Caso de Estudio [IA y Modelos]: 15% de aumento en ventas de locales en Retail, creando modelos de asignación de turnos inteligente.

Dataforge presenta cómo uno de nuestros clientes de la industria del retail se enfrentó al problema de planificación mensual de los turnos de los cajeros de la empresa, que impacta directamente la última línea. Se realizó un piloto que permitió demostrar en la práctica un aumento de las ventas de un 15% y la disminución del costo de personal en un 30%. El piloto no se implementó por un reclamo por parte del sindicato de la empresa.

01. Desafío inicial

Para una organización de retail que tiene al menos 30 cajeros por local con diferentes perfiles (45, 30 y 20 horas semanales), derechos adquiridos y requisitos legales (por ejemplo fuero materno), construir una planificación mensual que cumpla con la ley vigente (horas de descanso, domingos libres, etc.) y que responda bien a la demanda es un verdadero dolor de cabeza. Además, para efectos de los clientes, esta planificación manual se traduce en horarios donde es posible ver muchos cajeros “ociosos” y otros horarios (peaks) donde se forman largas colas debido a la falta de cajeros, lo que genera no sólo una mala experiencia de cliente sino que mucha demanda perdida por clientes que abandonan la cola e incluso llegan y al ver las colas se van sin comprar nada.

02. Resultados obtenidos

Disminución de un 30% del costo de personal del local durante el piloto
Aumento de un 15% de las ventas sobre la proyección durante el piloto

03. Cómo se realizó el proyecto

El proyecto comenzó relevando la problemática y la forma de realizar la planificación de turnos mensuales. Luego se construyó un prototipo rápido para ver si un modelo matemático simple podía a priori resolver la problemática de planificación. Una vez que el prototipo dio los resultados esperados se desarrollaron dos modelos más sofisticados, uno asociado a asignar los turnos del personal existente para calzar de la mejor manera posible la demanda y otro que buscaba definir y asignar los mejores perfiles para satisfacer la demanda estimada. Se procedió a probar durante 3 meses el segundo modelo en un local piloto. El modelo entregó muy buenos resultados (disminución de costos de personal de un 30% y aumento de ventas en un 15%). El prototipo se detuvo por acción del sindicato de la empresa, dado el carácter disruptivo del segundo modelo (que involucraba cambiar perfiles de forma agresiva)

04. Aprendizajes

Existen muchos problemas reales que son aptos para la implementación de modelos matemáticos que permitan obtener mejores resultados. El desafío es lograr un equilibrio entre la teoría (lo que dicen los libros y se enseña en la universidad donde se suele simplificar los problemas y trabajar sobre datos completos y limpios) y la práctica (la realidad de los datos, cultura y procesos de la organización). Además, se debe buscar un modelo que no genere una resistencia al cambio tan grande que impida su implementación. De haber implementado el primer modelo no se habrían generado los problemas que tuvimos.

05. Relación a otras industrias

En todas las industrias existen problemáticas similares a la de asignar turnos. Al final es buscar el calce entre la oferta de algun recurso limitado (máquinas, departamentos, personas, autos, etc.) y la demanda asociada del recurso. Además, son modelos que pueden tener un impacto directo en la última línea del negocio y son muchos más escalables que el proceso no algorítmico (ya sea realizado por un humano o software). Se debe considerar que el hecho de “digitalizar” una tarea (pasar de papel a un software) no necesariamente significa que la tarea se haga de forma más óptima, y muchas veces existe un espacio relevante para mejorar el resultado.

Otros Casos de Estudio:

Escríbenos.

Usa el formulario a continuación para agendar una reunión con nosotros o resolver dudas.

Share This