AI & Big Data

Casos de uso

El desafío

Ser capaces de anticiparnos a la demanda aplicando inteligencia a la información histórica de que disponemos.

Solution arrow

Mira la solución

Los patrones de compra de los usuarios oscilan por diversos factores: estacionalidad, eventos deportivos, climatología. Además, nos podemos apoyar en indicadores como las tendencias de búsqueda en Google, que pueden indicarnos un pico de demanda de un producto concreto.

Analizando la relación de estos factores con los datos históricos de ventas, y tratando de identificar similitudes entre la demanda de productos similares, hemos sido capaces de mejorar drásticamente la eficiencia de la cadena de suministro.

Venta cruzada

Ejemplo que ha pasado a leyenda:

Correlación que encontró Walmart entre compras de cerveza y pañales

El desafío

Detectar estas agrupaciones es fundamental en el mundo del retail, ya que nos permite estimular las ventas, ya sea situando los productos físicamente juntos en las grandes superficies, o generando cupones de descuento de los productos que completan una agrupación de ese tipo.

Para ello es necesario un análisis profundo de los comportamientos de los clientes lo que nos permita descubrir estas relaciones entre clientes.

Solution arrow

Mira la solución

Trabajamos conjuntamente con una de las mayores compañías de retail en España. Esta compañía puso en marcha un exitoso programa de fidelización (70% de penetración), lo cual nos ha permitido analizar datos históricos de compra y, combinando esa información con la de los tickets de compra en tiempo real, detectar y actuar en relación a estas tendencias.

Inteligencia Promocional

El desafío

Construir un sistema que basándose en reglas de negocio preconfiguradas, les permitiera generar en tiempo real cupones de descuento personalizados, analizando el patrón de consumo histórico de cada cliente y el ticket de venta generado en tiempo real.

Solution arrow

Mira la solución

El sistema desarrollado, basado en un motor de procesamiento inteligente de datos en tiempo real, le ha permitido a este cliente la implementación de un potentísimo programa de inteligencia promocional hiper personalizado y micro segmentado.

Los cupones pueden incluso generarse teniendo en cuenta la posición del usuario en la tienda, detectada mediante beacons, y enviarse a la app móvil del programa de fidelización cuando el cliente está cerca del producto.

Optimización de transporte logístico

El desafío

Elegir y priorizar correctamente las rutas óptimas de transporte de mercancías a una tienda u otra puede ser determinante en los márgenes y resultado de explotación.

Solution arrow

Mira la solución

Los efectos de la rotura de stock o el que sobren productos no son los mismos en unas tiendas y otras, y el coste del transporte también varía mucho en función de la ruta de distribución que se siga.

Utilizando algoritmos de machine learning sobre todas estas variables conseguimos optimizar todas estas decisiones logísticas de forma inteligente, y esto nos ha permitido maximizar la eficiencia e incrementar los márgenes de venta globales.

Registro único de clientes

El desafío

Esta existencia de silos informacionales les impedía extraer inteligencia del comportamiento de sus clientes, y mejorar así el servicio.

Solution arrow

Mira la solución

Se creó un sistema centralizado donde ahora se puede procesar en tiempo real el comportamiento del cliente en su interacción con todos los canales digitales de la compañía.

Como resultado, esta compañía es capaz de procesar en tiempo real el comportamiento de sus clientes en todos sus puntos de contacto con él, aplicando de forma real el principio de omnicanalidad digital.

Más de 25.000 TPVs vuelcan información a nuestro sistema, que procesa más de 2.000 apuntes por segundo en tiempo real.

Evaluación de riesgos de crédito

El desafío

Para cualquier banco que dé este servicio es vital evaluar el riesgo de la operación. Un importante banco nacional, líder en España, nos solicitó un sistema de evaluación automática del riesgo basado en inteligencia artificial que mejorase la realización manual de estos assessments.

Solution arrow

Mira la solución

Nuestra solución se basó en el análisis masivo con machine learning de ratios financieros de más de 25.000 clientes, combinando dicha información con información externa obtenida de múltiples fuentes públicas (ampliaciones de capital, información del registro mercantil, etc.).

Este sistema de scoring se ha demostrado mucho más eficiente que el que tenían anteriormente (mucho más rudimentario), y ha mejorado los resultados económicos de este producto del banco.

Detección de fraude

El desafío

Dado que estas operaciones ocurren en tiempo real, es imposible la intervención humana de un gestor que revise que son correctas y no hay indicaciones de fraude.

Solution arrow

Mira la solución

Se desarrolló un sistema que adquiere y analiza en tiempo real volúmenes masivos de datos provenientes de los logs del banco, VISA, Mastercard, etc.

Se implementó un motor de reglas que detectaba comportamientos indicativos de fraude (operaciones secuenciales en zonas geográficas diferentes, etc.)

Este sistema actúa en tiempo real, siendo capaces de parar una operación fraudulenta antes de que ocurra.

Análisis de Sales Funnel

El desafío

Una compañía líder en banca de inversión se enfrentaba al problema del desconocimiento de la rentabilidad de sus acciones de marketing.

Podían medir el coste de captación de clientes en las etapas iniciales del sales funnel, pero no tenían visibilidad de cómo influía esa inversión en los resultados finales de nuevos clientes al final del funnel.

Solution arrow

Mira la solución

A través de un análisis sistemático de interacción con clientes en todas las etapas del sales funnel, se ha conseguido entender y correlar la inversión en diferentes acciones de marketing con la adquisición final del cliente, optimizando así la inversión total en marketing.

Disminución de abandono y optimización de atención al cliente

El desafío

Nos enfrentamos al reto identificando primero el customer journey del cliente a través de los diferentes touchpoints, físicos y digitales.

Solution arrow

Mira la solución

Se implantó un sistema de ingestión de datos de eventos de contacto de clientes, y se hizo un análisis inteligente de los mismos para detectar y reforzar patrones de cambio de comportamiento, en concreto paso a canales más baratos, y detectar y anticiparse al abandono.

Análisis de comportamiento de clientes

El desafío

Una compañía de telecomunicaciones, líder en oriente medio, nos solicitó un análisis inteligente de estos datos para extraer información de valor añadido.

Solution arrow

Mira la solución

Implantamos un sistema de ingestión, correlación y análisis inteligente de: posición física de clientes, estrato sociodemográfico, capacidad adquisitiva, etc. con intención de generar inteligencia en base a patrones de comportamiento observados.

Entre los muchos beneficios obtenidos, está la posibilidad de recomendar a los comercios la situación ideal para poner una tienda en función de su horario y target de clientes.

Visión única de cliente

El desafío

Nos encontramos con múltiples registros físicos y digitales sin ninguna coherencia entre ellos.

Solution arrow

Mira la solución

El reto principal fue poner orden en la diversidad de canales de la publicación en su contacto con clientes: edición de papel, kiosco digital, edición vía web, más múltiples eventos promocionales físicos y digitales donde se recoge información de usuarios digitalizando y unificando dicha información, fuimos capaces de implantar un sistema de procesamiento de comportamiento de clientes en tiempo real, que permite a nuestro cliente un salto cualitativo en recomendaciones y servicios personalizados a clientes

Predicción de audiencias

El desafío

Una compañía líder del sector de los medios de comunicación en España nos solicitó ser capaces de disponer de estos datos antes, e incluso predecirlos.

Solution arrow

Mira la solución

A través del análisis de los datos intercambiados con las Smart TVs, fuimos capaces de tener datos de audiencia en tiempo real.

Estos datos se procesan en tiempo real y permiten tomar decisiones del contenido de la programación sobre la marcha.

Además, analizando datos históricos a nivel masivo, somos capaces de predecir la audiencia futura en función de comportamientos pasados + información del tiempo, eventos deportivos, etc.

Hiper personalización y Micro segmentación

El desafío

Una gran compañía aseguradora nos planteó el reto de alcanzar un nivel de segmentación y personalización que fuera más allá del marketing digital clásico, llegando a nivel 1 a 1.

Solution arrow

Mira la solución

Para ello, se analiza en tiempo real el comportamiento del cliente, solapando datos de clientes ya registrados con información de clientes anónimos que se conectan por primera vez obtenida vía DMP.

El resultado es la microsegmentación e hiper personalización, con una experiencia de cliente enormemente mejorada.

Gestión del riesgo

El desafío

Las compañías aseguradoras disponen de multitud de datos de sus asegurados, el desafío está en agregar y cruzar estos datos para construir modelos fiables que valoren el riesgo de accidente y su gravedad asociada con una precisión lo bastante alta.

Solution arrow

Mira la solución

La aplicación de redes neuronales de aprendizaje profundo (Deep Learning) nos permite construir modelos que alcanzan precisiones superiores al 70%, esta mejora en los modelos es una ventaja significativa a la hora de optimizar los costes de los seguros y el pricing, además nos permite diseñar nuevos productos a medida donde podamos ajustar el precio en tiempo real.

Análisis de mercado eléctrico

El desafío

El área de energías renovables de una gran compañía eléctrica española nos pidió ayuda para mejorar sus sistemas de análisis e inteligencia de datos. Este área está interesado en el estudio del comportamiento de los mercados energéticos, con el objetivo de prever la oferta y la demanda además de los precios de casación, de esta manera ser capaces de optimizar la operativa y tener un comportamiento más inteligente en los mercados.

Existen multitud de datos públicos y privados relativos a la generación de energía y al mercado eléctrico, pero al estar dispersos en diferentes orígenes es difícil tener una visión global y poder cruzarlos para extraer conocimiento.

Solution arrow

Mira la solución

Ingestamos todos estos datos de diferentes fuentes en sistemas en la nube y analizando los patrones de las curvas de casación y del resto de variables que influyen en el mercado, pudimos hacer predicciones relativas al comportamiento global del mercado, gracias a técnicas de inteligencia artificial avanzadas como Machine Learning y Deep Learning.

De esta forma la compañía eléctrica pudo posicionarse mejor en el mercado al identificar las tendencias y optimizando la manera de ofertar entre mercados.

Fraude energético

El desafío

Las distribuidoras realizan controles periódicos en viviendas y empresas con el objetivo de controlar dicho fraude, pero esta tarea resulta ingente sin la ayuda de sistemas inteligentes que nos ayuden a detectar indicios de fraude.

Solution arrow

Mira la solución

Gracias a las tecnologías Big Data es posible hacer un análisis exhaustivo de los datos de cada usuario y aplicando algoritmos de Machine Learning tenemos la posibilidad de predecir comportamientos en base al histórico, tarifas, etc. De esta forma se puede guiar a los inspectores para acudir a aquellos sitios que podrían estar cometiendo alguna irregularidad. Este análisis también puede aplicarse a la información generada por los contadores inteligentes que proporcionan a la compañía los datos en tiempo real.