Reducir la merma diaria de producto en +1.000 franquicias mediante una orden de producción contextual, automática y auditable, enviada cada día al obrador.
Hoy cada franquicia pide al obrador «a ojo». El resultado es sobreproducción que acaba en la basura, o rotura de stock que cuesta ventas. La solución no es «predecir mejor» en abstracto, sino convertir la decisión de producción diaria en un acto de datos.
Una plataforma de inteligencia de demanda multi-tenant, global y autoservicio que aprende el patrón de cada local y emite la orden de producción óptima de forma automática y auditable.
El local del Bernabéu no se parece al de un aeropuerto. Cada tienda se modela individualmente, compartiendo aprendizaje entre tiendas similares para que las aperturas nuevas no empiecen a ciegas.
El histórico explica el «qué pasó». Cruzarlo con clima, eventos, festivos y promociones explica el «por qué» y anticipa el «qué pasará mañana».
El sistema propone; el encargado ajusta dentro de una banda. Cada anulación es señal de reentrenamiento. Meta a 12 meses: >85% de pedidos sin intervención.
El modelo no aplica reglas rígidas. Aprende qué combinación de condiciones produjo qué demanda real, y proyecta la de mañana con un intervalo de confianza. Estas son las señales que combina:
estacionalidad, día de semana, curva intradía, mix de producto
8–12 °C y sin lluvia → patrón de afluencia concreto del local
proximidad al estadio: días de partido las ventas suben X%
festivos, puentes, vacaciones, día de pago
ofertas activas que alteran la demanda
«Mañana, turno mañana: 320 donuts surtido A, 90 ref. B…» → obrador
Seis capas con responsabilidades claras, comunicadas por eventos, con la seguridad como elemento transversal. Cada capa escala de forma independiente.
Enfoque por fases sobre Amazon SageMaker. Empezar simple, medir contra un benchmark, y subir complejidad solo donde el dato lo justifique.
Forecasting gestionado (DeepAR / SageMaker). Time-to-value rápido; establece el benchmark contra el que medir todo lo demás.
Boosting tabular (XGBoost / LightGBM) por local-SKU-franja. Barato, rápido y explicable con SHAP: el franquiciado ve por qué se pidió más.
Predecir la distribución (P10/P50/P90) y resolver el problema económico coste-merma (newsvendor). Aquí está el ahorro real.
Recomendación: un único modelo global con el local como variable, no 1.000 modelos separados. Es más barato de entrenar, más robusto y suficiente para el caso.
Una sola plataforma sirve a +1.000 franquicias de distintos países sin que un tenant vea —ni afecte— a otro. Infraestructura compartida, aislamiento lógico fuerte, en cuatro planos:
IAM de mínimo privilegio + session tags por tenant_id. Imposible que un rol lea datos de otro tenant.
Lake Formation con seguridad a nivel de fila/columna + DynamoDB LeadingKeys + cifrado KMS por región/tenant.
VPC privadas, PrivateLink (sin internet), WAF + Shield, y cuotas por tenant contra el «noisy neighbor».
CloudTrail + Config + GuardDuty + Macie. GDPR-by-design: datos agregados, residencia por región.
Antes del precio, el valor. Estos supuestos de negocio determinan el ahorro anual de merma de toda la red — la cifra sobre la que se ancla cualquier precio. Todo editable.
La cifra que más conviene estresar es el ahorro: depende de cuánta merma haya realmente y cuánto se reduzca. Usa tus supuestos de locales, donuts, coste/donut y días.
| Escenario de merma | Reducción | Ahorro anual (red) | Ahorro por local / año |
|---|
Un SaaS de predicción de demanda de este tipo se comercializa en el mercado en torno a €70-75 por local y mes. Esta sección modela, a modo de referencia, la estructura económica de una oferta de proveedor externo con compromiso a 3 años, para poder compararla con cualquier alternativa. Todos los valores son editables.
| Concepto | Valor | Comentario |
|---|---|---|
| Ingreso recurrente anual (ARR) | — | precio × locales × 12 |
| Ingreso de implementación (año 1) | — | cuota única × locales |
| Valor total del contrato (3 años) | — | ARR × 3 + implementación |
| Coste de servir del proveedor / año (AWS 3 años aplicado) | — | infra con descuento + equipo + I+D + G&A |
| Coste total del proveedor (3 años) | — | |
| Margen del proveedor (3 años) | — | |
| Coste para el cliente por local · año 1 | — | recurrente + implementación |
| Coste para el cliente por local · años 2-3 | — | solo recurrente |
| % del ahorro del cliente que absorbe el precio (3 años) | — | el cliente conserva el resto |
| Alternativa gain-share (15% del ahorro) | — | pago por resultados |
El compromiso a 3 años permite al proveedor aplicar Savings Plans de AWS (de ahí el descuento en infraestructura) y ofrecer un precio menor que en un contrato anual. Precio de referencia anclado en el valor: el suelo es el coste de servir y el techo ronda el 25-30% del ahorro del cliente. Ajustando las condiciones se ve el equilibrio entre el margen del proveedor y el ahorro que conserva el cliente.
Cada fase tiene una puerta de decisión (go/no-go) basada en métricas. No se escala lo que no funciona.
Landing Zone multi-cuenta, IaC, seguridad base. Auditoría de fuentes de datos reales por país.
10-20 locales (incl. Bernabéu). Lakehouse + modelo base + portal mínimo. Medir merma vs. control.
Boosting + SHAP + cuantiles + optimización coste-merma. MLOps y reentrenamiento automático.
Multi-región, onboarding por oleadas de +1.000 locales, dashboards ESG, API al obrador.