Archivo de la etiqueta: heineken

5 tendencias de analítica avanzada para retailers y cpgs – COLUMNA DE INVESTIGACIÓN DATLAS

Esta semana tuvimos la oportunidad de compartir con algunos de nuestros clientes nuestra opinión sobre tendencias de analítica para sectores retail y CPGs (Consumer Packages Goods). En esta columna enunciaremos las 5 tendencias más interesantes considerando innovación: Incremental y transformacional

Tipos de innovación al evaluar tendencias

Cuando hablamos de tendencias e innovación siempre es bueno poner en la antesala dos tipos: La innovación incremental y la transformacional.

La incremental se refiere a la mejora continua de procesos cotidianos con soluciones creativas y que te mantengan a la vanguardia dentro de tu industria. Por otro lado, la transformacional, son proyectos disruptivos que alteran el tiempo de funciones de los miembros de una organización.

A continuación compartiremos tres tendencias con proyectos de innovación incremental y dos con transformacional.

5 tendencias

1) Aplicaciones para pedidos programados (Incremental)

La embotelladora Arca Continental con sede en Monterrey, Nuevo León, México habilita una aplicación a los tenderos donde entrega sus productos (refrescos y bebidas). Esta APP móvil sugiere el tamaño de pedidos a sugerir a los tenderos para que cuenten con el abasto suficiente y no caigan en una situación de “venta pérdida”.

2) Aprovechamiento de datos de clientes (Incremental)

OXXO, la cadena de conveniencia más grande de México con presencia en LATAM hizo público un proyecto de aprovechamiento de datos de sus más de 13 millones de transacciones diarias. Se trata de analizar datos de ventas de tickets y ponerlas al alcance de sus proveedores. En este sentido se podrían generar mejores estrategias comerciales para desplazar productos en la cadena comercial.

3) Internet de las cosas para mantenimientos preventivos (Incremental)

Los sensores y el internet de las cosas se han extendido a las compañías de productos de consumo como la panadería que ofrece BIMBO en México. En esa dirección proyectos de integración de sensores y GPS se han sumado a las flotillas de entrega de esta compañía. Estos nuevos datos les ayudan a tomar acciones preventivas para evitar problemas logísticos en las entregas de sus productos

4) Revisión de anaqueles automatizadas (Transformacional)

Usando un robot con cámaras y sensores compañías como Walmart han difundido programas de automatización como el de “escanear” los anaqueles de manera automatizada en búsqueda de faltantes y facilitar los planogramas dentro de retailers.

Heineken, la compañía de cerveza, revisa anaqueles con aplicaciones móviles enviando equipos a fotografiar anaqueles para estudiar los impactos en los frentes de las tiendas donde promocionan sus productos

5) Algoritmos avanzados de recomendación (Transformacional)

“Food-service” y empresas como RAPPI no se quedan atrás en los avances disruptivos. Una buena recomendación de platillos o restaurantes puede significar una buena oportunidad de venta cruzada para el negocio. Para que este tipo de servicios funcionen se tienen que registrar millones de transacciones, almacenar grandes cantidades de información en tablas distribuidas, entrenar modelos con catálogos dinámicos y garantizar que los servicios estén activos para cuando el usuario los necesite.

Hasta aqui la columna de hoy y te preguntamos ¿Qué otro tipo de aplicaciones de analítica avanzada conoces en industrias de retail o CPGs? Compartenos tus comentarios en @DatlasMX

Si quieres continuar aprendiendo de analítica y transformación digital revisa nuestro podcast: “Café de Datos”

Equipo Datlas

– Keep it weird-

Asi detectas unas cheves con tensorflow – Datlas research

“Alexa, pasame una Heineken”. Una instrucción sencilla para una persona, una tarea compleja para una computadora. Esta tarea puede dividirse en subtareas, siendo una de ellas la detección de objetos. Esta es una tecnología relacionada con la visión artificial que busca identificar los objetos semánticos en una imagen. En esta columna compartiremos el proceso que pasamos al realizar un sistema de identificación de cervezas.

En nuestro proyecto de identificación de cervezas contamos con aproximadamente 2500 fotos de cervezas, pudiendo ser un refrigerador lleno o una sola cerveza en la foto. En estas fotos, tuvimos que seleccionar las zonas en las que había una cerveza y asignarle un nombre (el nombre de la cerveza y si era lata, botella o caguama) para poder clasificarlos. Esto se llevó a cabo con LabelImg, cuyo output era un XML con las posiciones y el nombre.

Posterior a esto, seleccionamos el modelo a implementar. Decidimos utlizar Tensorflow con el modelo desarrollado por Nick Bourdakos, Custom-Object-Detection. El primer paso para hacer funcionar este modelo fue generar el TFRecord, el archivo con el que se entrena el modelo. Para esto, los XML no nos servían, ya que requiere un archivo CSV. Usamos la librería de Python Pandas para hacer esta conversión. Luego definimos el label map para que cada nombre tuviera un número que lo identificara. Todo esto lo pasamos por el script para generar los TFRecords, y nuestros datos estaban listos para entrenar el modelo.

Datlas_barra_suscribir

Comenzamos a entrenar el modelo, y nos dimos cuenta que era muy lento, ya que lo estabamos entrenando con nuestras laptops. Para optimizar esto cambiamos a entrenar en Google Colab. Aquí puedes entrenar tu modelo utilizando tarjetas gráficas, aprovechando su capacidad de procesamiento al máximo. Pero encontramos un problema, los archivos eran muy pesados para estar descargandolos cada vez. La solución: subir los archivos a Google Drive, e instalar una biblioteca en Colab para poder traer los archivos de Drive.

Aquí comenzamos la etapa de pruebas con el modelo. Esperábamos un happy path, pero no fue el caso, Encontramos problemas como que la letra era muy pequeña y no se podía leer, o que detectaba un rollo de papel como una cerveza. Este último se debía a que redujimos la confianza para tomar una predicción al 30%. Ambos fueron obstáculos superados.

Para finalizar, se desarrolló el cliente con el cual el usuario podría emplear esto. Se creó una REST API en Django, una aplicación en React Native, y se hicieron llamadas para que la foto tomada por el celular regresara con la respuesta. En este punto sólo se llevó a cabo un cambio, el poner números en las clasificaciones para que no se amontonaran, y presentar el nombre y el porcentaje de confianza de la predicción.

Aqui cierra el blog de hoy. La presencia de esta tecnología puede crear un cambio en el cómo funcionan las cosas. Futuras implementaciones de este tipo de acciones en tiendas serán de utilidad para hacer conteos, inventarios, identificar repisas vacías y/o recibir notificaciones cuando se acabe un producto. Si te gustó la columna te pedimos la compartas y nos dejes tus comentarios

Saludos

(Esta columna fue desarrollada por Jose Luis alias “Ali,” participante en nuestro programa de interns de verano)

Equipo Datlas

-Keep it weird-