Modelos Predictivos: Análisis Predictivo para Optimizar Estrategias Comerciales en las Empresas
Summary
TLDREn 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
😀 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.
📊 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.
🌐 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.
🛒 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.
📈 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.
🏢 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.
Mindmap
Keywords
💡Modelos predictivos
💡Análisis descriptivo
💡Inteligencia artificial
💡Big Data
💡Data alternativa
💡Ciencia de datos
💡Machine learning
💡Estrategias comerciales
💡Madurez analítica
💡Data oficial
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]
浏览更多相关视频
El impacto del Bigdata y el Smartdata en Gestión de Riesgos
TÉCNICAS DE GESTIÓN Y ANÁLISIS ESTADÍSTICO PARA LA APLICACIÓN DE MODELOS PREDICTIVOS EN EL BIG DATA
Transformación del Transporte: las tecnologías 4.0 en la industria -Caso Colombia-.
Toma de decisiones con base en hechos
AboutIT: Análisis Predictivo en los Negocios
¿Cómo tomar la mejor decisión?
5.0 / 5 (0 votes)