![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2020\/11\/jerome-petit-.jpeg\")
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/05\/Logo-lsa.png\" "\\"Logo-lsa\\""){kind=logo}
<\/span><\/div>Si toutes les industries se doivent de produire la bonne quantit\u00e9, au bon moment, le secteur de la grande distribution est particuli\u00e8rement concern\u00e9 par la question de la gestion des stocks. Pour pr\u00e9voir les ventes, ces acteurs ne disposaient au mieux que de leur historique sur plusieurs ann\u00e9es. Une m\u00e9thode qui comporte pourtant certains biais. Aujourd'hui, gr\u00e2ce au machine learning, des mod\u00e8les pr\u00e9dictifs beaucoup plus justes peuvent \u00eatre construits, tenant compte d'un panel \u00e9largi de signaux influants sur la consommation.<\/p>\n<\/div>
Al margen de la historia de las ventas: el reto de la gran distribuci\u00f3n<\/h2><\/div>Dado que se trata de un volumen muy grande de productos de referencia que se consumen a diario y a veces son perecederos, la gesti\u00f3n de los pedidos y de las existencias es un verdadero desaf\u00edo para el sector de los PGC (Productos de Gran Consumo). Aux \u00c9tats-Unis, les sous et surstocks ainsi que les retours produits co\u00fbteraient 1,75 milliards de dollars par an. Hasta ahora, para reducir los costes de inversi\u00f3n y explotaci\u00f3n, la informaci\u00f3n sobre la que reposaban las previsiones de sus ERP (Enterprise Resource Planning) era mayoritariamente el hist\u00f3rico de ventas de varios a\u00f1os. Sin embargo, estos m\u00e9todos basados en la comparaci\u00f3n de las ventas de un a\u00f1o a otro son fuente de errores.<\/p>\n<\/div>
De multiples param\u00e8tres influent sur l'\u00e9tat des stocks<\/h2><\/div>Sobre todo porque, en un mismo periodo, numerosos par\u00e1metros pueden modificar los comportamientos de compra. Puede tratarse de la meteorolog\u00eda, de las tendencias de consumo (efecto \u00abGlobal Shoppers\u00bb para las categor\u00edas pertinentes para un cliente tur\u00edstico como el lujo, cambio de la normativa), del lanzamiento de un nuevo producto en una categor\u00eda raramente renovada, de una crisis sanitaria (\u00a1!), de nuevos comportamientos, etc. Adem\u00e1s, este tipo de previsi\u00f3n no tiene en cuenta la evoluci\u00f3n de los valores, es decir, su potencial intermitencia, ya que \u00abdisipan\u00bb las ventas como si fueran forzosamente regulares. O, une rupture de stock a pu dans le pass\u00e9 entra\u00eener l'arr\u00eat temporaire des ventes d'un produit ou de toute une cat\u00e9gorie. Ces ruptures sont ainsi interpr\u00e9t\u00e9es comme un signe de d\u00e9sint\u00e9r\u00eat des consommateurs alors qu'elles peuvent, au contraire, marquer des ventes plus \u00e9lev\u00e9es qu'\u00e0 la normale. Enfin, il faut noter qu'une rupture en ray\u00f3n ne signifie pas forc\u00e9ment rupture de stock. Difficile dans une grande surface d'assurer le r\u00e9approvisionnement des rayons en temps r\u00e9el. Aligner la cha\u00eene d'approvisionnement sur la demande \u00e0 l'aide d'une technologie capable de relever ces d\u00e9fis \u00e9tait donc une attente forte des distributeurs.<\/p>\n<\/div>
El aprendizaje autom\u00e1tico al servicio del hombre en las tiendas<\/h2><\/div>Por tanto, \u00a1es una elecci\u00f3n hecha con Machine Learning! Para construir modelos capaces de predecir las ventas en 4 semanas, hay que tener en cuenta un m\u00e1ximo de fen\u00f3menos susceptibles de influir en la evoluci\u00f3n de las ventas y describir con precisi\u00f3n cada tripleta D\u00eda x Producto x Tienda a trav\u00e9s de un conjunto de indicadores como la estacionalidad, las tendencias o incluso los precios. \u00bfPor qu\u00e9 ser preciso con estos tres indicadores? Prenons en exemple la saisonnalit\u00e9, si les pr\u00e9dictions ne sont r\u00e9alis\u00e9es que sur la base de la date d'achat, celles-ci risquent d'\u00eatre biais\u00e9es. De un a\u00f1o a otro, una misma fecha puede corresponder o no a un d\u00eda de fin de semana, a una fiesta familiar o religiosa, a un partido importante de f\u00fatbol... son otros tantos acontecimientos por los que el consumo se dispara en determinadas categor\u00edas de productos. Otro ejemplo son los precios, las ofertas promocionales de un producto pueden canibalizar las ventas de productos de la misma categor\u00eda o incluso aumentar bruscamente el atractivo de una tienda. Para optimizar una estrategia promocional, es necesario poder apreciar el impacto. El conjunto de par\u00e1metros susceptibles de influir en las ventas puede analizarse mediante modelos basados en el aprendizaje autom\u00e1tico y en t\u00e9cnicas de inteligencia artificial avanzadas.<\/p>\n<\/div>
Deux applications concr\u00e8tes du Machine Learning sur des probl\u00e9matiques de stock<\/h2><\/div>Si la tecnolog\u00eda est\u00e1 disponible, a\u00fan es necesario que los distribuidores puedan recopilar y analizar la inmensa cantidad de datos necesarios para estas predicciones. Las fuentes de datos son m\u00faltiples, por lo que puede resultar complejo extraer y reunir los distintos archivos Excel y PDF en los que se encuentra la informaci\u00f3n relativa a los planes de medios y otros informes. Contar con grandes herramientas data para reunir en un mismo punto los datos protegidos es una base fundamental para crear, a continuaci\u00f3n, modelos capaces de resolver los problemas relacionados con las existencias. He aqu\u00ed dos ejemplos.<\/p>\n<\/div>
La gran mayor\u00eda de los distribuidores proporcionan datos de ventas de varios a\u00f1os. Sin embargo, algunos pueden tener que hacer frente a operaciones promocionales o a acontecimientos (caniculares, organizaci\u00f3n de un evento deportivo de gran envergadura en una zona pr\u00f3xima) sin previo aviso. Para paliar este d\u00e9ficit, es posible combinar los datos hist\u00f3ricos deficitarios con los de distribuidores o puntos de venta de perfiles similares. Este modelo ha sido probado y aprobado por Artefact en una plataforma 020 en China con un aumento de 20% de precisi\u00f3n en las previsiones.<\/p>\n<\/div>
Autre d\u00e9fi : \u00e9viter la rupture en rayon alors que le produit est pr\u00e9sent en stock. Il est difficile de demander aux salari\u00e9s d'une grande surface de v\u00e9rifier en continu le remplissage des \u00e9tag\u00e8res. En outre, l'installation de cam\u00e9ras et de capteurs est tr\u00e8s co\u00fbteuse. En este caso concreto, los conjuntos de datos restantes, como las ventas en tiempo real, los atributos del art\u00edculo y las caracter\u00edsticas de los ra\u00edles, bastan para anticipar las roturas de existencias en ra\u00edles. Il s'agit, par exemple, de mod\u00e9liser la fr\u00e9quence d'\u00e9coulement, c'est-\u00e0-dire le temps \u00e9coul\u00e9 entre deux ventes d'un m\u00eame produit propos\u00e9 par un magasin. En cas d'anomalie statistique, un vendeur peut \u00eatre d\u00e9p\u00each\u00e9 pour analyser la situation et y rem\u00e9dier.<\/p>\n<\/div>
Las aplicaciones de la data y del Machine Learning en el sector del Retail son m\u00faltiples, y la previsi\u00f3n de las ventas no representa m\u00e1s que una \u00ednfima parte. Adem\u00e1s del aumento de la cifra de negocios que se consigue optimizando la gesti\u00f3n de las existencias, la explotaci\u00f3n de la informaci\u00f3n puede ser de gran ayuda en la cadena de suministro o en la comercializaci\u00f3n. Un verdadero coadyuvante para el ser humano que, as\u00ed liberado de tareas demasiado complejas para obtener resultados fiables o demasiado cr\u00f3nicos, puede dedicar m\u00e1s tiempo a su estrategia comercial o a la mejora de la experiencia del cliente.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
M\u00e1s all\u00e1 del aumento de la cifra de negocios que se consigue optimizando la gesti\u00f3n de las existencias, la explotaci\u00f3n de la donaci\u00f3n puede suponer una ayuda preciosa en la cadena de suministro o en la comercializaci\u00f3n. Un v\u00e9ritable adjuvant pour l'humain, rappelle J\u00e9r\u00f4me Petit, Associ\u00e9, Artefact dans cette tribune pour LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Dado que se trata de un volumen muy grande de productos de referencia que se consumen a diario y a veces son perecederos, la gesti\u00f3n de los pedidos y de las existencias es un verdadero desaf\u00edo para el sector de los PGC (Productos de Gran Consumo). Aux \u00c9tats-Unis, les sous et surstocks ainsi que les retours produits co\u00fbteraient 1,75 milliards de dollars par an. Hasta ahora, para reducir los costes de inversi\u00f3n y explotaci\u00f3n, la informaci\u00f3n sobre la que reposaban las previsiones de sus ERP (Enterprise Resource Planning) era mayoritariamente el hist\u00f3rico de ventas de varios a\u00f1os. Sin embargo, estos m\u00e9todos basados en la comparaci\u00f3n de las ventas de un a\u00f1o a otro son fuente de errores.<\/p>\n<\/div>
De multiples param\u00e8tres influent sur l'\u00e9tat des stocks<\/h2><\/div>Sobre todo porque, en un mismo periodo, numerosos par\u00e1metros pueden modificar los comportamientos de compra. Puede tratarse de la meteorolog\u00eda, de las tendencias de consumo (efecto \u00abGlobal Shoppers\u00bb para las categor\u00edas pertinentes para un cliente tur\u00edstico como el lujo, cambio de la normativa), del lanzamiento de un nuevo producto en una categor\u00eda raramente renovada, de una crisis sanitaria (\u00a1!), de nuevos comportamientos, etc. Adem\u00e1s, este tipo de previsi\u00f3n no tiene en cuenta la evoluci\u00f3n de los valores, es decir, su potencial intermitencia, ya que \u00abdisipan\u00bb las ventas como si fueran forzosamente regulares. O, une rupture de stock a pu dans le pass\u00e9 entra\u00eener l'arr\u00eat temporaire des ventes d'un produit ou de toute une cat\u00e9gorie. Ces ruptures sont ainsi interpr\u00e9t\u00e9es comme un signe de d\u00e9sint\u00e9r\u00eat des consommateurs alors qu'elles peuvent, au contraire, marquer des ventes plus \u00e9lev\u00e9es qu'\u00e0 la normale. Enfin, il faut noter qu'une rupture en ray\u00f3n ne signifie pas forc\u00e9ment rupture de stock. Difficile dans une grande surface d'assurer le r\u00e9approvisionnement des rayons en temps r\u00e9el. Aligner la cha\u00eene d'approvisionnement sur la demande \u00e0 l'aide d'une technologie capable de relever ces d\u00e9fis \u00e9tait donc une attente forte des distributeurs.<\/p>\n<\/div>
El aprendizaje autom\u00e1tico al servicio del hombre en las tiendas<\/h2><\/div>Por tanto, \u00a1es una elecci\u00f3n hecha con Machine Learning! Para construir modelos capaces de predecir las ventas en 4 semanas, hay que tener en cuenta un m\u00e1ximo de fen\u00f3menos susceptibles de influir en la evoluci\u00f3n de las ventas y describir con precisi\u00f3n cada tripleta D\u00eda x Producto x Tienda a trav\u00e9s de un conjunto de indicadores como la estacionalidad, las tendencias o incluso los precios. \u00bfPor qu\u00e9 ser preciso con estos tres indicadores? Prenons en exemple la saisonnalit\u00e9, si les pr\u00e9dictions ne sont r\u00e9alis\u00e9es que sur la base de la date d'achat, celles-ci risquent d'\u00eatre biais\u00e9es. De un a\u00f1o a otro, una misma fecha puede corresponder o no a un d\u00eda de fin de semana, a una fiesta familiar o religiosa, a un partido importante de f\u00fatbol... son otros tantos acontecimientos por los que el consumo se dispara en determinadas categor\u00edas de productos. Otro ejemplo son los precios, las ofertas promocionales de un producto pueden canibalizar las ventas de productos de la misma categor\u00eda o incluso aumentar bruscamente el atractivo de una tienda. Para optimizar una estrategia promocional, es necesario poder apreciar el impacto. El conjunto de par\u00e1metros susceptibles de influir en las ventas puede analizarse mediante modelos basados en el aprendizaje autom\u00e1tico y en t\u00e9cnicas de inteligencia artificial avanzadas.<\/p>\n<\/div>
Deux applications concr\u00e8tes du Machine Learning sur des probl\u00e9matiques de stock<\/h2><\/div>Si la tecnolog\u00eda est\u00e1 disponible, a\u00fan es necesario que los distribuidores puedan recopilar y analizar la inmensa cantidad de datos necesarios para estas predicciones. Las fuentes de datos son m\u00faltiples, por lo que puede resultar complejo extraer y reunir los distintos archivos Excel y PDF en los que se encuentra la informaci\u00f3n relativa a los planes de medios y otros informes. Contar con grandes herramientas data para reunir en un mismo punto los datos protegidos es una base fundamental para crear, a continuaci\u00f3n, modelos capaces de resolver los problemas relacionados con las existencias. He aqu\u00ed dos ejemplos.<\/p>\n<\/div>
La gran mayor\u00eda de los distribuidores proporcionan datos de ventas de varios a\u00f1os. Sin embargo, algunos pueden tener que hacer frente a operaciones promocionales o a acontecimientos (caniculares, organizaci\u00f3n de un evento deportivo de gran envergadura en una zona pr\u00f3xima) sin previo aviso. Para paliar este d\u00e9ficit, es posible combinar los datos hist\u00f3ricos deficitarios con los de distribuidores o puntos de venta de perfiles similares. Este modelo ha sido probado y aprobado por Artefact en una plataforma 020 en China con un aumento de 20% de precisi\u00f3n en las previsiones.<\/p>\n<\/div>
Autre d\u00e9fi : \u00e9viter la rupture en rayon alors que le produit est pr\u00e9sent en stock. Il est difficile de demander aux salari\u00e9s d'une grande surface de v\u00e9rifier en continu le remplissage des \u00e9tag\u00e8res. En outre, l'installation de cam\u00e9ras et de capteurs est tr\u00e8s co\u00fbteuse. En este caso concreto, los conjuntos de datos restantes, como las ventas en tiempo real, los atributos del art\u00edculo y las caracter\u00edsticas de los ra\u00edles, bastan para anticipar las roturas de existencias en ra\u00edles. Il s'agit, par exemple, de mod\u00e9liser la fr\u00e9quence d'\u00e9coulement, c'est-\u00e0-dire le temps \u00e9coul\u00e9 entre deux ventes d'un m\u00eame produit propos\u00e9 par un magasin. En cas d'anomalie statistique, un vendeur peut \u00eatre d\u00e9p\u00each\u00e9 pour analyser la situation et y rem\u00e9dier.<\/p>\n<\/div>
Las aplicaciones de la data y del Machine Learning en el sector del Retail son m\u00faltiples, y la previsi\u00f3n de las ventas no representa m\u00e1s que una \u00ednfima parte. Adem\u00e1s del aumento de la cifra de negocios que se consigue optimizando la gesti\u00f3n de las existencias, la explotaci\u00f3n de la informaci\u00f3n puede ser de gran ayuda en la cadena de suministro o en la comercializaci\u00f3n. Un verdadero coadyuvante para el ser humano que, as\u00ed liberado de tareas demasiado complejas para obtener resultados fiables o demasiado cr\u00f3nicos, puede dedicar m\u00e1s tiempo a su estrategia comercial o a la mejora de la experiencia del cliente.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
M\u00e1s all\u00e1 del aumento de la cifra de negocios que se consigue optimizando la gesti\u00f3n de las existencias, la explotaci\u00f3n de la donaci\u00f3n puede suponer una ayuda preciosa en la cadena de suministro o en la comercializaci\u00f3n. Un v\u00e9ritable adjuvant pour l'humain, rappelle J\u00e9r\u00f4me Petit, Associ\u00e9, Artefact dans cette tribune pour LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Sobre todo porque, en un mismo periodo, numerosos par\u00e1metros pueden modificar los comportamientos de compra. Puede tratarse de la meteorolog\u00eda, de las tendencias de consumo (efecto \u00abGlobal Shoppers\u00bb para las categor\u00edas pertinentes para un cliente tur\u00edstico como el lujo, cambio de la normativa), del lanzamiento de un nuevo producto en una categor\u00eda raramente renovada, de una crisis sanitaria (\u00a1!), de nuevos comportamientos, etc. Adem\u00e1s, este tipo de previsi\u00f3n no tiene en cuenta la evoluci\u00f3n de los valores, es decir, su potencial intermitencia, ya que \u00abdisipan\u00bb las ventas como si fueran forzosamente regulares. O, une rupture de stock a pu dans le pass\u00e9 entra\u00eener l'arr\u00eat temporaire des ventes d'un produit ou de toute une cat\u00e9gorie. Ces ruptures sont ainsi interpr\u00e9t\u00e9es comme un signe de d\u00e9sint\u00e9r\u00eat des consommateurs alors qu'elles peuvent, au contraire, marquer des ventes plus \u00e9lev\u00e9es qu'\u00e0 la normale. Enfin, il faut noter qu'une rupture en ray\u00f3n ne signifie pas forc\u00e9ment rupture de stock. Difficile dans une grande surface d'assurer le r\u00e9approvisionnement des rayons en temps r\u00e9el. Aligner la cha\u00eene d'approvisionnement sur la demande \u00e0 l'aide d'une technologie capable de relever ces d\u00e9fis \u00e9tait donc une attente forte des distributeurs.<\/p>\n<\/div>
El aprendizaje autom\u00e1tico al servicio del hombre en las tiendas<\/h2><\/div>Por tanto, \u00a1es una elecci\u00f3n hecha con Machine Learning! Para construir modelos capaces de predecir las ventas en 4 semanas, hay que tener en cuenta un m\u00e1ximo de fen\u00f3menos susceptibles de influir en la evoluci\u00f3n de las ventas y describir con precisi\u00f3n cada tripleta D\u00eda x Producto x Tienda a trav\u00e9s de un conjunto de indicadores como la estacionalidad, las tendencias o incluso los precios. \u00bfPor qu\u00e9 ser preciso con estos tres indicadores? Prenons en exemple la saisonnalit\u00e9, si les pr\u00e9dictions ne sont r\u00e9alis\u00e9es que sur la base de la date d'achat, celles-ci risquent d'\u00eatre biais\u00e9es. De un a\u00f1o a otro, una misma fecha puede corresponder o no a un d\u00eda de fin de semana, a una fiesta familiar o religiosa, a un partido importante de f\u00fatbol... son otros tantos acontecimientos por los que el consumo se dispara en determinadas categor\u00edas de productos. Otro ejemplo son los precios, las ofertas promocionales de un producto pueden canibalizar las ventas de productos de la misma categor\u00eda o incluso aumentar bruscamente el atractivo de una tienda. Para optimizar una estrategia promocional, es necesario poder apreciar el impacto. El conjunto de par\u00e1metros susceptibles de influir en las ventas puede analizarse mediante modelos basados en el aprendizaje autom\u00e1tico y en t\u00e9cnicas de inteligencia artificial avanzadas.<\/p>\n<\/div>
Deux applications concr\u00e8tes du Machine Learning sur des probl\u00e9matiques de stock<\/h2><\/div>Si la tecnolog\u00eda est\u00e1 disponible, a\u00fan es necesario que los distribuidores puedan recopilar y analizar la inmensa cantidad de datos necesarios para estas predicciones. Las fuentes de datos son m\u00faltiples, por lo que puede resultar complejo extraer y reunir los distintos archivos Excel y PDF en los que se encuentra la informaci\u00f3n relativa a los planes de medios y otros informes. Contar con grandes herramientas data para reunir en un mismo punto los datos protegidos es una base fundamental para crear, a continuaci\u00f3n, modelos capaces de resolver los problemas relacionados con las existencias. He aqu\u00ed dos ejemplos.<\/p>\n<\/div>
La gran mayor\u00eda de los distribuidores proporcionan datos de ventas de varios a\u00f1os. Sin embargo, algunos pueden tener que hacer frente a operaciones promocionales o a acontecimientos (caniculares, organizaci\u00f3n de un evento deportivo de gran envergadura en una zona pr\u00f3xima) sin previo aviso. Para paliar este d\u00e9ficit, es posible combinar los datos hist\u00f3ricos deficitarios con los de distribuidores o puntos de venta de perfiles similares. Este modelo ha sido probado y aprobado por Artefact en una plataforma 020 en China con un aumento de 20% de precisi\u00f3n en las previsiones.<\/p>\n<\/div>
Autre d\u00e9fi : \u00e9viter la rupture en rayon alors que le produit est pr\u00e9sent en stock. Il est difficile de demander aux salari\u00e9s d'une grande surface de v\u00e9rifier en continu le remplissage des \u00e9tag\u00e8res. En outre, l'installation de cam\u00e9ras et de capteurs est tr\u00e8s co\u00fbteuse. En este caso concreto, los conjuntos de datos restantes, como las ventas en tiempo real, los atributos del art\u00edculo y las caracter\u00edsticas de los ra\u00edles, bastan para anticipar las roturas de existencias en ra\u00edles. Il s'agit, par exemple, de mod\u00e9liser la fr\u00e9quence d'\u00e9coulement, c'est-\u00e0-dire le temps \u00e9coul\u00e9 entre deux ventes d'un m\u00eame produit propos\u00e9 par un magasin. En cas d'anomalie statistique, un vendeur peut \u00eatre d\u00e9p\u00each\u00e9 pour analyser la situation et y rem\u00e9dier.<\/p>\n<\/div>
Las aplicaciones de la data y del Machine Learning en el sector del Retail son m\u00faltiples, y la previsi\u00f3n de las ventas no representa m\u00e1s que una \u00ednfima parte. Adem\u00e1s del aumento de la cifra de negocios que se consigue optimizando la gesti\u00f3n de las existencias, la explotaci\u00f3n de la informaci\u00f3n puede ser de gran ayuda en la cadena de suministro o en la comercializaci\u00f3n. Un verdadero coadyuvante para el ser humano que, as\u00ed liberado de tareas demasiado complejas para obtener resultados fiables o demasiado cr\u00f3nicos, puede dedicar m\u00e1s tiempo a su estrategia comercial o a la mejora de la experiencia del cliente.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
M\u00e1s all\u00e1 del aumento de la cifra de negocios que se consigue optimizando la gesti\u00f3n de las existencias, la explotaci\u00f3n de la donaci\u00f3n puede suponer una ayuda preciosa en la cadena de suministro o en la comercializaci\u00f3n. Un v\u00e9ritable adjuvant pour l'humain, rappelle J\u00e9r\u00f4me Petit, Associ\u00e9, Artefact dans cette tribune pour LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Por tanto, \u00a1es una elecci\u00f3n hecha con Machine Learning! Para construir modelos capaces de predecir las ventas en 4 semanas, hay que tener en cuenta un m\u00e1ximo de fen\u00f3menos susceptibles de influir en la evoluci\u00f3n de las ventas y describir con precisi\u00f3n cada tripleta D\u00eda x Producto x Tienda a trav\u00e9s de un conjunto de indicadores como la estacionalidad, las tendencias o incluso los precios. \u00bfPor qu\u00e9 ser preciso con estos tres indicadores? Prenons en exemple la saisonnalit\u00e9, si les pr\u00e9dictions ne sont r\u00e9alis\u00e9es que sur la base de la date d'achat, celles-ci risquent d'\u00eatre biais\u00e9es. De un a\u00f1o a otro, una misma fecha puede corresponder o no a un d\u00eda de fin de semana, a una fiesta familiar o religiosa, a un partido importante de f\u00fatbol... son otros tantos acontecimientos por los que el consumo se dispara en determinadas categor\u00edas de productos. Otro ejemplo son los precios, las ofertas promocionales de un producto pueden canibalizar las ventas de productos de la misma categor\u00eda o incluso aumentar bruscamente el atractivo de una tienda. Para optimizar una estrategia promocional, es necesario poder apreciar el impacto. El conjunto de par\u00e1metros susceptibles de influir en las ventas puede analizarse mediante modelos basados en el aprendizaje autom\u00e1tico y en t\u00e9cnicas de inteligencia artificial avanzadas.<\/p>\n<\/div>
Deux applications concr\u00e8tes du Machine Learning sur des probl\u00e9matiques de stock<\/h2><\/div>Si la tecnolog\u00eda est\u00e1 disponible, a\u00fan es necesario que los distribuidores puedan recopilar y analizar la inmensa cantidad de datos necesarios para estas predicciones. Las fuentes de datos son m\u00faltiples, por lo que puede resultar complejo extraer y reunir los distintos archivos Excel y PDF en los que se encuentra la informaci\u00f3n relativa a los planes de medios y otros informes. Contar con grandes herramientas data para reunir en un mismo punto los datos protegidos es una base fundamental para crear, a continuaci\u00f3n, modelos capaces de resolver los problemas relacionados con las existencias. He aqu\u00ed dos ejemplos.<\/p>\n<\/div>
La gran mayor\u00eda de los distribuidores proporcionan datos de ventas de varios a\u00f1os. Sin embargo, algunos pueden tener que hacer frente a operaciones promocionales o a acontecimientos (caniculares, organizaci\u00f3n de un evento deportivo de gran envergadura en una zona pr\u00f3xima) sin previo aviso. Para paliar este d\u00e9ficit, es posible combinar los datos hist\u00f3ricos deficitarios con los de distribuidores o puntos de venta de perfiles similares. Este modelo ha sido probado y aprobado por Artefact en una plataforma 020 en China con un aumento de 20% de precisi\u00f3n en las previsiones.<\/p>\n<\/div>
Autre d\u00e9fi : \u00e9viter la rupture en rayon alors que le produit est pr\u00e9sent en stock. Il est difficile de demander aux salari\u00e9s d'une grande surface de v\u00e9rifier en continu le remplissage des \u00e9tag\u00e8res. En outre, l'installation de cam\u00e9ras et de capteurs est tr\u00e8s co\u00fbteuse. En este caso concreto, los conjuntos de datos restantes, como las ventas en tiempo real, los atributos del art\u00edculo y las caracter\u00edsticas de los ra\u00edles, bastan para anticipar las roturas de existencias en ra\u00edles. Il s'agit, par exemple, de mod\u00e9liser la fr\u00e9quence d'\u00e9coulement, c'est-\u00e0-dire le temps \u00e9coul\u00e9 entre deux ventes d'un m\u00eame produit propos\u00e9 par un magasin. En cas d'anomalie statistique, un vendeur peut \u00eatre d\u00e9p\u00each\u00e9 pour analyser la situation et y rem\u00e9dier.<\/p>\n<\/div>
Las aplicaciones de la data y del Machine Learning en el sector del Retail son m\u00faltiples, y la previsi\u00f3n de las ventas no representa m\u00e1s que una \u00ednfima parte. Adem\u00e1s del aumento de la cifra de negocios que se consigue optimizando la gesti\u00f3n de las existencias, la explotaci\u00f3n de la informaci\u00f3n puede ser de gran ayuda en la cadena de suministro o en la comercializaci\u00f3n. Un verdadero coadyuvante para el ser humano que, as\u00ed liberado de tareas demasiado complejas para obtener resultados fiables o demasiado cr\u00f3nicos, puede dedicar m\u00e1s tiempo a su estrategia comercial o a la mejora de la experiencia del cliente.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
M\u00e1s all\u00e1 del aumento de la cifra de negocios que se consigue optimizando la gesti\u00f3n de las existencias, la explotaci\u00f3n de la donaci\u00f3n puede suponer una ayuda preciosa en la cadena de suministro o en la comercializaci\u00f3n. Un v\u00e9ritable adjuvant pour l'humain, rappelle J\u00e9r\u00f4me Petit, Associ\u00e9, Artefact dans cette tribune pour LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Si la tecnolog\u00eda est\u00e1 disponible, a\u00fan es necesario que los distribuidores puedan recopilar y analizar la inmensa cantidad de datos necesarios para estas predicciones. Las fuentes de datos son m\u00faltiples, por lo que puede resultar complejo extraer y reunir los distintos archivos Excel y PDF en los que se encuentra la informaci\u00f3n relativa a los planes de medios y otros informes. Contar con grandes herramientas data para reunir en un mismo punto los datos protegidos es una base fundamental para crear, a continuaci\u00f3n, modelos capaces de resolver los problemas relacionados con las existencias. He aqu\u00ed dos ejemplos.<\/p>\n<\/div>
La gran mayor\u00eda de los distribuidores proporcionan datos de ventas de varios a\u00f1os. Sin embargo, algunos pueden tener que hacer frente a operaciones promocionales o a acontecimientos (caniculares, organizaci\u00f3n de un evento deportivo de gran envergadura en una zona pr\u00f3xima) sin previo aviso. Para paliar este d\u00e9ficit, es posible combinar los datos hist\u00f3ricos deficitarios con los de distribuidores o puntos de venta de perfiles similares. Este modelo ha sido probado y aprobado por Artefact en una plataforma 020 en China con un aumento de 20% de precisi\u00f3n en las previsiones.<\/p>\n<\/div>
Autre d\u00e9fi : \u00e9viter la rupture en rayon alors que le produit est pr\u00e9sent en stock. Il est difficile de demander aux salari\u00e9s d'une grande surface de v\u00e9rifier en continu le remplissage des \u00e9tag\u00e8res. En outre, l'installation de cam\u00e9ras et de capteurs est tr\u00e8s co\u00fbteuse. En este caso concreto, los conjuntos de datos restantes, como las ventas en tiempo real, los atributos del art\u00edculo y las caracter\u00edsticas de los ra\u00edles, bastan para anticipar las roturas de existencias en ra\u00edles. Il s'agit, par exemple, de mod\u00e9liser la fr\u00e9quence d'\u00e9coulement, c'est-\u00e0-dire le temps \u00e9coul\u00e9 entre deux ventes d'un m\u00eame produit propos\u00e9 par un magasin. En cas d'anomalie statistique, un vendeur peut \u00eatre d\u00e9p\u00each\u00e9 pour analyser la situation et y rem\u00e9dier.<\/p>\n<\/div>
Las aplicaciones de la data y del Machine Learning en el sector del Retail son m\u00faltiples, y la previsi\u00f3n de las ventas no representa m\u00e1s que una \u00ednfima parte. Adem\u00e1s del aumento de la cifra de negocios que se consigue optimizando la gesti\u00f3n de las existencias, la explotaci\u00f3n de la informaci\u00f3n puede ser de gran ayuda en la cadena de suministro o en la comercializaci\u00f3n. Un verdadero coadyuvante para el ser humano que, as\u00ed liberado de tareas demasiado complejas para obtener resultados fiables o demasiado cr\u00f3nicos, puede dedicar m\u00e1s tiempo a su estrategia comercial o a la mejora de la experiencia del cliente.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
M\u00e1s all\u00e1 del aumento de la cifra de negocios que se consigue optimizando la gesti\u00f3n de las existencias, la explotaci\u00f3n de la donaci\u00f3n puede suponer una ayuda preciosa en la cadena de suministro o en la comercializaci\u00f3n. Un v\u00e9ritable adjuvant pour l'humain, rappelle J\u00e9r\u00f4me Petit, Associ\u00e9, Artefact dans cette tribune pour LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}