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.
Comprensión de objetivos y desafíos
En esta fase, colaboramos para comprender en detalle los desafíos de negocio respecto a sus procesos de venta. Definimos objetivos claros para desarrollar una solución que permitiera detectar anomalías en sus procesos de venta y que fortaleciera y estuviera alineada con la estrategia comercial de la compañía.
Análisis y preparación de datos
Recopilamos y preparamos los datos transaccionales relevantes del proceso de ventas, como facturación, precios, descuentos, notas de crédito, geolocalización, entre otras variables. Realizamos un análisis exploratorio profundo para identificar patrones sobre posibles anomalías en los datos, lo que sentó las bases para el desarrollo del modelo.
Para el procesamiento y limpieza de datos se utilizó DataBricks y se separaron y crearon 2 datasets (vendedores y clientes).
Construcción y Entrenamiento del Modelo
Una vez validada la cantidad y calidad de los datos necesarios para el desarrollo del proyecto, comenzamos con la creación y entrenamiento del modelo de detección de anomalías utilizando técnicas de Machine Learning, aplicando algoritmos de Feature Engineering y Clusterización según comportamientos, con los que se validó la detección de los primeros patrones de comportamientos anómalos.
En esta fase, colaboramos para comprender en detalle los desafíos de negocio respecto a sus procesos de venta. Definimos objetivos claros para desarrollar una solución que permitiera detectar anomalías en sus procesos de venta y que fortaleciera y estuviera alineada con la estrategia comercial de la compañía.
Recopilamos y preparamos los datos transaccionales relevantes del proceso de ventas, como facturación, precios, descuentos, notas de crédito, geolocalización, entre otras variables. Realizamos un análisis exploratorio profundo para identificar patrones sobre posibles anomalías en los datos, lo que sentó las bases para el desarrollo del modelo.
Para el procesamiento y limpieza de datos se utilizó DataBricks y se separaron y crearon 2 datasets (vendedores y clientes).
Una vez validada la cantidad y calidad de los datos necesarios para el desarrollo del proyecto, comenzamos con la creación y entrenamiento del modelo de detección de anomalías utilizando técnicas de Machine Learning, aplicando algoritmos de Feature Engineering y Clusterización según comportamientos, con los que se validó la detección de los primeros patrones de comportamientos anómalos.
Para garantizar la confiabilidad y precisión del modelo, se realizaron pruebas de validación y ajustes para optimizar su rendimiento. Además, nos aseguramos de que el modelo esté integrado de manera eficiente en los sistemas existentes, principalmente con SAP ERP, confirmando que el modelo pudiese funcionar de manera óptima.
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