Predicción actividad entrega a domicilio (logística Última Milla)
Mondragon
Sector: Comercio
Business Case
El número de pedidos a entregar en el domicilio de los clientes no es homogéneo, sufriendo oscilaciones motivadas por variables internas y externas. Un correcto dimensionamiento a las necesidades puntuales de los equipos de transporte que se encargan de la entrega a domicilio, facilita la satisfacción del cliente y la eficiencia.
Objetivos
Disponer de una predicción de los pedidos de e-commerce a entregar en los domicilios de la clientela que permita un correcto dimensionamiento de los equipos de transporte asegurando el compromiso de puntualidad.
Use case
Contar con un modelo predictivo para el número de pedidos diario a entregar en el domicilio de los clientes por cada equipo de transporte en un horizonte de 30 días.
Infraestructura
On Premise
Tecnologías utilizadas
Machine Learning y Deep Learning
Datos utilizados
Series temporales de variable dependiente, variables temporales de captura de estacionalidad y regresores de carácter comercial.
Recursos utilizados
Personal especializado en data y analítica: científicos del dato, ingenieros de datos, ingenieros de visualización de datos. Arquitectura específica de big data inluyendo data fabric. Herramienta de analítica descriptiva para el consumo de output de modelo y MLOps.
Dificultades y aprendizaje
La principal enseñanza del modelo consistió en encontrar el tratamiento apropiado a la parte de la serie temporal de entrenamiento correspondiente al confinamiento por COVID, ya que durante este tiempo la demanda de este tipo de servicios creció de manera muy importante y súbita.
KPIs (impacto en el negocio y métricas del modelo)
Métricas de monitorización de capacidad predictiva del modelo: MAE y WAPE.
Financiación
Sin financiación externa.
Colaboradores
Consultoría especializada
