UN CASO DE USO ENTRE. rnIntroducciónrnLa reconocida empresa de automóviles española, Seat, fundada en 1950 y presente ya en más de 74 países, es la única empresa que diseña, desarrolla, fabrica y comercializa automóviles en España. Sus oficinas centrales se encuentran desde 1993 en el complejo industrial de la localidad española de Martorell (Barcelona).La compañía nos contactó con la necesidad de encontrar empresas especializadas en el sector del machine learning, para poder desarrollar el proyecto que actualmente tienen entre manos. Dada la especialización y experiencia que tenemos en el sector, decidimos aceptar el reto y acompañar a Seat a lo largo de todo el proceso, ayudando a garantizar la calidad en la entrega y evitar que se produjeran retrasos.NecesidadrnComo hemos dicho anteriormente, en Peninsula estamos especializados en la búsqueda de empresas innovadoras. Esa fue la razón por la que Seat nos seleccionó para cubrir su necesidad de realizar un mapeo inicial del mercado y seleccionar la empresa más adecuada para su proyecto O2D 4.0, un proyecto creado para satisfacer la necesidad de la empresa en el análisis predictivo de datos..El objetivo de este proyecto era predecir qué modelos y combinaciones de paquetes opcionales se iban a vender. Eso nos permitía anticipar la mezcla óptima de fabricación.Además, desde Peninsula también estuvimos a cargo de la gestión del proyecto y de la implementación del piloto, asegurando la calidad de la entrega.Solución planteada y ejecutada por PeninsularnEl objetivo de este proyecto era predecir qué modelos de coches y combinaciones de paquetes opcionales se iban a vender. El modelo predictivo debía ser capaz de predecir el tipo de ventas para diferentes momentos o etapas.Para llevar a cabo el proyecto, utilizamos una base de datos con información interna y externa sobre las ventas de coches. Las variables de nuestra base de datos se pudieron clasificar en los siguientes 6 grupos: Tendencias estacionales: Mes, clima, vacaciones escolares… Clics y configuraciones de la página web: Número de visitas, tiempo en el configurador… Tendencias del mercado: Tendencias de Google para la competencia, ranking de Alexa… Variables económicas: Índice de confianza del consumidor, producto interior bruto… Campañas de marketing: Visitas pagadas a la página web, anuncios de televisión… Ventas históricas: Ventas reales, rango.Los principales beneficios que obtuvimos a partir de un análisis avanzado fueron los siguientes:.Reducir el tiempo de entrega del coche: Sabremos lo que se va a exigir, para poder adelantar los pedidos.Reducir el stock de coches: Evitaremos producir coches que no se venden bien.Conocer las tendencias futuras: Conoceremos las tendencias de los diferentes tipos de coches y extras para poder generar futuros escenarios de mercado.Aumentar los beneficios: Reduciremos el número de coches que permanecen mucho tiempo sin venderse y por lo tanto es necesario aplicar tácticas.Las tendencias del mercado, los escenarios macroeconómicos, etc. Están en continua evolución. Por lo tanto, el modelo de predicción de las ventas de automóviles debe perfeccionarse periódicamente para adaptarse a los nuevos escenarios.Resultados obtenidosrnDespués de la implantación del piloto, el sistema fue capaz de calcular, la configuración detallada del 25% de ventas de los siguientes 3 meses con un 88% de fiabilidad. Con estos resultados fue posible conducir un 25% de la demanda de producción del cliente al fast lane, con lo que los tiempos de entrega de estos vehículos se redujeron drásticamente.Desarrollo y metodologíarnFase de descubrimiento del retornEl reto se basaba en hacer una predicción detallada de las ventas. Mediante entrevistas con el cliente, estudiamos cuál era la situación y el objetivo del proyecto: Poder hacer una predicción con una fidelidad superior al 85%.Fase de ScoutingrnDesde Peninsula realizamos una investigación del estado del arte de las tecnologías predictivas, y se comenzó un scouting entre las startups dedicadas al machine learning.De entre las empresas seleccionadas, se escogió realizar el piloto con Artelnics, basándonos en los siguientes criterios:.Madurez del producto: Artelnics ya dispone de un modelo funcionando desarrollado que solo es necesario configurar y entrenar con datos existentes.Madurez del equipo: El equipo de Artelnics tiene una experiencia de trabajar con clientes estudiando sus necesidades y aplicando su modelo de más de 4 años. Además de provenir de su equipo fundador de la universidad, donde han adquirido una gran experiencia y conocimiento de la materia.Cercanía al cliente: Artelnics es una empresa asentada en Salamanca, por lo que tiene facilidad para asistir a las reuniones con el cliente en Barcelona cuando sea necesario.Fase de PilotornNuestra responsabilidad en la fase Piloto era realizar el seguimiento de la implantación para garantizar que se cumplieran los objetivos en el tiempo marcado.Seguimiento de la ejecución.Para el seguimiento de la ejecución, dado que se trata de un proyecto con muchas variables y elevada incertidumbre se define, por lo tanto, un modelo con sprints y una reunión de seguimiento con el cliente donde se hace la revisión del sprint anterior y la planificación del sprint siguiente.Configuración de los sprints. Selección de fuentesrn Preparación de fuentesrn Configuración del modelorn Validación del modelo.El hecho de trabajar con un modelo ya creado facilitó que todo el proceso inicial se pudiera realizar en tan solo un mes.A partir de este primer mes se tenía configurado el modelo y ya era capaz de dar predicciones. A través de diferentes iteraciones, se van mejorando hasta conseguir el objetivo final.Durante el sprint Peninsula realizó el seguimiento junto al equipo de desarrollo para garantizar que se cumplieran los objetivos.En Peninsula ofrecemos nuestra experiencia en la búsqueda de empresas innovadoras, creando mapeos de mercado y seleccionando las empresas más adecuadas para los proyectos de nuestros clientes.Compartir este articulornShare on linkedinrnLinkedInrnShare on twitterrnTwitterrnMás casos de uso
Impulsando la Innovación en SEAT: Desarrollo de Análisis de Datos Predictivo
