Un sistema de Analítica Avanzada de datos ayudará a configurar un modelo predictivo que permita optimizar el servicio de transporte de última milla de las compras que los clientes Eroski quieren recibir en sus casas, lo que asegura un ahorro significativo de costes, entre otras ventajas.

La iniciativa, puesta en marcha por Eroski con el soporte TI de Ibermática, supone un importante impulso a su servicio de compra a domicilio gracias a la incorporación de técnicas de Inteligencia Artificial y Machine Learning dentro del ámbito del modelado predictivo y descriptivo para resolver diversas casuísticas que se consideran vitales en el centro del negocio, pero para las que hasta el momento no había una solución a través de los métodos habituales de programación o de inteligencia de negocio.

En este sentido, uno de los retos más importantes para cualquier empresa dentro del sector retail es el de 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.

Algoritmos para el transporte de última milla

En este contexto se 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 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.

De este modo, y según explican desde Eroski, conociendo 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, es posible ajustar la negociación de las tarifas con los proveedores de transporte, pudiendo asegurar un ahorro significativo de costes —hasta del 50 %—, ya que el propio proveedor también los ahorra al optimizar su servicio.

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, como la cercanía a festividades o la existencia de estados anómalos, especialmente durante las etapas de limitación en la movilidad de los ciudadanos y de cierres perimetrales como los que se dieron durante la pandemia. De hecho, 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 dos meses, sin que se vea afectada la satisfacción del cliente.

Resumen
Algoritmos que predicen los pedidos a domicilio y optimizan las entregas
Título
Algoritmos que predicen los pedidos a domicilio y optimizan las entregas
Descripción
Un sistema de Analítica Avanzada de datos ayudará a configurar un modelo predictivo que permita optimizar el servicio de transporte de última milla de las compras que los clientes Eroski quieren recibir en sus casas, lo que asegura un ahorro significativo de costes, entre otras ventajas.
Autor