Según publica el portal Towards Data Science
Descubre cómo un algoritmo de pronóstico de demanda utilizando aprendizaje automático, procesamiento de lenguaje natural y experiencia en el campo logró una impresionante reducción del 18% en faltantes y escasez en operaciones nacionales en tan solo un año.
Introducción: El Reto Presente
En el dinámico mundo del retail, Auchan, un líder global, se enfrentó a un desafío crítico: dominar el arte del pronóstico de promociones. Esta narrativa despliega la historia de cómo, utilizando aprendizaje automático, procesamiento de lenguaje natural y profundo conocimiento del campo, logramos un avance: reduciendo los faltantes y el exceso de inventario en un 18% en solo un año.
Contextualizando la situación
En cada tienda donde se lleva a cabo una promoción, prever con precisión la demanda de estos artículos promocionales es un desafío crucial. El objetivo es claro pero complejo: alinear el suministro de manera precisa con la demanda del cliente en constante cambio para evitar excedentes de inventario y garantizar la satisfacción del cliente.
En el equipo de pronóstico de datos de Auchan Retail International, emprendí una misión. ¿Nuestro objetivo? Crear un modelo de pronóstico adaptable en un país diverso con cambios mínimos. El modelo, concebido para Auchan Ucrania, más tarde se expandiría a Rumania y Francia, convirtiéndose en parte integral de su estrategia promocional.
El Desafío del pronóstico
Tenía que proporcionar pronósticos diarios para todos los productos alimenticios en los 22 hipermercados de Auchan Ucrania. Estos pronósticos se dividieron entre artículos regulares y frescos y se extendieron hasta 55 días en el futuro. El objetivo era predecir la demanda a nivel de tienda y SKU para toda la operación promocional.
Datos y detalle
Pronosticar ventas en una tienda puede ser desafiante, especialmente al tratar con una amplia gama de productos y patrones de ventas impredecibles durante las promociones. Este enfoque puso a prueba nuestros límites.
Nuestra estrategia se centró en precios promocionales disponibles, exhibiciones y fechas, ya que alrededor de un tercio de los productos carecían de datos históricos de promoción. Nuestros esfuerzos de modelado se enfocaron en aprovechar los datos de ventas de productos en estanterías.
Ver también: Retail reinventado: claves para triunfar en la era Post-Crisis
