Predicción de compra a domicilio

Eroski es una de las empresas de distribución más importantes de España, con una plantilla de más de 35.000 trabajadores repartidos por todo el país.

Uno de los retos más importantes a los que se enfrentan las empresas de retail es disponer de una estimación lo más acertada posible de su evolución futura, tanto de ventas 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 y ajustar 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.

Ayesa, a través de Ibermática, ha desarrollado un sistema de analítica avanzada de datos con inteligencia artificial y machine learning, dentro del ámbito del modelado predictivo y descriptivo, 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, centros preparadores, franjas horarias y los motivos, basándose en el estudio de las series históricas de los últimos años.

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, 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.

Conocer con antelación el número de pedidos de envío a domicilio, según días y franjas horarias, y vinculado 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, asegurando un ahorro significativo de costes, ya que el propio proveedor también los ahorra al optimizar su servicio.

Gracias al uso de modelos de machine learning se ha logrado una previsión de la demanda de pedidos que tendrá que entregar cada uno de los grupos de transporte en cada franja horaria y día con un horizonte temporal de dos meses, sin que se vea afectada la satisfacción del cliente.

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.