Eroski va a aprovechar las posibilidades que ofrecen las últimas tecnologías para optimizar al máximo su servicio de compra a domicilio. Con la ayuda de Ibermática, ha puesto en marcha 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, asegurando el nivel de servicio.

Eroski, con el soporte TI de Ibermática, ha dado un importante impulso a su servicio de compra a domicilio gracias a la incorporación de las tecnologías avanzadas que ha traído la nueva era digital. Así, 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.

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 del 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 de realizar estimaciones con el menor error posible.

Transporte de última milla

En este contexto, Ibermática ha desarrollado un sistema de Analítica Avanzada de datos con Inteligencia Artificial para optimizar el servicio de transporte de última milla de las compras que los clientes de Eroski quieren recibir en sus domicilios. El algoritmo es 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, ya que el propio proveedor también los ahorra al optimizar su servicio. Pues bien, gracias al uso de modelos de Machine Learning se ha logrado generar una previsión de la demanda de pedidos que tendrá que entregar cada uno de los grupos de transporte en cada franja horaria y cada día con un horizonte temporal de 2 meses, sin que se vea afectada la satisfacción del cliente.

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.

Si quieres disponer del caso de éxito, déjanos tus datos y podrás acceder a él.