Lo que sostenemos en esta página no son promesas de laboratorio: son implementaciones que ya funcionan en operaciones comerciales y logísticas argentinas. Modelos de predicción de demanda entrenados con ventas reales, tableros que reemplazaron planillas de cálculo en áreas de compras y algoritmos de ruteo que conviven con restricciones de flota y ventanas horarias. Cada caso que reunimos acá pasó por las mismas etapas que cualquier equipo interno conoce: limpieza de datos, validación con el área usuaria, ajuste fino y una puesta en marcha que rara vez sale perfecta la primera semana. Documentamos también los límites de cada proyecto, porque un modelo que no reconoce sus bordes termina generando más ruido que una decisión manual.
En esta página reunimos señales de confianza verificables: cómo se comportaron los modelos en producción, qué equipos los adoptaron y qué cambió en la operación diaria. No publicamos métricas infladas ni testimonios genéricos. Si un proyecto tuvo fricciones, también aparece.
Arrancamos con predicción de demanda en 14 sucursales y el primer trimestre sirvió para limpiar datos más que para pronosticar. Recién al cuarto mes el modelo dejó de sobrestockear los fines de semana. Hoy la reposición se decide con el sistema y el jefe de compras revisa excepciones, no planillas enteras.
El tablero anterior tenía 38 métricas y lo abría una persona. Rediseñamos alrededor de cinco decisiones concretas: qué promocionar, qué discontinuar, qué reponer urgente. La adopción no vino del reporte lindo sino de que cada gerente sabía qué hacer con el número.
Optimizamos ruteo para última milla con ventanas horarias reales, no las del contrato. Bajamos kilómetros vacíos, pero lo más útil fue que el supervisor dejó de armar la hoja a mano cada mañana. El algoritmo propone, él ajusta por tráfico y clima.
Nos costó aceptar que sin datos limpios de punto de venta ningún modelo aguanta. Tuvimos que ordenar primero el maestro de productos y las devoluciones. Fue menos vistoso que el machine learning, pero sin eso el pronóstico era ruido.
Ninguna implementación de machine learning se sostiene sola. Detrás de cada modelo de demanda, cada tablero comercial y cada ruteo optimizado hay proveedores de datos, integradores de sistemas y equipos internos que aceptan cambiar su forma de trabajar. En esta página reunimos los tipos de colaboración que sostienen nuestros proyectos en retail, distribución y logística argentina, y qué esperamos de cada una antes de firmar un acuerdo.
Trabajamos con equipos que ya conocen el sistema de caja del cliente y pueden exponer ventas por SKU y sucursal sin frenar la operación diaria. Sin esa capa, cualquier modelo de reposición arranca con datos incompletos.
Antes de automatizar una decisión hay que entender quién la toma hoy y con qué criterio. Estas consultoras ordenan el flujo de trabajo previo y dejan por escrito qué se delega al algoritmo y qué sigue en manos del área.
La optimización de rutas necesita restricciones reales: ventanas horarias, capacidad de flota, accesos restringidos. Los operadores con los que colaboramos aportan ese contexto y validan los resultados en la calle, no solo en el tablero.
El equipo de TI del cliente define accesos, permisos y frecuencia de actualización. Su involucramiento temprano evita que un piloto funcione en un entorno de prueba y se caiga al pasar a producción.
Elegimos entornos que el cliente ya usa para no sumar complejidad. La condición es simple: que soporten el volumen de datos y que permitan auditar cada corrida del modelo.
Recogemos devoluciones de equipos comerciales, de logística y de datos que atravesaron una implementación real. No publicamos métricas infladas ni testimonios genéricos: cada comentario describe qué cambió en la operación diaria y qué límites aparecieron en el camino.
Después de tres meses con el modelo de demanda corriendo sobre ventas históricas y calendario, el quiebre de stock en categorías de rotación media bajó lo suficiente como para dejar de compensar con sobre-stock. Lo que más costó no fue el algoritmo: fue ordenar el punto de venta para que los datos llegaran limpios. Hoy el jefe de sucursal revisa una sugerencia de pedido y decide, no arma la planilla desde cero.
Pasamos de cuarenta métricas a cinco indicadores por rol. La gerencia comercial abre el tablero el lunes a primera hora y sale con dos decisiones concretas: qué promoción sostener y qué plaza revisar. Antes el reporte mensual se leía una vez y se archivaba. El cambio no fue la herramienta, fue acordar qué pregunta responde cada número y quién la usa.
Modelamos entregas, restricciones de flota y ventanas de recepción de cada cliente. Los kilómetros por recorrido bajaron y los supervisores recuperaron margen para resolver imprevistos en calle. El error que cometimos al principio fue optimizar sobre datos de tráfico viejos: el plan se veía perfecto en pantalla y fallaba en la primera hora pico. Desde entonces actualizamos la fuente antes de cada corrida.
El equipo de trade marketing dejó de pedir reportes ad hoc y empezó a trabajar con una cadencia semanal fija. Lo valioso fue aceptar que algunos indicadores no estaban listos: preferimos publicar tres confiables y dejar dos en revisión antes que mostrar un tablero lindo con datos dudosos. Esa decisión evitó discusiones internas sobre cifras que nadie podía defender.
El modelo se estabilizó recién al cuarto mes, cuando ya había absorbido dos picos estacionales. Al principio el equipo desconfiaba de las sugerencias porque no entendía de dónde salían. Sumamos una vista simple que muestra los factores que más pesaron en cada pronóstico y la adopción cambió. La lección: sin explicación mínima, ningún resultado se sostiene en la operación.