CATEGORÍA: Gestión Estratégica

PROYECTO: Aplicando Machine Learning para pronóstico de ventas.

OBJETIVO: Incrementar ventas con inventarios sanos, para disminuir desabasto y sobrantes.

DESCRIPCIÓN: Para pronosticar la venta de los productos en cada una de las sucursales, Grupo La Comer desarrolló una fórmula para el resurtido de mercancía que incluye el uso de Inteligencia Artificial-Machine Learning. 

La proyección de venta se obtiene tomando en cuenta las ventas históricas por producto/sucursal, las promociones, los cambios de precio, las temporalidades, y los niveles de inventario. 

De esta manera, se construyó un motor de selección para evaluar y calificar los pronósticos históricos de cada algoritmo con respecto a la venta real. 

El proyecto fue implementado en una primera etapa como paralelo en una sucursal generando diversos indicadores de desempeño y permitiendo que los modelos fueran aprendiendo con la información histórica que se iba generando.

Concluido el paralelo se consideró un grupo de productos, tras la evaluación de resultados se fueron liberando otros grupos de artículos hasta llegar a la totalidad de una tienda.

Posteriormente, bajo esta misma metodología se liberaron grupos de tiendas hasta llegar a toda la cadena.

RESULTADOS/BENEFICIOS: El proyecto se implementó en todas las tiendas del Grupo (La Comer, Fresko, City Market y Sumesa) para los artículos que se manejan con resurtido automático de las divisiones de Abarrotes, Líneas Generales, Higiene, Salud y Belleza, Marca Propia y Perecederos. 

Para evaluar la efectividad de la fórmula, se utilizó la métrica del Error Porcentual Absoluto Medio (MAPE), la cual permite obtener en términos porcentuales el promedio de los errores entre el pronóstico y la venta real. En 2022, el MAPE obtuvo una mejora en 13 puntos porcentuales.

Otra de las métricas que se empleó fue el Error Porcentual, para identificar diferencias entre el pronóstico vs. la venta real de cada producto-sucursal. En 2022, se alcanzó una mejora de 12% respecto a la fórmula anterior. 

Gracias al empleo de machine learning, se optimizó la precisión de la fórmula de resurtido, mejorando sustancialmente el nivel de inventario de la compañía, e impactando de forma positiva la experiencia de compra de los clientes.

Algunos otros beneficios son: la reducción de excedentes y faltantes de inventario; reducción de horas de trabajo por parte de personal de tienda para auditar y revisar las órdenes de compra; reducción de horas de trabajo en compradores y equipo de abasto en tareas de monitoreo y generación de pedidos por faltantes de producto.Además de la disminución de mermas en sucursal; y una mayor eficiencia en el transporte de mercancía del centro de distribución a sucursales.