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.
Industria: Alimentos
Tamaño: Grande
La clave para reconocer patrones de comportamientos anómalos de forma temprana y preventiva con técnicas de Machine Learning
En el mundo empresarial actual, donde los procesos asociados a las ventas abarcan una mirada de transacciones y datos originados en distintas fuentes de información, la detección y prevención de patrones de comportamiento anómalos se han convertido en desafíos relevantes al momento de impulsar análisis proactivos que permitan reconocer de forma temprana posibles fraudes en sus ventas. Especialmente para las empresas que manejan grandes volúmenes de información, donde la consolidación, tratamiento y posterior análisis de sus datos representan una tarea compleja. Además, coordinar a las diferentes áreas que interactúan en el proceso para definir los aspectos clave del negocio y validar los datos, añade capas adicionales de dificultad, y donde, desde una perspectiva tecnológica, la arquitectura necesaria para abordar estos casos de usos puede resultar clave para asegurar resultados óptimos.
En estos escenarios, es necesario lograr contar con una solución basada en soluciones de Machine Learning. Estas soluciones, a través de algoritmos y análisis avanzados, tienen la capacidad de reconocer patrones y tendencias ocultos en los datos y permiten reaccionar de forma temprana ante comportamientos anómalos.
Desafíos del negocio
Uno de los objetivos comerciales de Agrosuper es ofrecer productos de calidad a un precio competitivo, por lo que es importante
controlar los costos de toda su cadena de valor, incluyendo el área de ventas. Sin embargo, en 2018 identificaron que en algunas de sus sucursales se estaban produciendo ciertas anomalías en sus procesos comerciales que se escapaban de la norma y que estaban generando pérdida en sus ingresos.
Estos comportamientos se identificaban después de que ocurrían, debido a la complejidad para consolidar las diferentes fuentes de información, procesar los datos y relacionar las variables que determinan comportamientos anómalos, además de la aleatoriedad con la que se seleccionaban los clientes para auditorías, disminuyendo la probabilidad de asertividad para su detección.
Para identificar de manera preventiva estos patrones de comportamientos, era indispensable desarrollar un proyecto de Detección de Anomalías utilizando técnicas de Machine Learning, lo que implicaba ciertos desafíos. El primero era gestionar y coordinar con las distintas áreas involucradas en el proceso, como el área comercial, de finanzas, de tecnología y datos, de planificación y gestión, de transformación digital, de anomalías y de auditoría, e involucrar a las áreas operativas para gestionar el tema cultural para la adopción de las nuevas tecnologías. El segundo, está relacionado con lograr implementar una arquitectura de datos que sea capaz de recopilar un gran volumen de información de diferentes fuentes, incluyendo SAP ERP como eje central.
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.
Como resultado de la implementación del modelo de detección de anomalías, se obtuvo un ranking de vendedores y clientes según riesgo, permitiendo identificar tempranamente comportamientos anómalos.. Además, se crearon dashboards en Power BI, brindando una visualización clara y detallada de los comportamientos de clientes y vendedores.
Esta etapa implica el análisis periódico del rendimiento del modelo y la identificación de áreas de mejora. Se realizan ajustes , actualizaciones y mejoras continuas en conjunto con el cliente para mantener la efectividad en la detección de anomalías y adaptarse a cambios en los procesos de venta.
En primera instancia el proyecto estaba pensando en el uso de las sucursales, para que cada administrador tuviera acceso a mayor información de calidad, de forma rápida y segura, pero por la naturaleza del modelo y la gran cantidad de información que fue depurada por todos los equipos involucrados en este trabajo, se utiliza no solamente como panel de consulta para identificar anomalías en el proceso de ventas, sino que también, gracias a la coordinación de gerencias como; comercial, finanzas, tecnología y datos, transformación digital, planificación y gestión, innovación, cobranza y anomalías, cerca de 100 usuarios tiene acceso a la información de clientes y vendedores disponibles en paneles en Power BI.
“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”
Líder de Proyectos de Transformación Digital
Si estás listo para dar el siguiente paso y evaluar una iniciativa de analítica de datos para tu organización, te invitamos a completar el formulario. En menos de 5 horas hábiles, uno de nuestros consultores se comunicará contigo por teléfono para conocer el contexto de tu proyecto y para programar una reunión que se ajuste a tu disponibilidad.
Si lo prefieres, también nos puedes contactar a través de WhatsApp. Estamos aquí para apoyarte de la manera que más te acomode.
El Bosque Norte 0177, oficina 1003 piso 10, Las Condes.
Horario de Atención: Lun–Jue 09:00 - 19:00 Hrs.
Vie 09:00 – 14:00 Hrs.
