Data Science & IA

Detección de quiebres de disponibilidad de productos en góndolas

El Desafío

Uno de los grandes desafíos que experimentan las cadenas de supermercados es lograr la reposición oportuna de los productos en los locales, para que estén disponibles cuando el cliente los vaya a buscar a la góndola.

Como Brain Food nos tocó participar de un proyecto con una cadena de supermercados para mejorar la disponibilidad de los productos en locales y evitar la pérdida de venta por falta de estos.

El proyecto contaba con una serie de herramientas y frentes a trabajar, para lograr el objetivo:

  • Modelo matemático y computacional de predicción de demanda de los diferentes productos de cada uno de los locales de la cadena
  • Alerta en vivo que avisara a la operación de los productos que presentaran problemas de disponibilidad
  • KPI y reportes asociados a las predicciones y resultados del modelo
  • Aplicación que se conectara a los sistemas y comunicara los resultados a la operación

Queremos que esta app se masifique rápidamente en nuestra operación, ya que ayuda enormemente en la gestión diaria de locales y organización interna

La estrategia

Modelo

En base a la historia de ventas de los supermercados, entrenar un modelo de tipo XGBoost que realizaba una predicción de demanda para cada producto, local, día y hora. Dada la magnitud del problema, fue una solución compleja de implementar, en la que hubo que combinar muchas variables: descuentos, feriados, cuarentena, etc. Además, se clusterizaron los productos según categorías de distribución de ventas.

Alerta

El desafío consistía en implementar en pocas semanas una herramienta que fuera avisando en vivo a la operación qué productos ir a reponer, puesto que no estaban teniendo las ventas esperadas. En conjunto con el cliente se estudió que era razonable modelar las ventas de los productos utilizando una distribución de Poisson, bajo este supuesto se puede asumir que los tiempos entre eventos distribuyen exponencial con parámetro correspondiente a 1/lambda, donde lambda corresponde al promedio de ventas por hora de cada uno de los productos. Esto permite determinar la probabilidad de que cada producto pase un determinado tiempo sin vender y, cuando superaba un margen crítico, era agregado a la alerta y anunciado a la operación.

Con esta simple herramienta implementada en apenas unas semanas, se obtuvieron resultados de más del 50% de precisión en la alerta, es decir, al menos uno de cada dos productos de los anunciados en vivo estaba efectivamente teniendo problemas de disponibilidad. El cliente, en sus cálculos iniciales para estimar la disponibilidad de productos, estaba obteniendo una precisión entre el 10% y 30%, por lo que el resultado de nuestra herramienta significó una mejora importante en este aspecto. Es importante destacar, además, que se obtuvieron estos resultados incluso bajo el efecto de variables externas de gran impacto negativo en la predicción, como cuarentenas y cambios de fases por el covid. Esto permitía a la operación solucionar el problema en vivo e ir a reponer el producto indicado, para evitar así la pérdida de ventas.

KPI

El indicador de cuánta venta se había perdido por falta de disponibilidad era una combinación de las dos componentes ya descritas: modelo y alerta. En primer lugar, identificaba con la misma lógica de probabilidades de Poisson qué productos efectivamente estaban teniendo un quiebre de ventas. Y, en segundo lugar, para estos determinaba el monto que debían haber vendido según lo que indicaba el modelo. Así se determinaba cuánta venta se había perdido. El KPI permitió identificar los montos de venta perdida que se estaban teniendo por cada uno de los supermercados, comparar, ver tendencias y tomar acciones respecto a ello.

Aplicación

Un desafío importante del proyecto y transversal a las componentes mencionadas, era la comunicación con la operación. Para ello, programamos una API que se conectaba a los servidores que contenían los resultados del modelo, KPI y alerta y esta, a su vez, entregaba los datos a una aplicación que mostraba la información en el celular de la operación.

Modelo

de predicción de demanda

Alertas

de quiebre de stock

KPI

sobre pérdidas asociadas a quiebres

Aplicación

para tener información en tiempo real

Los Logros

Finalizado el proyecto, como equipo somos conscientes de que existen variadas mejoras que se podrían hacer a la solución, como relajar el supuesto de que la distribución de los productos es Poisson y estudiar en detalle otras posibles variables que podrían afectar los resultados del modelo, como los productos que son sustitutos entre ellos.

Como producto final obtuvimos un programa que era capaz de conectarse a los sistemas del cliente, ir a buscar la venta histórica, predecir la demanda que no había sido efectuada por problemas de disponibilidad, discriminar por probabilidad de quiebre, hacer una alerta y construir un KPI de manera automática. Todo esto en un flujo continuo de información que no terminaba en los servidores donde fue programado el modelo, sino en los celulares de la operación y en reportes de Power BI que revisaba cada gerencia.