El problema
Una empresa de bebidas quiere saber el potencial en ventas que podría tener la incorporación de nuevos equipos de enfriamiento en sus puntos de venta. La motivación detrás de esto, es que la empresa estima que las ventas se ven afectadas de forma positiva al existir estos equipos en las tiendas, ya que el hecho que una bebida esté helada debería ser más atractiva a la hora de vender. La empresa está interesada en cuantificar este último fenómeno usando técnicas de aprendizaje de máquina. Adicionalmente, la empresa está interesada en cuantificar el efecto que tendría la incorporación de nuevos puntos de venta en el revenue final.
Nuestro enfoque
Dado que el interés era ver el efecto de agregar nuevos equipos en las ventas, nos propusimos en que los modelos de aprendizaje de máquina desarrollados tuvieran su enfoque en esta variable., i.e, el número de equipos actuales.
Por otra parte, consideramos que la zona en donde se ubica un punto de venta debería influir en las ventas de ese punto. Por ello creemos que sería de utilidad contar con un modelo que estime el potencial de cada zona geográfica en una región.
El desarrollo
Se desarrollaron los modelos de aprendizaje de máquina para predecir las ventas tomando en cuenta distintas variables predictivas, como por ejemplo, el número de equipos actuales, variables geográficas, y comportamiento histórico entre otras.
Además se desarrolló un modelo para estimar el potencial de distintas zonas geográficas dentro de un país con el fin de ver qué zonas son más atractivas a la hora de invertir.
Por último, se desarrolló un modelo que permite estimar las ventas de potenciales puntos de venta nuevos a partir de datos externos.
Conclusiones e impacto
- Las soluciones entregadas por el modelo permitieron cuantificar el efecto que tienen en las ventas la incorporación de equipos de enfriamiento en los puntos de venta en una variedad de escenarios.
- Los métodos de aprendizaje de máquina fueron de utilidad para estimar las ventas de la empresa tomando en cuenta distintas variables predictivas.
