Agrosuper es una empresa con más de 65 años de experiencia, dedicada principalmente a la producción y venta de alimentos, tanto de origen animal, agrícola y acuícola en el que trabajan más de 13.000 colaboradores.
Definición de variables que tienen incidencia en la identificación de ciertos patrones de comportamientos en ventas (variación porcentual en ventas respecto a periodos anteriores, respecto a los vendedores, precios y descuentos, geolocalización, notas de crédito, entre otros criterios.
Centralización de la información proveniente de SAP ERP y otros sistemas para lograr tener un único repositorio de información.
Informe en Power BI para la selección de clientes a auditar, incluye un score de riesgo por cliente, sectorizado por sucursal.
Desarrollo de modelo de Machine Learning basado en la hipótesis de que cualquier caso que se determine como “anómalo” es un potencial fraude que debe ser auditado.
Definición de objetivos y preparación de datos
Se analizaron los desafíos del proceso de ventas, se definieron los objetivos del proyecto y se recopilaron, limpiaron y prepararon los datos relevantes para el análisis.
Desarrollo del modelo de detección de anomalías
Se construyó y entrenó un modelo de Machine Learning utilizando técnicas de análisis, ingeniería de variables y clusterización para identificar comportamientos anómalos.
Validación e implementación de la solución
Se realizaron pruebas, ajustes e integración con los sistemas existentes para asegurar la confiabilidad, precisión y correcto funcionamiento del modelo.
Se analizaron los desafíos del proceso de ventas, se definieron los objetivos del proyecto y se recopilaron, limpiaron y prepararon los datos relevantes para el análisis.
Se construyó y entrenó un modelo de Machine Learning utilizando técnicas de análisis, ingeniería de variables y clusterización para identificar comportamientos anómalos.
Se realizaron pruebas, ajustes e integración con los sistemas existentes para asegurar la confiabilidad, precisión y correcto funcionamiento del modelo.
Se entregaron dashboards y rankings de riesgo para apoyar la toma de decisiones, complementados con un proceso continuo de monitoreo y optimización del modelo.
Protección de ingresos debido a la detección temprana y preventiva de anomalías en sus ventas, contribuyendo a un aumento en la rentabilidad del negocio.
Reducción de costos asociados a la investigación que los recursos dedicaban a resolver problemas de fraudes.
Mayor eficiencia operativa, eliminando procesos manuales, y los tiempos y recursos dedicados al procesamiento de los datos.
Prevención Proactiva de Fraudes identificando de manera temprana transacciones anómalas, evitando pérdidas financieras
Disponibilización de información para la toma de decisiones tácticas y estratégicas basadas en datos para diferentes casos de uso para cerca de 100 usuarios.
Al ser el primer proyecto de detección de anomalías y de machine learning, sentó las bases para una cultura de innovación y búsqueda constante de soluciones avanzadas basadas en datos.
Protección de ingresos debido a la detección temprana y preventiva de anomalías en sus ventas, contribuyendo a un aumento en la rentabilidad del negocio.
Reducción de costos asociados a la investigación que los recursos dedicaban a resolver problemas de fraudes.
Mayor eficiencia operativa, eliminando procesos manuales, y los tiempos y recursos dedicados al procesamiento de los datos.
Prevención Proactiva de Fraudes identificando de manera temprana transacciones anómalas, evitando pérdidas financieras
El proyecto fue armado de tan buena forma que generó muchas otras utilidades, además de ayudarnos a minimizar pérdidas por fraudes en los procesos de venta y a disminuir costos, utilizamos la solución como panel de consulta de información para evaluar auditorías, ver clientes riesgosos y con mejor comportamiento, esto a través de alertas que permiten reconocer estás situaciones de forma temprana