquetades; el brief demana utilitat analítica i comercial, no sofisticació tècnica per se. Les dades de resultats són simulades (mocked): l'esquema és real, però les dades no; ho deixem clar explícitament a la pantalla. Sense integració directa en el CRM de producció: