Caso de estudio: Estimación del portafolio de productos óptimo, presentado por Arca Continental
•
1 gostou•437 visualizações
Se presenta el caso de estudio de cómo el equipo de Analítica Avanzada de Arca Continental, en colaboración con el MIT. Presentado por: Raúl Castro y David Puente
Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (20)
Semelhante a Caso de estudio: Estimación del portafolio de productos óptimo, presentado por Arca Continental
Semelhante a Caso de estudio: Estimación del portafolio de productos óptimo, presentado por Arca Continental (20)
Mais de Software Guru
Mais de Software Guru (20)
Último
Último (10)
Caso de estudio: Estimación del portafolio de productos óptimo, presentado por Arca Continental
- 2. Producción, distribución y comercialización de bebidas no alcohólicas de marcas de The Coca-Cola Company home delivery >120 K Máquinas Vending#1 Marca Área Metropolitana NY 3era marca En México >600 K Hogares #1 Marca Ecuador #1 Marca Ecuador
- 5. Según CIO Dive, sólo el 13% de los proyectos de data science alcanzan a ser completados, y en ellos sólo el 8% de los líderes reportan estar completamente satisfechos
- 8. 2do 340 250k Mercado mas grande De Bebidas No alcohólicas del mundo Productos Disponibles en más de 25 categorías de Bebidas No alcohólicas Tiendas De canal tradicional en territorios AC México Méxicoencifras
- 9. Definir y recomendar el portafolio óptimo para cada uno de los 250 mil clientes dentro de canal tradicional
- 10. 340
- 11. Preguntasdenegocio Cuáles son las variables internas y externas que influyen en los productos que maneja un tendero? Basado en esas variables, ¿Es posible inferir el portafolio que cada cliente debe manejar? Podemos incrementar ventas a nivel cliente a través de una sugerencia en portafolio y cantidad para cada cliente ¿Potencial de Venta?
- 12. Colectar información de clientes y entorno. Enriquecimiento de Desagregación de sugerencia e integración a sistemas AC Analizar variables e impacto en cliente. Reducción de Variables Sugerencia de todos los productos en función al potencial de venta de cada cliente Determinación de Potencial de Ventas por Segmento Determinación de portafolio por cliente en función a sus características Determinación de Cantidad en base a forecast, oportunidad de venta y externos
- 13. 25˚40´32.6”N 100 ˚21¨41.9”W Abarrotes Doña Julia r=300 m Externa 380 Variables 1,100 Variables - 450 mil puntos de venta Ingreso, Población, Gasto, NSE, Actividad Económica y Financiera, Flujo Vehicular, Peatonal, etc Entorno 25 Variables Censo Internas Tiendas de conveniencia, Hospitales, Parques, Escuelas, Clubes Deportivos. Manejantes de competencia por categoría y SKU, Retornabilidad, Características Físicas, Activos, Saturación. 416 Variables Datos Maestros, Indicadores de servicio, métricas de ejecución, auditorías, preventa y liquidación. 300 Variables Enriquecimiento de Datos
- 14. Potencial de Ventas Ventas Internas Venta Competencia Censo + Tamaño IndustriaDe: NSE Oficinas PDM Tráfico Densidad Hogares Parques gym Potencial de MercadoA:
- 15. 5 3 2 1 0 0 0 2 1 1 Árbol 1 Árbol 2 50 Arboles 2130000103211100212… Código clientes elite Random Forest 10 CU Cliente Elite Potencial de Ventas
- 16. Cliente Regular … CE25 CE34 CE326 CE262 CE325 Scoring de Similitud Cálculo de Volumen Potencial 10 9 10 Cliente con potencial alcanzado Cliente con potencial de 4 CU 6 10 10 Potencial de Ventas
- 17. 0.0 0.0 0.0 0.0 0.1 0.1 0.2 0.3 0.5 0.6 0.7 0.7 2.2 Variables Generales Entorno Farmacia Prescolar Primaria CentroNocturno EscSuperior Hospital Secundaria EscMediaSuperior Iglesia CentroCultural ClubesDeportivos Instal.Deportivas Beta por entorno principales entornos CentroRecreativo • Gasto Promedio • Densidad Poblacional • Flujo Vehicular • Flujo Peatonal Potencial de Ventas
- 18. Captura la probabilidad de compra de un SKU basado en su historial Modelo Multonomial Logit Productos Recomendados a cada tienda Collaborative Filtering Ajuste de Probabilidad Similitudes entre clientes nos permite identificar oportunidades. Agregar características de las tiendas y de los productos Recommended products by store X Modified probabilities Ajustar las probabilidades después de agregar productos y características de la tienda ayuda en el aprendizaje cruzado Frecuencia de compra para entender patrones de compra del cliente Integración de Datos Modelo de Recomendación de Portafolio
- 19. Collaborative Filtering Single Value Decomposition Σ mxn 𝑀 mxm 𝑉 𝑇 nxn 𝑀 𝑢 m x (m+c) 𝑀 𝑈 𝑇 (m+c) x m 𝑆 𝑈 𝑇 n x (n+t) = = 𝑆 𝑈 (n+t) x n x x x x P1 P2 P3 Tienda 1 90% 30% 40% Tienda 2 10% 20% 70% Tienda 3 10% 40% 70% Tienda 4 90% 30% 60% x x Farias, V.F., & Li, A.A. (2019). Learning Preferences with Side Information. Management Science, 65, 3131-3149. P1 P2 P3 Tienda 1 94% 20% 40% Tienda 2 20% 40% 90% Tienda 3 30% 20% 75% Tienda 4 70% 30% 60% 𝐶𝑜𝑒𝑓 𝑂𝑟𝑖𝑔 𝐶𝑜𝑒𝑓 𝑂𝑟𝑖𝑔 𝐶𝑜𝑒𝑓 𝑎𝑐𝑡𝑢𝑎𝑙𝑖𝑧𝑎𝑑𝑜𝑠 Caract Cliente Features Producto
- 20. Comparativo del portafolio actual vs Nuevas sugerencias. Análisis Frecuencia mensual de venta de productos. La mayor parte del portafolio actual permanece y los nuevos productos son añadidos en base a lo que clientes similares están comprando. La especificidad de cada producto se tiene en cuenta cuando se recomiendan nuevos productos - Cliente «Mediano» - NSE AB - Población Joven - Tráfico Alto 10 pm - Ingreso bajo - Población que labora baja - Cliente «Grande» - NSE AB - Población Joven - Tráfico Alto 10 pm - Ingreso bajo - Población que labora baja Modelo de Recomendación de Portafolio
- 21. Comparativo del portafolio entre dos clientes Análisis Modelo de Recomendación de Portafolio Las dos tiendas “grandes” tienen similitudes en la curva de probabilidad, sin embargo existen diferencias en el portafolio a sugerir. El corte de probabilidad del 62% eliminará de la sugerencia 1-2 productos y empujará 7-8 nuevos productos.
- 22. Modelo de Cantidad Demanda esperada dado el potencial de venta Demanda esperada dadas las ventas anteriores Ventas Históricas Pronóstico Ventas Semanas 80 cajas 100 cajas Empujar ventas al potencial Ventas altas Ventas bajas Ventas: 100 cajas ¿Qué características del cliente impulsan las ventas? ¿Cuál es la demanda esperada? Modelo: Gradient boosting en árboles de decisión Variables: 800+ de clientes y entorno, 120 seleccionadas para el modelo final Modelo: Gradient boosting en árboles de decisión Variables: 50+ integrando ventas históricas, clima, tendencia PARK MARKET SIZE
- 25. Aprendizajes • Los datos son un activo para la empresa • El negocio es el que debe liderar la transformación analítica. • La matemática es un componente de la solución, el cambio en la cultura es el verdadero reto. • El trabajo en conjunto con universidades permite nuevas ideas para aplicar MIT & Tecnológico de Monterrey.
- 26. Gracias
Notas do Editor
- So basically you will have a 2 to the 340th power problem in your hands, you will be free to propose new and state of the art solutions to this problem. Although is seem like a lot