El grupo vasco Eroski ha puesto en marcha, de la mano de Ibermática, un sistema de analítica avanzada de datos para configurar un modelo predictivo que le permita optimizar el servicio de transporte de última milla de las compras que los clientes de Eroski quieren recibir en sus casas, con el que busca un ahorro significativo de costes, entre otras iniciativas.
La compañía tecnológica ha desarrollado varios proyectos mediante técnicas de Inteligencia Artificial y Machine Learning dentro del ámbito del modelado predictivo y descriptivo, para solucionar diversas casuísticas que se consideran vitales en el centro del negocio, pero para los que no había un remedio claro a través de los métodos habituales de programación o de inteligencia de negocio.
Desde Ibermática explican que uno de los retos más importantes a los que se enfrenta cualquier empresa dentro del sector retail es el asociado a disponer de una estimación lo más acertada posible sobre su evolución futura, tanto a nivel de venta de productos, facturación, entrega de pedidos a domicilio o la previsión del número de personas que pasarán por caja por centro y hora para poder determinar el número de cajeros óptimo en cada caso y ajustar gastos de personal. Para ello es importante utilizar combinaciones de modelos que sean capaces de captar las tendencias y estacionalidades propias de los datos y realizar estimaciones con el menor error posible.
En este contexto, Ibermática ha desarrollado un sistema capaz de predecir aproximadamente cuántos pedidos va a haber a lo largo del día, en qué zonas geográficas, en qué centros preparadores, en qué franjas horarias y los motivos, basándose en el estudio de las series históricas de los últimos años. Conocer con antelación el número de pedidos de envío a domicilio que va a registrarse, desgranada en días y franjas horarias, y en base a la capacidad de gestionar los pedidos por parte de los centros preparadores, permite a Eroski ajustar la negociación de las tarifas con sus proveedores de transporte, pudiendo asegurar un ahorro significativo de costes (hasta del 50%), ya que el propio proveedor también los ahorra al optimizar su servicio.
Los algoritmos de Machine Learning han sido especialmente diseñados y optimizados para comprender y corregir la influencia de distintos agentes externos que puedan mermar la eficiencia de las predicciones: la cercanía a festividades o la existencia de estados anómalos, como es el caso del contexto pandémico actual, pero especialmente durante las etapas de limitación en la movilidad de los ciudadanos y de cierres perimetrales.
El proyecto se ha desarrollado y puesto en producción a través de workflows analíticos orquestados mediante Rocket sobre la plataforma Stratio. El tracking de los modelos, su persistencia y comparación entre experimentos se llevó a cabo en MLPojects utilizando mlflow, asegurando de esta manera la calidad en el ciclo de vida completo de los modelos de machine learning creados. Se trata de un proyecto de calado ya que a raíz de la pandemia sanitaria este tipo de servicios se ha multiplicado, siendo muchos los usuarios que apuestan por recibir sus compras en casa.
Por otra parte, Ibermática ha conseguido demostrar, según explica la compañía, de una forma objetiva, automática, descriptiva y auto-explicativa, cuáles son los patrones más relevantes sobre distintos indicadores que soportan, con una significancia estadística confiable, la ineficiencia en la generación de los pedidos online, en los distintos centros de distribución del Grupo Eroski.
Estas ineficiencias se traducen en costes muy significativos en cuanto a devoluciones, reembolsos, reaprovisionamientos, y un gran catálogo de gastos directos e indirectos. Asimismo se han descubierto las combinaciones multifactoriales que motivan la aparición de incidencias en la entrega de los pedidos online en el cliente, determinando si dichas reclamaciones son reales a la hora de estimar su medición, y lo que es más importante, prediciendo y estimando aquellas incidencias no reportadas, con base de la medición del impacto directo y teórico en la satisfacción del cliente.