Modelos Predictivos: Análisis Predictivo para Optimizar Estrategias Comerciales en las Empresas

Summary

En este webinar, se discute cómo los modelos predictivos pueden apoyar estrategias comerciales exitosas. La empresa Predic, especializada en soluciones de datos y Big Data, presenta su experiencia en más de 15 industrias. Se explican casos de uso en diferentes sectores, destacando el análisis descriptivo y la transición hacia el análisis predictivo. Se resalta el uso de datos alternativos y la importancia de modelos precisos para tomar decisiones certeras, con ejemplos de proyectos en Colombia, Chile y México que aplican Machine Learning para optimizar la gestión de tiendas, la selección de productos y la identificación de mercados con alto potencial.

Takeaways

• 😀 La empresa Predic se dedica a desarrollar soluciones para problemas complejos utilizando datos alternativos, Big Data y técnicas de ciencia de datos e inteligencia artificial.
• 📈 Predic tiene más de 14 años de experiencia en más de 20 países, atacando problemas complejos en más de 15 industrias diferentes.
• 🔢 El análisis de datos es fundamental para tomar decisiones certeras en cualquier área de negocio, y las organizaciones suelen estar en diferentes etapas de madurez analítica.
• 📊 El análisis descriptivo permite generar conocimiento histórico sobre lo que ha pasado en el negocio, mientras que el análisis predictivo busca predecir futuros resultados.
• 🛍️ Los modelos predictivos son comunes en sectores como el financiero, y pueden mejorarse con el uso de información interna y externa, incluyendo datos alternativos.
• 🌐 Los datos alternativos, generados por la economía digital y plataformas digitales, ofrecen una nueva fuente de información desestructurada que puede ser incorporada a modelos de análisis.
• 🏪 Un caso de estudio involucró a una distribuidora colombiana que buscaba optimizar la disponibilidad de productos y la gestión del personal en tiendas.
• 📊 Se utilizaron datos de movilidad, censos, características de las tiendas y ventas para generar un modelo de Machine Learning que predice el personal óptimo por tienda.
• 📈 Otro proyecto en Chile identificó la combinación óptima de productos para puntos de venta locales, utilizando datos de movilidad y características socioeconómicas.
• 📉 En México, se creó un modelo para una empresa de venta por catálogo que detectaba zonas con poca cobertura de asociados pero alto potencial de venta.
• 💡 Finalmente, se generó un modelo para una empresa que exploraba un nuevo canal de ventas, mediendo el potencial de mercado en clínicas de belleza y Spa según características sociodemográficas.

Q & A

¿Qué es lo que se discute en el webinar mencionado en el guion?

El webinar trata sobre los modelos predictivos y cómo pueden ayudar a generar o sustentar estrategias comerciales exitosas.

¿Qué es Predignata y qué hace?

Predignata es una empresa dedicada a desarrollar soluciones a problemas complejos utilizando datos alternativos, Big Data y técnicas de ciencia de datos e inteligencia artificial.

¿Cuántos años de experiencia tiene Predignata en el desarrollo de soluciones de esta naturaleza?

Predignata tiene más de 14 años de experiencia en el desarrollo de soluciones de esta naturaleza.

¿En cuántos países ha trabajado Predignata?

Predignata ha trabajado para empresas y gobiernos en más de 20 países alrededor del mundo.

¿Cómo ayuda Predignata a las organizaciones a tomar mejores decisiones?

Predignata ayuda a las organizaciones a través del análisis descriptivo y la transición hacia el análisis predictivo, utilizando modelos de análisis predictivo para tomar decisiones más certeras.

¿Qué es el análisis descriptivo y cómo se utiliza en el contexto del negocio?

El análisis descriptivo es el proceso de analizar la información histórica para entender lo que pasó, utilizando dashboards y gráficos para visualizar problemas específicos y generar conocimiento.

¿Qué es el análisis predictivo y cómo difiere del análisis descriptivo?

El análisis predictivo es el empleo de información y conocimiento generado a partir del análisis descriptivo para modelar fenómenos y predecir resultados de negocio futuros, mientras que el análisis descriptivo se enfoca en entender lo que pasó.

¿Qué tipo de información se utiliza en el análisis predictivo según el guion?

Se utilizan datos internos de la organización, datos oficiales y datos alternativos, que incluyen información generada por la economía digital y plataformas digitales.

¿Cómo ayuda Predignata a las empresas a mejorar la gestión de personal en supermercados según el caso mencionado?

Predignata utiliza datos de movilidad, censos, características de las tiendas y datos de ventas para generar un modelo de Machine Learning que determine el número óptimo de personal para cada supermercado.

¿Qué desafío abordó Predignata para una empresa chilena en el ámbito de ventas en tiendas de barrio?

El desafío fue identificar qué combinación de productos tendría el mejor rendimiento en tiendas de barrio, considerando características del entorno, nivel socioeconómico y datos de ventas.

¿Cómo ayudó Predignata a una empresa de venta por catálogo a detectar zonas con poca cobertura de asociados y alto potencial de venta?

Predignata utilizó datos de movilidad, censos, información de la oferta inmobiliaria y datos de ventas para generar un modelo de Machine Learning que detectara áreas con alto potencial de venta y baja cobertura de asociados.

Outlines

00:00

😀 Introducción a Modelos Predictivos y Estrategias Comerciales

El primer párrafo presenta el tema central del video, que es la discusión de los modelos predictivos y su importancia en el apoyo a estrategias comerciales exitosas. Se menciona la agenda del día, que incluye una breve presentación de la empresa 'predignata', un análisis descriptivo y su transición hacia el análisis predictivo. También se menciona la experiencia de la empresa en el uso de datos alternativos y técnicas de ciencia de datos y machine learning en más de 20 países, y cómo esto ha ayudado a diversas industrias a tomar decisiones más certeras.

05:01

📊 Análisis Descriptivo y su Evolución al Predictivo

El segundo párrafo se enfoca en la explicación del análisis descriptivo, que permite a las empresas visualizar y analizar problemas históricos a través de gráficos y dashboards. Luego, se discute cómo algunas organizaciones avanzan hacia el análisis predictivo, que utiliza información existente para modelar y predecir fenómenos de negocio futuros. Se destaca la importancia de este análisis en sectores como el financiero y cómo la incorporación de 'Data oficial' puede aportar un contexto externo para una mejor comprensión de los fenómenos de mercado.

10:03

🌐 Utilización de Data Alternativa en Análisis Predictivos

El tercer párrafo explora el concepto de 'Data alternativa', que incluye información generada por el avance de la economía digital, como la movilidad peatonal y vehicular, interacciones en redes sociales y datos de dispositivos móviles. Se discuten los desafíos de manejar esta información desestructurada y cómo puede ser incorporada en modelos de análisis para mejorar la precisión de las predicciones y entender mejor los fenómenos de negocio.

15:04

🛒 Aplicaciones de Modelos Predictivos en la Distribución de Productos

El cuarto párrafo presenta un caso de estudio de una empresa en Colombia que buscaba asegurar la disponibilidad de productos y la gestión adecuada del personal en tiendas. Se describe cómo se utilizaron datos de movilidad, censos, características de las tiendas y datos de la empresa para generar un modelo de machine learning que clasificaba supermercados y optimizaba el número de empleados necesarios en función de la rotación de productos.

20:05

📈 Identificación de Productos con Mayor Éxito en Puntos de Venta

El quinto párrafo relata un proyecto para una empresa chilena que buscaba identificar qué productos tendrían mayor éxito en puntos de venta específicos. Se analizaron datos de movilidad peatonal, censos, características socioeconómicas y datos de ventas semanales para segmentar y predecir la mejor combinación de productos en función de las características del entorno y la dinámica de la población residente.

25:06

🏢 Detección de Zonas con Alto Potencial de Venta y Cobertura de Asociados

El sexto párrafo describe un proyecto para una empresa de venta por catálogo en México que buscaba detectar zonas con poca cobertura de asociados pero con alto potencial de venta. Se utilizaron datos de movilidad, censos, información socioeconómica y datos de venta para desarrollar un modelo de machine learning que identificaba áreas con alto potencial de mercado y baja cobertura, permitiendo a la empresa enfocarse en estas zonas.

💆‍♀️ Medición del Potencial de Mercado en Nuevos Canales

El último párrafo del script presenta un proyecto para una empresa que quería medir el potencial de mercado en el canal de clínicas de belleza y Spa. Se analizaron datos de características sociodemográficas y de establecimientos en plataformas digitales para desarrollar un modelo que clasificaba y predecía el potencial de venta de cada punto de interés, permitiendo a la empresa enfocar sus recursos de comercialización en los puntos con mayor potencial.

Keywords

💡Modelos predictivos

Los modelos predictivos son técnicas de análisis de datos que permiten prever futuros resultados o comportamientos basándose en información histórica. En el video, se enfatiza su importancia para generar estrategias comerciales exitosas, ya que permiten a las empresas entender y proyectar tendencias y eventos futuros.

💡Análisis descriptivo

El análisis descriptivo es una técnica estadística utilizada para resumir y organizar datos para su comprensión inicial. En el contexto del video, se menciona como una fase previa al análisis predictivo, permitiendo a las organizaciones visualizar y entender patrones del pasado para mejorar decisiones.

💡Inteligencia artificial

La inteligencia artificial (IA) es el campo de la informática que busca crear sistemas capaces de realizar tareas que normalmente requieren inteligencia humana. En el video, se destaca cómo la IA, junto con el machine learning, se aplica para resolver problemas complejos y mejorar la toma de decisiones en empresas.

💡Big Data

Big Data se refiere a conjuntos de datos extremadamente grandes y complejos que, debido a su volumen o velocidad de generación, requieren tecnologías avanzadas para su análisis. En el script, se menciona como una fuente de información utilizada en la creación de modelos predictivos para resolver problemas de negocio.

💡Data alternativa

La data alternativa son fuentes de información que van más allá de los datos tradicionales y estructurados, incluyendo datos desestructurados como las interacciones en redes sociales o los datos de movilidad. En el video, se discute cómo la incorporación de data alternativa puede aumentar la precisión de los modelos predictivos.

💡Ciencia de datos

La ciencia de datos es el campo interdisciplinario que se enfoca en la extracción de conocimiento y la generación de información a partir de datos, utilizando métodos estadísticos y analíticos. En el video, la ciencia de datos es clave para el desarrollo de soluciones a problemas complejos.

💡Machine learning

El machine learning es una rama de la inteligencia artificial que permite a las máquinas aprender y mejorar a través de la experiencia sin ser programadas explícitamente. En el contexto del video, se utiliza para crear modelos que pueden predecir comportamientos futuros en diferentes industrias.

💡Estrategias comerciales

Las estrategias comerciales son planes de acción diseñados para alcanzar objetivos empresariales específicos en el ámbito de las ventas y el marketing. En el video, se resalta cómo los modelos predictivos pueden sustentar y mejorar estas estrategias al proporcionar información valiosa sobre tendencias y patrones de mercado.

💡Madurez analítica

La madurez analítica se refiere al nivel de desarrollo y sofisticación que posee una organización en cuanto a la utilización de análisis de datos para la toma de decisiones. En el script, se discute cómo diferentes organizaciones pueden encontrarse en etapas diferentes de madurez analítica, afectando su capacidad para implementar modelos predictivos.

💡Data oficial

La data oficial proviene de fuentes confiables y públicas, como censos y encuestas gubernamentales. En el video, se menciona cómo la data oficial, aunque a veces no actualizada, puede ser importante para dar contexto a los análisis internos de una empresa y mejorar la precisión de las decisiones.

Highlights

El día de hoy se discute cómo los modelos predictivos pueden ayudar a generar estrategias comerciales exitosas.

Predignata es una empresa especializada en resolver problemas complejos a través de datos y técnicas de Inteligencia Artificial.

Predignata tiene más de 14 años de experiencia en más de 20 países, atacando problemas complejos en 15 industrias diferentes.

El uso de análisis de datos es fundamental para tomar decisiones más certeras en cualquier área de negocio.

Las organizaciones se encuentran en diferentes etapas de madurez analítica, desde análisis descriptivo hasta análisis predictivo.

El análisis descriptivo permite generar conocimiento histórico y diagnosticar problemas en el negocio.

El análisis predictivo emplea información y conocimientos previos para modelar y predecir fenómenos de negocio.

La incorporación de Data alternativa, como información de redes sociales y dispositivos móviles, mejora la precisión de los modelos predictivos.

Se destaca la importancia de Data alternativa en el manejo de información desestructurada y su uso en modelos de análisis.

Se presentan casos de éxito de Predignata en el uso de modelos predictivos para solucionar problemas comerciales en diferentes industrias.

Un caso involucra la distribución de productos de consumo masivo en Colombia, optimizando la disponibilidad y gestión de personal.

Otro caso menciona la identificación de productos con mayor éxito en tiendas de barrio chilenas usando datos de movilidad y características del entorno.

Se aborda el uso de modelos de Machine Learning para clasificar y predecir el rendimiento de productos en puntos de venta.

Un proyecto para una empresa de venta por catálogo en México identifica zonas con poca cobertura y alto potencial de venta.

Se utiliza Data censal e información de la Inegi para entender patrones de gasto y nivel socioeconómico de las zonas.

Un modelo de búsqueda aleatoria fue utilizado para detectar zonas con alto potencial de venta y baja cobertura de asociadas.

Para una empresa en México, se generó un modelo para medir el potencial de mercado en clínicas de belleza y Spa, enfocando esfuerzos de venta en puntos con mayor potencial.

Los modelos de clasificación y predicción por regresión permitieron a la empresa enfocarse en puntos de interés con mayor potencial de venta.

Transcripts

Bueno pues muy buenos días a todos el

día de hoy vamos a a platicar acerca de

este los modelos predictivos pero sobre

todo enfatizando el hecho de cómo estos

nos pueden ayudar a pues generar o

sustentar estrategias comerciales

exitosas vale Bueno ya me ya me presentó

Fer los voy a pasar rápido esta esta

filmina y pues les va a platicar

comentar un poquito acerca de la agenda

del día de hoy sobre los puntos en

concretos que vamos a platicar

primero que nada brevemente les voy a

platicar acerca de de predignata Ajá

este y sobre todo Quiénes somos para

todos aquellos que este pues no nos no

nos conocen posteriormente vamos a pasar

a explicar un poco acerca del análisis

descriptivo Y cómo este pasamos de este

o cómo las organizaciones han venido

utilizando este para tomar mejores

decisiones pero sobre todo su transición

hacia la a lo mejor y un poquito más

certeras con respecto con el uso de

modelos de análisis predictivo Ok este

posteriormente les voy a platicar acerca

de algunos casos Ajá en concreto de cómo

A quién predicamos desarrollado algunos

proyectos utilizando pues metodologías

propias pero sobre todo modelos

predictivos aplicados a casos concretos

en diferentes industrias sobre todo para

el tema de sustento de estrategias

comerciales efectivas posteriormente

abriremos un espacio de preguntas y

respuestas Y bueno daremos

fin a la conversación

y bueno Ya entrando un poquito en tema

primero que nada les platico un poco

acerca de predic nosotros somos una

empresa dedicada a desarrollar

soluciones a problemas complejos

utilizando principalmente

puentes de datos alternativos fuentes de

Big Data y aplicando técnicas de ciencia

de datos e Inteligencia artificial

Machine learning a estos problemas como

tal vale ya tenemos poco más de 14 años

de experiencia desarrollando soluciones

de esta naturaleza en más de para

empresas y para gobiernos en más de 20

países alrededor del mundo no nos

enfocamos en una industria en particular

actualmente tenemos a más de 15

diferentes industrias justamente

atacando problemas complejos pero muy

particulares de cada uno de este

nuestros clientes actuales todas y cada

una de nuestras soluciones están

respaldadas por un equipo de más de 30

científicos de datos ingenieros asesores

de negocio expertos en que Justo nos

permitan diseñar soluciones bastante

exitosas lado derecho pueden ver algunas

de las empresas que trabajan con

nosotros no son todas sin embargo son

las que nos permiten divulgar que

tenemos algún tipo de proyecto de datos

con ellos Vale ahora sí entrando un

poquito ya más en tema de lo que trata

Este webinar creo que todos los que

estamos en esta sesión

sabemos no ya es un hecho hace bastante

tiempo que el

uso de de datos no pero sobre todo del

análisis de estos para de manera que

sustente la toma de decisiones van a

tener como consecuencia directa Pues que

esta toma de decisiones sean más más

certeras No independientemente del área

en donde se utiliza información en el

análisis de la misma para este atacar

objetivos precisos siempre el uso de

este de estas técnicas de análisis de

datos a partir de la información que se

genera en la empresa pues va a tener

como resultado mejores y obviamente

mejores resultados

dado el área de negocio donde se esté

empleando no Esto no es nuevo a lo mejor

y dado el tamaño del de la organización

el giro de la organización tienden a

estar en diferentes etapas Ajá de de

madurez analítica como se suele

mencionar pero este esto creo que lo

sabemos todos no En ese sentido Creo que

muchas de las organizaciones

en este momento se encuentran como les

mencionaba en diferentes etapas

justamente de análisis de información no

por lo regular y hace este mucho tiempo

no en los últimos años las grandes

organizaciones de diferentes sectores se

han dedicado sobre todo a mejorar la

manera en la que gestiona su información

la recolectan y la ponen a disposición

de sus tomadores de decisión para que

justamente

todo este toda su sus estrategias

en evidencia no En ese sentido pues

vemos a muchas organizaciones que se

basan principalmente en en realizar a

partir de toda esta buena gestión de

información o todo este cúmulo de

información que llegan a a generar este

sus diferentes áreas áreas de negocio

para generar análisis descriptivo no el

análisis descriptivo que es pues para no

profundizar y no llegar a un a un ámbito

tan técnico simplemente lo que nos

permite es analizar la información no a

partir de dashboard a partir de gráficos

a partir de formas o dimensiones

diferentes de de encontrar de visualizar

o de analizar algún problema en concreto

sobre todos

tomando en cuenta la información de lo

que pasó no histórico de ventas ese caos

más vendidos no eh

producción histórica que que este es

decir simplemente generamos conocimiento

a partir de la información de lo que

está pasando en nuestro negocio en

diferentes áreas de negocio en nuestras

en nuestras áreas comerciales etcétera

esta misma información nos permite

generar algún tipo de diagnóstico no con

un análisis A lo mejor un poquito más

avanzado aterrizando a los objetivos del

negocio podemos generar conocimiento

acerca del Por qué está ocurriendo esto

no Por qué toda la información este

operativa de gestión de de mi negocio

está entre Tratamos de explicarlo a

partir de conocimiento propio no del

ejecutivo etcétera sobre el Por qué está

ocurriendo esto pues este análisis

descriptivo todos los resultados que

están generando este análisis

descriptivo porque está ocurriendo ahora

muchas empresas pueden quedarse en esta

etapa como tal pero también pueden

pueden ya este ir avanzando para lo que

se suele Llamar el análisis predictivo

que es el análisis predictivo pues es

justamente la el empleo de estas fuentes

de información incluso de ese

conocimiento que se está generando del

análisis descriptivo para modelar

fenómenos entender de alguna manera

fenómenos de negocio que pueden estar

pasando no es decir generar analítica

que nos permita

predecir que puede este algunos

resultados de negocio que puede estar

pasando cómo me puede ir en determinadas

líneas de negocio en caso de que esté

por entrar no En caso de que no conozca

mucho al respecto entonces simplemente

el análisis predictivo nos va a permitir

aplicarle técnicas avanzadas de análisis

de datos a toda esta generación de

información para entender un poquito Qué

es qué es lo que puede pasar no y

algunas organizaciones de de su campaña

dependiendo de su sector sobre todo por

ejemplo en el ámbito financiero el

análisis predictivo pues ya es algo este

bastante común no hay algunas industrias

que pues se quedan justamente en en la

parte de análisis descriptivo y

diagnóstico Pero ahora sí que

dependiendo de las capacidades de contar

con con personal capacitado en en temas

de analítica este pues depende mucho ahí

el el estatus en el que estén cada una

de las empresas vale pero ahora ya que

este puede independientemente de de En

qué estado de análisis de información se

encuentra en cada uno de sus negocios es

importante mencionar que

ya ya sea que estén en la parte del

ámbito del Análisis predictivo o que

simplemente toman decisiones a partir de

sistemas de inteligencia de negocio

dashboard este indicadores que de alguna

manera nos están evaluando el negocio de

lo que pasó o de lo que ocurrió y su

explicación de contexto al respecto de

esto

para generar soluciones un poquito más

avanzadas en términos de

de estrategias o de o de soluciones de

datos que que sustenten estrategias

comerciales o estrategias operativas

independientemente a donde estén

dirigidas estas estas soluciones en

diferentes áreas de negocio

existe hoy una nueva fuente de

información que permite que estos

modelos predictivos sean más precisos

okay por lo regular las como bien les

mencionaba las organizaciones tienden a

a generar modelos predictivos o análisis

descriptivo a partir de la propia Data

interna no en función de cómo se está

comportando alguna variable de negocio

en el tiempo podemos nosotros proyectar

con esa misma información qué es lo que

puede ocurrir en el futuro no y ahí

estamos haciendo análisis predictivo

incluso algunas organizaciones pueden

tender a analizar los problemas un

poquito más profundamente y darle

contexto al problema a partir de

incorporar Data oficial o Data

tradicional de lo que puede estar

pasando allá afuera No y al final del

día darle al fenómeno de negocio que

estamos analizando internamente darle

contexto exterior para saber o para

entender un poquito la realidad sobre

cómo se está gestando el fenómeno de

Mercado el fenómeno de negocio que

estamos analizando vale por lo regular

esto a partir de fuentes de información

pública o tradicional Okay puede ser por

ejemplo en el caso de México toda la

información que podemos extraer del

Inegi no que la dificultad Es que de

alguna manera son fuentes de datos pues

no actualizadas no tienden a tener un

desfase de información y pueden ser un

punto de referencia pero nos pueden

estar quedando cortas ahí para tomar

decisiones más certeras vale Y bueno de

alguna manera tanto la Data interna que

van generando las organizaciones como

esta Data oficial tiende a ser

información de calidad en términos de

Estructura No por lo regular Son son

bases de datos estructuradas no que sí

tienen que pasar por algún tipo de

procesamiento Pero al final del día nos

empiezan a dar bastante información para

tomar decisiones más certeras pero hoy

en día existe lo que nosotros aquí en

nos gusta mencionar como Data

alternativa que es toda esa información

que se va generando a partir del avance

de de la economía digital no de de todo

del crecimiento en el uso de plataformas

digitales de toda esta todo este cúmulo

de información que se está generando a

partir de dispositivos móviles

interacciones en redes sociales Ajá

información que está disponible en las

páginas web no en internet en general

entonces toda esta información que se

está generando tiene sus retos en cuanto

al manejo de la misma porque por lo

regular es es desestructurado Es decir

no está en un formato tabular no como un

tipo de Excel no que tenga columnas este

determinadas filas de que de alguna

manera nos permita representar

vectorialmente algún fenómeno de negocio

de Mercado no entonces toda esta

información nosotros

es posible incorporarla a esos modelos

de análisis descriptivo a esos modelos

de análisis predictivos que ya

actualmente las empresas están

utilizando para

justamente las soluciones o los modelos

predictivos o incluso aquellas empresas

que están en una etapa de análisis más

descriptivo puedan poner en contexto

toda su información y sobre todo tener

uno actualizar a lo mejor y fuentes

tradicionales incorporando este tipo de

información modelarla de manera que nos

permita entender lo que está pasando

ahora y darle contexto a la Data interna

en entender matices específicos de los

fenómenos que estamos analizando para

que efectivamente estos modelos que

estamos construyendo para predecir lo

que puede estar pasando cómo me puede ir

qué es lo que puede estar pasando si yo

me voy por un camino por otro en cuanto

a mi estrategia de negocio sean más

efectivas y bueno

sin más sin más teoría de preámbulo y y

platica en ese sentido les voy a

platicar rápidamente en en este tiempo

que nos queda algunas de las

aplicaciones algunos proyectos que aquí

en pradí Data hemos desarrollado para

diferentes sobre todo está enfocado

mucho para áreas comerciales no pero que

justamente van a van a ver cómo es este

que nosotros utilizando Data alternativa

Data oficial y Data de la empresa hemos

logrado generar soluciones bastante

innovadoras pero sobre todo bastante

confiables para que justamente la toma

de decisiones de nuestros clientes sean

más efectivas no y que todas sus

estrategias estén basadas en este pues

en en metodologías confiables de el

análisis de fenómenos de negocio de

Mercado que nos nos ponen en las manos

nuestros clientes

Primero aquí les voy a platicar

un caso de una empresa de distribución

de una empresa muy grande en en Colombia

que distribuye productos de consumo

masivo de diferentes

características no de diferentes líneas

de negocio como tal y sus retos era

asegurar la disponibilidad de producto y

su correcta gestión en cada tienda en

principalmente Ellos tenían un problema

bastante fuerte en tener el personal

adecuado el número de personas adecuadas

dentro de cada uno de los supermercados

y algunos puntos de venta un poquito más

pequeños pero que le dieran el buen

seguimiento el buen control a este el a

la disponibilidad de producto en el

estante Ajá a la recepción del mismo es

decir a todo lo que de alguna manera

tiene que ver con que el producto esté

disponible para el consumidor en este en

los supermercados de todo de todo

Colombia

nosotros Primeramente lo que nosotros en

términos metodológicos es entender bien

al negocio entender bien al problema

para posteriormente

evaluar las fuentes de información que

podemos utilizar que nos permitan

entender pues dados el problema de

negocio dada los objetivos que quiere

llegar el cliente poder trabajar en

torno a eso para generar la solución al

mismo Qué tipo de información utilizamos

utilizamos principalmente datos de

movilidad peatonal y vehicular este Esta

es estos estos los generamos a partir de

datos que referenciados de dispositivos

móviles es decir ubicaciones GPS que

nosotros hemos tenido la capacidad de

analizar los patrones de movilidad que

tiene que tenía la gente dentro de estos

supermercados para generar un poquito

más de conocimiento al respecto también

entendimos un poquito recopilamos datos

de censos y encuestas que nos

permitieran entender también un poquito

la dinámica del entorno en donde se

encontraban cada uno de los

supermercados utilizamos también datos

de características de las tiendas no es

decir a partir de fotografías satelital

entendimos los metrajes cuadrados

construidos a lo mejor y un poquito de

entender accesibilidad hacia las tiendas

etcétera y obviamente datos de la

empresa no datos a nivel semanal de las

ventas para entender un poquito Cómo se

relacionan las demás características con

la rotación del producto al final del

día llegamos a el empleo de un modelo de

Machine learning este esto es a lo mejor

y un poquito técnico pero utilizamos

un generamos una clasificación de los de

los supermercados a partir de un modelo

de clasificación por árbol de decisión y

posteriormente también utilizamos un

modelo de optimización dinámica quedados

determinadas

pues restricciones Ajá a las

características de cada uno de los

supermercados el modelo nos determinaba

el número óptimo de de personal que con

lo cual debería de este destinar a ese

Supermercado La distribuidora del

producto Okay al final del día el

resultado fue un modelo que nos

permitaba determinar este de manera

recurrente es decir cada cada que

obedeciera a los niveles de rotación del

producto el personal necesario para cada

tienda obviamente Este modelo considera

los niveles de rotación del producto las

características del cliente y de la

tienda y pues muchos factores de

variables que nosotros generamos de en

Torre otro de los casos que les puedo

platicar fue para una empresa chilena en

este en el en la cual

tenía la necesidad en concreto de

identificar Ajá cuál vendría siendo esos

productos que de alguna manera tendrían

el mayor éxito a nivel de punto de venta

no Cuál fue el canal en concreto que

analizamos en este caso fueron las

tiendas de abarrote o las tiendas de

barrio como les suelen llamar por allá y

el reto era justamente encontrar cuáles

eran esas esa combinación de ese caos

concretos que de alguna manera

dadas las características del entorno no

gente que suele visitar la tienda su

nivel socioeconómico

da datos de a lo mejor y y

características de puntos comerciales en

el entorno si hay oficinas de gobierno

si es una zona muy comercial si es una

zona a lo mejor y muy de abasto etcétera

o sea nosotros

utilizamos todas esas características

para determinar Pues cuál vendría siendo

la combinación óptima de producto que

tendría el mejor rendimiento y

posteriormente

analizamos muy bien el problema no como

ya les he mencionado una de las fuentes

información más importantes que

utilizamos fueron similar al problema

anterior toda este Pero principalmente

la movilidad peatonal en el entorno de

cada uno de los puntos de venta donde

actualmente este el cliente tiene tiene

operación o que actualmente atiende o

que surte de sus diferentes productos

datos de los descensos impuestos para

entender la dinámica de las poblaciones

residentes no en el entorno de cada uno

de estos puntos debido a que es un canal

que atiende Pues de manera este muy

relevante al a su entorno no a su

entorno residente en ese sentido

utilizamos también datos semanales de

ventas por ese caos para cada una de las

tiendas para justamente detectar pues

Qué características o qué Qué

características geoespaciales se

relacionaban de manera directa con el

consumo de uno u otro sku en mayor o

menor medida aquí nosotros utilizamos

para generar

Esa esa clasificación de cuáles vendrían

siendo esos productos en que de alguna

manera tenían el mejor comportamiento

dadas determinadas características

principalmente utilizamos una

clasificación por algo de decisión para

entender algunas características

o segmentar puntos de venta con

características similares y

posteriormente hicimos predicciones por

regresión a partir de este estimar cuál

vendría siendo esa combinación óptima de

producto que este nos permitiría

optimizar el rendimiento de cada punto

de venta okay Este modelo pues está

determinado por las características

principalmente espaciales y de ubicación

de cada una de las tiendas

este en este caso Les voy a platicar

también sobre un proyecto que realizamos

en México para una empresa de venta por

catálogo en la cual nosotros el reto que

nos pusieron fue detectar aquellas zonas

con poca cobertura de asociados y

potencial de venta alto Ellos veían que

había determinadas zonas en las que de

alguna manera atendían a tener muy poca

cobertura de asociadas que tienen a a

pues afiliarse como tal a la empresa

para hacer la venta por catálogo y que

veían que unas algunas zonas tenían

mejor rendimiento que otras y querían

entender esa naturaleza no pero sobre

todo detectar aquellas que de alguna

manera tuvieran mayor oportunidad y que

dadas el número de asociadas que

tendrían atendían a a cubrir esa zona

pues seguramente o sobraban o faltaban

más asociadas que que atendieran a a

esos mercados no a esos a esas zonas en

particular aquí obviamente utilizamos

candidata de movilidad peatonal aquí en

la la información de Data censal y de

las encuestas en concreto del Inegi

nosotros analizamos información de las

poblaciones residentes a nivel de

manzana patrones de gasto que pueden

tener para justamente detectar pues

aquel público objetivo no esta estos

productos o esta marca como tal de venta

por catálogo está dirigida a un segmento

muy específico Entonces era importante

conocer

o relacionar las zonas en donde estaba

cubriendo cada una de las asociadas

asociado a su nivel socioeconómico de la

propia zona no

también recolectamos datos de oferta

Inmobiliaria en la web esto nos permitió

pues ser un poquito más precisos con

respecto a la nivel socioeconómico de

las zonas Tenemos muchos clientes que

tienden a tener algún poco de

desconfianza en el nivel socioeconómico

que podemos determinar a partir del

Inegi no el ng que de alguna manera está

por convención calculado Y nosotros a

partir de incorporarle una nueva fuente

de información a esa metodología de MC

podemos llegar a ser un poquito más

precisos y determinar a nivel pues

prácticamente muy muy detallado donde

efectivamente Pues hay universos

económicos ave no este donde está el c

más efectivamente no porque al final del

día la metodología del Inegi ya por el

hecho de que tengas un automóvil por

ejemplo ya te tiende a arrancar con un

nivel socioeconómico ave cuando No

necesariamente no Entonces esta

información de dato del del precio de de

alquiler o precio de venta de la oferta

inmobiliaria nos nos permitió este Pues

desagregar a lo mejor y más ese ese

nivel socioeconómico más alto no y

efectivamente detectar esas zonas que

son top no en en términos de ingreso de

aquellas que pueden ser un poquito más

este medio alto medio etcétera no y

generar esos matices toda esta

información nos permitió este obviamente

también nos proporcionaron datos de

venta asociada a las zonas al número de

asociadas que tienen por zona y pues eso

nos permitió generar un modelo bastante

exitoso Qué tipo de modelo utilizamos un

modelo de Machine learning por búsqueda

aleatorio que nos permitió generar o

detectar aquellas localización esa

localización de zonas de alto potencial

de venta y baja cobertura es decir

generamos diferentes indicadores a nivel

geoespacial que nos permitió

ver este un mapa de calor en donde zonas

Tenían un nivel de alto potencial pero

que tenían baja cobertura de asociadas

para de alguna manera buscar y enfocar

esfuerzos a esas zonas en concreto

y bueno por último también les voy a

platicar sobre una empresa Ajá este en

México para la cual le le generamos un

un modelo para medir el potencial de

Mercado que tendría en un nuevo canal

que estaba explorando el reto de la

empresa era enfocar los recursos de

comercialización en los puntos del Canal

con mayor potencial de venta del

producto Okay es decir nosotros

analizamos el canal que en concreto era

el canal de clínicas de belleza y Spa

Okay querían atacar el ese canal

directamente actualmente lo hacían a

partir de un distribuidor y lo que

querían dimensionar era pues detectar

aquellos puntos de venta en todo México

que para los cuales pues sus esfuerzos

de comercialización y de visita y de

venta fueran enfocados es decir no no

visitar a todos al universo completo por

ejemplo que puedes que puedes encontrar

en el de nube No en en México en

concreto sino

enfocarnos En aquellos que de alguna

manera tienen un potencial

un potencial importante dado por las

diferentes características

sociodemográficas En su entorno

inmediato no Para eso nosotros

obviamente previo a entender exactamente

el problema la necesidad del negocio

utilizamos Fuentes muy similares a los

ejercicios anteriores

incluso recolectamos para incorporar a

lo mejor y actualizar un poco lo de lo

desactualizado que está el de Noé

también

incorporamos datos de establecimientos

En plataformas digitales de esta

naturaleza clínicas de belleza y Spa y

ellos ya atendían algunos puntos este no

eran demasiados no su su distribuidor le

compartí información de estos puntos que

que atendía directamente él Y de alguna

manera tuvimos información para entrenar

no en relacionar las características de

cada uno de estos puntos de ese canal en

concreto que no lo cubrían totalmente

pero que nos permitió detectar a partir

un modelo de de clasificación por árbol

de decisión y de predicción por

regresión entender o clasificar los

puntos de interés según su potencial no

para que efectivamente esta esta

representación de marca encargada de la

marca concreta de que eran productos

dermatológicos pudiera enfocar sus

esfuerzos no sobre toda su fuerza de

venta que eran que tenían recursos

limitados en términos de números en

términos de cobertura para atacar

aquellos en los que el modelo clasificó

de un potencial alto

[Música]