Con la ayuda de Ibermática, Eroski ha puesto en marcha un sistema de Analítica Avanzada de datos para configurar un modelo predictivo que le permita optimizar el servicio de transporte de última milla de las compras que sus clientes quieren recibir en sus casas, lo que le asegura un ahorro significativo de costes.

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. Conocer 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, permite a Eroski ajustar la negociación de las tarifas con sus 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. Pues bien, 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.

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: la cercanía a festividades o la existencia de estados anómalos, como es el caso del contexto pandémico actual, pero especialmente durante las etapas de limitación en la movilidad de los ciudadanos y de cierres perimetrales.

El proyecto se ha desarrollado y puesto en producción a través de workflows analíticos orquestados mediante Rocket sobre la plataforma Stratio. El tracking de los modelos, su persistencia y comparación entre experimentos se llevó a cabo en MLPojects utilizando mlflow, asegurando de esta manera la calidad en el ciclo de vida completo de los modelos de machine learning creados.

Por otra parte, Ibermática ha conseguido demostrar de una forma objetiva, automática, descriptiva y auto- explicativa, cuáles son los patrones más relevantes sobre distintos indicadores que soportan, con una significancia estadística confiable, la ineficiencia en la generación de los pedidos online, en los distintos centros de distribución del Grupo Eroski.

Estas ineficiencias se traducen en costes muy significativos en cuanto a devoluciones, reembolsos, reaprovisionamientos, y un gran catálogo de gastos directos e indirectos. Asimismo, se han descubierto las combinaciones multifactoriales que motivan la aparición de incidencias en la entrega de los pedidos online en el cliente, determinando si dichas reclamaciones son reales a la hora de estimar su medición y, lo que es más importante, prediciendo y estimando aquellas incidencias no reportadas, con base de la medición del impacto directo y teórico en la satisfacción del cliente.