Aplicaciones de Inteligencia Computacional y Big Data en el Retail Latinoamericano Luis Aburto Doctorado Sistemas de Ingeniería Departamento de Ingeniería Industrial Universidad de Chile [email protected] Twitter: luaburto

Workshop Impacto de la Inteligencia Computacional en Chile

Agenda Intro Demand forecasting based on hybrid data mining models in retail industry Recommendation system in retail industry: Defining the right customer Contextual Marketing – location base marketing: geo-targeting revolution

Workshop Impacto de la Inteligencia Computacional en Chile

3

www.analytics.cl

Trabajamos con el detalle transaccional

Modelamos la información a través de nuestro conocimiento en Data Mining y Retail

Apoyamos los procesos tácticos y de gestión de su empresa

Apuntamos a mejorar los resultados del negocio en función del conocimiento del cliente

Analytics.cl ¿Qué hacemos? Basamos nuestra propuesta de valor en el ajuste a la realidad de su negocio, incorporando las mejores prácticas de la industria. Nos caracteriza un marcado enfoque analítico que tiene como fin afectar los resultados del negocio y la experiencia del cliente.

Enfoque en América Latina Penta Analytics ha trabajado junto a empresas de todo el continente, ubicadas en un total de 7 países. Esto permite a nuestra empresa tener un amplio conocimiento del contexto en que se desenvuelven las industrias de la región.

México

Colombia Perú

Diversidad de proyectos Nuestra empresa ha participado en una gran variedad de proyectos de diferentes áreas, incluyendo importantes proyectos de eficiencia operacional y gestión de clientes. Esto ha permitido trabajar una base de diferentes tipos de industrias, incluyendo retail, bancos, servicios, instituciones educacionales e industria.

Presentación Servicios

Brasil

Bolivia

Argentina Chile

4

5

CLIENTES Retail

Eficiencia Operacional Presentación Servicios

Demand forecasting based on hybrid data mining models in retail industry

Luis Aburto Doctorado Sistemas de Ingeniería Departamento de Ingeniería Industrial Universidad de Chile [email protected] Twitter: luaburto

Workshop Impacto de la Inteligencia Computacional en Chile

Big Data

Workshop Impacto de la Inteligencia Computacional en Chile

Big data in Supply Chain Management

Workshop Impacto de la Inteligencia Computacional en Chile

Retailing on Analytics › › ›

Promociones Relacionamiento Segmentadas/ dirigidas

Clientes › › › › › ›

Servicios Fuerza de venta Layout Exhibición Ubicación Mantenimiento

› › ›

Analytics

Locales

Productos

Disponibilidad Precio Surtido

Business Problem: Demand Forecasting Information Flow Provider

Producer

Distribution Center

Product Flow

Workshop Impacto de la Inteligencia Computacional en Chile

Supermarket

Consumer

Demand: Complex dependency •Past sales

30.000

•Prices

25.000

•Advertising campaigns Monto ($)

20.000

•Season

15.000

10.000

•Holidays 5.000

•Climate 0

•Sales of similar products •Trends

Workshop Impacto de la Inteligencia Computacional en Chile

Día

Flight Passenger data

Workshop Impacto de la Inteligencia Computacional en Chile

Time Series Analysis (Box Jenkins, 1976) • MA(q)

q

Xt   bn * et n b1 et 1  ... b p et  q n 1

p

Xt   ai * xt i  et

• AR(p)

i 1

• ARMA (p,q)

p

q

i 1

n 1

Xt   ai * xt i   bn * et n  et

• SARIMAX (p,d,q) (sp, sd, sq) with X external regresors. Workshop Impacto de la Inteligencia Computacional en Chile

Neural Networks (Multilayer Perceptron) Non parametric mathematical model that imitates natural neural network and connections Adjusting Wij trough a learning process called Backpropagation, it reduces forecast error in the output layer. Calculate output using Weights and Inputs Backpropagate error to each individual neuron, adjusting individual weight for minimizing output error.

n

yk  f ( wik xi ) i 0

Workshop Impacto de la Inteligencia Computacional en Chile

MLP v/s ARIMA Statistical Model (ARIMA)

Neural Networks (MLP)

Linear model: it assumes a special behavior of the series

Non-linear model: more degrees of freedom

The model requires stationary time series.

No statistical requirements regarding the time series

Requires knowledge in Statistics

Less interaction with the user.

The pattern found provide knowledge and information

Hard to interpret (black box)

No overfitting

Overfitting to the data is possible

Workshop Impacto de la Inteligencia Computacional en Chile

Additive hybrid forecasting system Model Development Original time series X(t)

Input:e(t)

SARIMAX

Forecast by SARIMAX process: Y(t); error: e(t)

Step 1

Desired output: e(t)

Step 2

Forecasting Original time series X(t)

Forecast by SARIMAX process: Y(t)

Step 3

Additive hybrid forecast: Y(t) +

eˆ(t ) Error forecast by MLP: eˆ(t )

Workshop Impacto de la Inteligencia Computacional en Chile

Sequential Hybrid forecasting System Model Development

Original time series X(t)

Input: Y(t)

SARIMAX

Forcast by SARIMAX process: Y(t)

Desired output: X(t)

Forecasting

Original time series X(t)

Forcast by SARIMAX process: Y(t)

Workshop Impacto de la Inteligencia Computacional en Chile

Step 1

Step 2

Step 3

Sequential hybrid forecast

20

1 00 - 2 01 UL 0 -J N-2 01 16-JU -20 01 26 JUN -20 1 - Y 0 06 MA -20 1 - R 0 17 AP -20 1 - R 00 27 AP -2 1 - R 0 07-MA -20 1 18 EB 200 -F B- 01 26 F E 20 0 - - 0 06 JAN -20 0 - C 0 17 DE -2000 - C 28 E 20 0 -D V- 00 08-NO -2 00 T 1 8 OC - 2 0 0 - T 0 29 OC -20 0 0 09 SEP-20 0 - G 0 19 AU -20 - G 0 30 AU 200 - - 0 10 UL 00 -J -2 21 JUL 01

0

118389

1.Consolidación de los Datos:Café 170 grs.

120

100

80

Verano 60

40

Workshop Impacto de la Inteligencia Computacional en Chile

01 20 1 L- 0 U 20 -J - 01 N 16 JU -20 1 0 26 JUN 20 1 - Y- 0 06 MA -20 1 0 17 APR 20 1 - - 0 27 PR 20 -A R- 01 07 MA -20 1 18 FEB 200 - - 1 26 FEB 200 0 - - 0 06 JAN -20 0 - C 0 17 DE -20 0 - C 0 28 DE -20 0 - V 0 0 8 N O -2 0 0 - T 0 18 OC -20 0 - T 0 29 OC -20 0 - P 0 09 SE -20 0 0 G 19 AU -20 0 G 30 AU 00 -2 0 10 UL 00 -J -2 21 JUL 01

0

114464

1.Consolidación de los Datos:Cerveza 1 Lt. 2000

Año Nuevo

Navidad

18 Sept

Verano 1000

Workshop Impacto de la Inteligencia Computacional en Chile

1.Consolidación de los Datos Características del día. Variables binarias {0,1} pago quincena prefest feriado patrias santa vacation verano a_nuevo venden.

:Días de pago de fin de mes. :Días de pago de quincena :Días anteriores a feriados :Días festivos :Días de fiestas patrias :Días de semana santa :Días de vacaciones (Enero y Febrero) :Días de meses estivales (desde 01/10 al 31/03) :1 de Enero. Único día del año donde los supermercados no

Workshop Impacto de la Inteligencia Computacional en Chile

Modelos ARIMA Modelos lineales que agrupan: modelos autorregresivos AR(p) modelos de medias móviles MA(q)

ARIMA(p,d,q) donde d es Nº de términos diferenciados Seasonal ARIMA: SARIMA (p,d,q) (sp,sd,sq) SARIMAX con X variables externas (regresores)

Workshop Impacto de la Inteligencia Computacional en Chile

Redes Neuronales Modelos matemáticos no lineales que simulan a las neuronas A través de un ajuste de las conexiones (aprendizaje), se minimiza el error en la capa de salida

n

yk  f ( wik xi ) i 0

Workshop Impacto de la Inteligencia Computacional en Chile

Aplicación a PLU 100595 Aceite Vegetal 1 Lt.) 400

300

200

4

1

0

N O M 56 UE T 53 ED W 50 HU T 47 RI F 44 A T S 41 N SUN 39 MO 36 UE T 33 ED W 30 HU T 27 RI F 24 A T S 21 N SUN 19 MO 16 UE T 13 ED W 10 U TH 7 I FR T SA

100595

100

Date

Workshop Impacto de la Inteligencia Computacional en Chile

Aplicación a PLU 100595 Aceite Vegetal 1 Lt Number of residuals Standard error Log likelihood AIC SBC

316 21.788166 -1418.0542 2856.1083 2893.6658

400

300

200

Analysis of Variance:

100595

N O M 56 UE T 53 ED W 50 HU T 47 RI F 44 A T S 41 UN S N 39 MO 36 UE T 33 ED W 30 HU T 27 RI F 24 A T S 21 UN S N 19 MO 16 UE T 13 ED W 10 U TH I FR T SA 4

Residual Variance

Date

Residuals

306

146174.83

474.72420

Variables in the Model: B

SEB

AR1 .417463 .051085 SAR1 .130165 .055043 SAR2 .295255 .055631 PAGO 51.980466 5.876780 PREFEST 27.948165 6.911996 FERIADO 25.081074 6.947247 SANTA 34.127746 17.129981 PB100595 14.634096 8.306789 PC100595 16.487375 8.888587 CONSTANT 35.859236 5.626348 Workshop Impacto de la Inteligencia Computacional en Chile

T-RATIO

APPROX. PROB.

8.1719215 2.3647876 5.3073729 8.8450596 4.0434291 3.6102176 1.9922816 1.7617031 1.8548928 6.3734482

.00000000 .01866427 .00000021 .00000000 .00006672 .00035735 .04722842 .07911801 .06457326 .00000000

7

Adj. Sum of Squares

0

1

DF

100

Resumen Producto 100595 70%

60%

40%

30%

20%

10%

Workshop Impacto de la Inteligencia Computacional en Chile

Modelos

Test Porcentual

tw 0 LP M

tw 1 LP M

tw 3 LP M

tw 14 LP -

LP M

,0 1, 0 A(

AR IM

Train Porcentual

M

tw 21

) ,0 )(2

,0

ci on di on

ia ed M

ge n

uo

In c

Es

In

ta

ci

ge n

on a

al

l

uo

0%

In

Porcentaje de Error

50%

Comparing performances 100595 RMSE Train MAPE Train Max Mape Train NMSE Train RMSE Test MAPE Test Max Mape Test NMSE Test

ARIMA MEAN-INC 21.5240 32.9986 36.21% 59.98% 282.96% 440.00% 0.3301 0.7759 21.6175 27.2675 40.49% 48.54% 225.98% 170.00% 0.6090 0.9689

NAIVE NAIVE-EST RN-TW6 31.2818 41.3998 22.9747 44.28% 64.67% 32.45% 347.06% 360.00% 191.81% 0.6972 1.2212 0.3761 30.9484 38.4019 19.8072 56.83% 45.75% 33.53% 495.24% 545.00% 228.46% 1.2481 1.9217 0.5112

RN-TW3 20.5280 29.61% 249.98% 0.3002 20.1305 34.36% 241.98% 0.5281

Híb. Aditivo 19.1006 31.66% 197.72% 0.2599 20.3946 30.68% 164.87% 0.5420

Errores de Modelos en PLU 100595

200.00%

180.00%

160.00%

140.00%

120.00%

ARIMA MEAN-INC NAIVE

100.00%

NAIVE-EST RN-TW6 RN-TW3

80.00%

Híb. Aditivo Híb. Secuencial 60.00%

40.00%

20.00%

0.00% MAPE Train

NMSE Train

MAPE Test Medida de Error

Workshop Impacto de la Inteligencia Computacional en Chile

NMSE Test

Híb. Secuencial 16.7281 23.67% 132.64% 0.1994 18.4154 30.23% 233.56% 0.4419

Sistema de Reposición Periódica Reposición cada P días, con tiempo de entrega de L días. INVENTARIO OBJETIVO T T=m’+z Con: m’: demanda promedio durante P+L días (del sistema de pronóstico) Z: stock de seguridad (nivel de servicio * desviación ventas)

Workshop Impacto de la Inteligencia Computacional en Chile

Reposición de Inventarios 800

700

600

Unidades

500

Nivel de Inventario Inventario Objetivo

400

300

200

100

19 /0 9 03 /00 /1 0 17 /00 /1 0 31 /00 /1 0 14 /00 /1 1 28 /00 /1 1 12 /00 /1 2 26 /00 /1 2 09 /00 /0 1 23 /01 /0 1 06 /01 /0 2 20 /01 /0 2 06 /01 /0 3 20 /01 /0 3 03 /01 /0 4 17 /01 /0 4 01 /01 /0 5 15 /01 /0 5 29 /01 /0 5 12 /01 /0 6 26 /01 /0 6 10 /01 /0 7 24 /01 /0 7/ 01

0

Días

Indicador Control de Gestión de Inventarios

Sistema Actual

Sistema Propuesto

Días de Alcance (Inventario/promedio ventas)

30 días

5 días

Quiebres de Venta (% de días sin productos)

6%

0.9%

What we have learned from hybrid methods Feature engineering improves prediction capabilities Hand-crafted Time consuming Require expertise about the data and business

Time series as preprocessing to help non linear classificators What if the model creates meaningful features / attributes / dimensions for predicting complex time series?

Workshop Impacto de la Inteligencia Computacional en Chile

Backpropagation limitations Vanishing gradient problem with multiple layers Too long learning time because error signals (flowing backwards)

Random initialization of a feed forward network (MLP) get a poor local minimum. Non convex problem & Local optimization Curse of dimensionality Need big data to get statistical significance for a huge parametric model as MLP.

How to create good features for prediction? Feature engineering MLP as a feature selection Workshop Impacto de la Inteligencia Computacional en Chile

Deep Learning intro Deep learning is a class of machine learning algorithms that Use a cascade of many layers of nonlinear processing units for feature extraction and transformation. Each successive layer uses the output from the previous layer as input. The algorithms may be supervised or unsupervised Are based on the (unsupervised) learning of multiple levels of features or representations of the data. Higher level features are derived from lower level features to form a hierarchical representation. Learn multiple levels of representations that correspond to different levels of abstraction; the levels form a hierarchy of concepts. From: https://en.wikipedia.org/wiki/Deep_learning

Workshop Impacto de la Inteligencia Computacional en Chile

Deep learning example architecture • Multiple layers • Supervised learning of feature representation in each layer • Layers form a hierarchy of features (distributed representation)

From http://theanalyticsstore.ie/deep-learning/

Workshop Impacto de la Inteligencia Computacional en Chile

Distributed representation

http://www.eidolonspeak.com/Artificial_Intelligence/SOA_P3_Fig4 .png

Workshop Impacto de la Inteligencia Computacional en Chile

Classification performance

From Farabet et al. ICML 2012, PAMI 2013 Workshop Impacto de la Inteligencia Computacional en Chile

Deep learning architecture for time series prediction

𝑖𝑖 𝑒𝑝𝑞

seasonality

𝑦𝑖𝑗𝑡 (𝑆𝑎𝑙𝑒𝑠𝑡 , 𝑥𝑡 ) 𝑦𝑖𝑗𝑡−1 (𝑆𝑎𝑙𝑒𝑠𝑡−1 , 𝑥𝑡−1 ) 𝑦𝑖𝑗𝑡−2 (𝑆𝑎𝑙𝑒𝑠𝑡−2 , 𝑥𝑡−2 )

trend

From http://theanalyticsstore.ie/deep-learning/

Workshop Impacto de la Inteligencia Computacional en Chile

Alicorp - Consumer Package goods Retail consumer Business areas

•

Food products, personal and home care

Industrial Products •

Food products, for restaurants and bakeries

Animal Nutrition •

Food for fish and shrimp production

Main trademark s trademarks

trademarks

Countrie s

Workshop Impacto de la Inteligencia Computacional en Chile

trademarks

trademarks

Alicorp Perú Supply Chain Distribution in Peru through: •60 exclusive dealers •100% supermarkets and other dealers •12 warehouse at national level •25 sales offices •24 industrial plants •400 different sku 200,000 customers

Workshop Impacto de la Inteligencia Computacional en Chile

Alicorp Peru Supply chain Food Plants

Exclusive Dealers

Distribution Centers

Workshop Impacto de la Inteligencia Computacional en Chile

Stores

Business Questions to answer Not only predicting future demand, but describing and explaining patterns that defines peaks and shocks of demand, for every sku. Geographical effects about Price elasticity Substitution and complementary effects among products Preferences for attributes/trademarks for each geographical zone Specific sub-zones that anticipates global changes in preferences (early adopters) • If La Molina county adopts new oil trademark up to 30% of market share, then the new oil will have success of 15% ms in the hole country next six months with 95% of probability.

Workshop Impacto de la Inteligencia Computacional en Chile

Business Questions to answer Other decisions to support with forecast: Weekly production level for each sku Distribution decisions for each Exclusive dealers (DEX) Optimal mix for each DEX Demand estimation for new products Support for product design (preferences for attributes)

Workshop Impacto de la Inteligencia Computacional en Chile

Recommendation system in retail industry: Defining the right customer

Luis Aburto Doctorado Sistemas de Ingeniería Departamento de Ingeniería Industrial Universidad de Chile [email protected] Twitter: luaburto

Workshop Impacto de la Inteligencia Computacional en Chile

Recommendation System

Data Mining Engine (Recommendation)

Workshop Impacto de la Inteligencia Computacional en Chile

Different recommendation Flavours Customer looking for pants Help Me Decide

Complete the Assortment

Any Related Products

Recommendations Collaborative Filtering Alternates Up Sells

Complement Add-on

Context Sensitive Approach Workshop Impacto de la Inteligencia Computacional en Chile

Impulse Buy

Amazon: Luis’s store

Workshop Impacto de la Inteligencia Computacional en Chile

Not a recommendation system

Workshop Impacto de la Inteligencia Computacional en Chile

El Negocio del Retail Gran Cantidad de Productos 100.000 SKU’s

Gran Cantidad de Clientes (muchas veces no identificables) Gran Cantidad de Datos: POS Industria de Supermercados en fuerte competencia Variables claves del negocio Retener al cliente actual Manejo de la Sala Control de existencias Generación de Promociones atractivas para los clientes

• Descuentos • Packs de Productos

Workshop Impacto de la Inteligencia Computacional en Chile

¿En base a qué información realizo las promociones? De manera Instintiva  Visión sesgada de la realidad  Pierdo oportunidades de negocio al desconocer la evolución del comportamiento de los clientes  Solución rápida al problema

En base a los datos transaccionales Analizar los millones de boletas que se originan en la cadena Estudiar las combinaciones entre productos Problema de gran tamaño con tiempos de solución altísimos. Soluciones confiables y dinámicas en el tiempo

Workshop Impacto de la Inteligencia Computacional en Chile

.

Amazon y Barnes&Nobles

Workshop Impacto de la Inteligencia Computacional en Chile

Asociación de Productos

Workshop Impacto de la Inteligencia Computacional en Chile

Asociación de Productos

Workshop Impacto de la Inteligencia Computacional en Chile

Análisis de Canasta (Market Basket Analysis) Los hábitos de compra de los clientes pueden ser representados a través de asociaciones o correlaciones entre los diferentes productos que compran en sus “canastas”.

Cliente 1:

Cliente 2:

Cliente 1:

Arroz, puré, bebida

Arroz, helado, pan

Arroz, bebida, cerveza

Workshop Impacto de la Inteligencia Computacional en Chile

Market basket Analysis Support (probability) Confidence (conditional probability) Lift

Workshop Impacto de la Inteligencia Computacional en Chile

Workshop Impacto de la Inteligencia Computacional en Chile

Ejemplo: Análisis de canasta

+ Atún

Sardina

Atún

ATÚN ENLATADO ATÚN ENLATADO ATÚN ENLATADO

ATÚN ENLATADO ATÚN ENLATADO ATÚN ENLATADO ATÚN ENLATADO ATÚN ENLATADO ATÚN ENLATADO

+

Atún

Mayones a

Workshop Impacto de la Inteligencia Computacional en Chile

Categoría Asociada SARDINAS Y ARENQUES ENLATADOS VEGETALES MAYONESA MOLES PROCES/BASES P GUISADOS MERMELADA PURÉ DE TOMATE SALSA CATSUP MOSTAZA CHILES EN CONSERVA

Alto nivel de asociación (no casual)

Ganancia

Transacciones Conjuntas

6,2

5.078

5,2 4,8

9.439 19.895

4,5

1.133

4,5 4,5 4,4 4,2 4,0

3.185 3.504 4.260 604 22.640

Es más representativa

Ejemplo: Tienda por departamento Producto 1 COMPUTACION JEANS HOMBRES JEANS MUJER CORTINAS LENCERIA MEDIAS Y CALCETINES COMPLEMENTOS BEBE LINEA BLANCA ZAPATILLAS DEPORTIVAS INTERIOR Y DORMIR INFANTI FORMAL HOMBRES MESA VESTIR FORMAL MENAJE FINO ESCOLAR CONTEMPORANEO INTERIOR Y DORMIR INFANTI JEANS HOMBRES JUNIOR HOMBRE MALETERIA CONTEMPORANEO

Producto 2 PERIFERICOS PC JUVENIL HOMBRE JUVENIL MUJER BLANCO CORSETERIA CORSETERIA RECIEN NACIDO ELECTRODOMESTICOS VESTUARIO DEPORTIVO

Confiabilidad Ganancia Importancia Relativa # de Transacciones 39,69% 14,27 0,56% 33497 36,98% 5,11 1,65% 98406 35,01% 4,08 1,81% 108174 32,84% 3,92 0,15% 8812 31,26% 4,92 1,01% 60400 30,55% 4,81 0,70% 42044 29,16% 6,05 0,35% 20994 26,27% 4,55 0,79% 47415 25,51% 3,82 1,03% 61443

NI?AS SPORT HOMBRES COCINA CASUAL MESA ZAPATOS ESCOLARES CASUAL

25,48% 25,35% 24,62% 24,48% 24,03% 23,94% 23,01%

6,37 2,78 7,85 3,33 8,09 25,00 3,13

0,48% 0,94% 0,73% 1,77% 0,07% 0,54% 1,62%

28424 55870 43632 105846 4440 32454 96738

NI?OS SPORT HOMBRES NI?OS ESCOLAR VESTIR FORMAL

21,82% 21,60% 20,79% 20,40% 19,59%

5,84 2,37 5,57 8,98 2,70

0,41% 0,96% 0,58% 0,54% 1,38%

24334 57477 34674 32158 82364

Workshop Impacto de la Inteligencia Computacional en Chile

55

Promociones Personalizadas La oferta no tiene sentido según sus características y preferencias La oferta es un producto que se lo iba a llevar de todas formas ?

Promociones personalizadas… - Utiliza el conocimiento de las preferencias de sus clientes - No “quema” oportunidades de contacto con sus clientes - Usa información de ofertas pasadas - Utiliza filtros por proveedor, categorías, segmentos de clientes, etc. Workshop Impacto de la Inteligencia Computacional en Chile

Cliente 3013

Cliente 151684

Cliente 54654

RECOMENDACIONES

RECOMENDACIONES PRODUCTO RECOMENDADO

FREC

LASAGNA PRECOCIDA X 250 GR MOLITALIA OLLUCO - METRO MAIZ MORADO - METRO SILLAO X 500 ML LAM LECHE C/ 3 CEREALES LA PREFERIDA X 800CC

0 0 0 0 0

ID Cliente:

RECOMENDACIONES

Estos productos recomendados no son habituales enFREC las PRODUCTOS RECOMENDADOS FREC PRODUCTOS RECOMENDADOS PAPEL TOALLA D/HOJA LLEVE 3 PAGUE2 ELITE 0 LECHE CHOCOLATADA X 800 PURA VIDA (BLS) 0 compras de estos clientes CEBOLLA(ha ROJA - ESPECIAL 0 NICOLINI PREPARADA 3013 comprado 85 HARINA veces ) X 1 KG 0 ZANAHORIA - ESPECIAL PORO BROCOLI METRO

CARRO TÍPICO TOP 5

Cliente 89413

Cliente 1234654 PRODUCTOS RECOMENDADOS

FREC

PEREJIL AZUCAR BLANCA MARCA PROPIA X 2 KG TOCINO ESPECIAL LOMO OTTO KUNTZ X KG TOMATE ITALIANO - METRO LIMON - ESPECIAL

0 0 0 0 0

AJI PANCA DESPEPITADO X 100 GR RON POMALCA 3 AÑOS RUBIO X 1 LT. AJINOMOTO SOBRE AMARILLO X 46 GR

RECOMENDACIONES

0 0 0

Cliente 456875

PRODUCTO RECOMENDADO FREC RECOMENDACIONES

PRODUCTO RECOMENDACIONES

RECOMENDACIONES

0 0 0

PRODUCTO RECOMENDADO

FREC

PRODUCTO RECOMENDADO

FREC FREC

LASAGNA X 250 GR MOLITALIA CARNE ESPECIAL LASAGNAMOLIDA PRECOCIDA X 250 GR MOLITALIA 0 PRECOCIDA LASAGNA69 PRECOCIDA X 250 GR MOLITALIA 0 OLLUCO - METRO 0 OLLUCO - METRO 0 OLLUCO METRO CEBOLLAMAIZ ROJA ESPECIAL 0 36 MORADO-- METRO MAIZ MORADO - METRO 0 SILLAO X 500 ML LAM 0 SILLAO X 500 ML LAM 0 MAIZ MORADO - METRO LIMON - ESPECIAL LECHE C/ 3 CEREALES LA PREFERIDA X 800CC 0 LECHE C/ 332 CEREALES LA PREFERIDA X 800CC 0 SILLAO X 500 ML LAM LECHE EVAP.PERSONALIZADA SIX PACK PURA VIDA LATA 22TODOS RECOMENDACIÓN PARA Cliente 1161916 Cliente 64681684 Cliente BEBIDA NUTRITIVA CHOCO.X800CC 209846516 LECHELA C/ PREFERI 3 CEREALES LA PREFERIDA X 800CC

0 0 0 0 0

LOS CLIENTES (O GRUPO OBJETIVO) DADA LAS PREFERENICIAS DE CADA UNO habitualmente, sin embargo La mayoría de los clientes se lleva estos productos RECOMENDACIONES

RECOMENDACIONES

RECOMENDACIONES

PRODUCTO RECOMENDADO

FREC

PRODUCTO RECOMENDADO

FREC

PRODUCTO RECOMENDADO

FREC

ARROZ GRAN COSECHA X 5 KG PAISANA SALCHICHA DE HUACHO DŽ LA CASA RABANITO - KG BOLSAS TRANSPARENTE P/CONGELAR X 100 BL MAIZ MORADO - METRO

2 0 9 0 3

LASAGNA PRECOCIDA X 250 GR MOLITALIA OLLUCO - METRO MAIZ MORADO - METRO SILLAO X 500 ML LAM LECHE C/ 3 CEREALES LA PREFERIDA X 800CC

0 0 0 0 0

LASAGNA PRECOCIDA X 250 GR MOLITALIA OLLUCO - METRO MAIZ MORADO - METRO SILLAO X 500 ML LAM LECHE C/ 3 CEREALES LA PREFERIDA X 800CC

0 0 0 0 0

este cliente no lo hace

ID Cliente: 1161916 (ha comprado 34 veces ) Cliente 89413

Cliente 1234654

RECOMENDACIONES

Cliente 456875

RECOMENDACIONES CARRO TÍPICO TOP 5

estas son los FREC 0 compras 0habituales PRODUCTO RECOMENDADO FREC PRODUCTO FREC 0 de estas 0 ARROZ 2 AZUCAR BLANCA MARCA PROPIA X 2GRAN KG COSECHA 28 X 5 KG PAISANA 0 personas…0 SALCHICHA DŽ LA CASA TOCINO ESPECIAL LOMO OTTO KUNTZ X KG DE HUACHO 24 ClienteITALIANO 984651 - METRO Cliente21021 RABANITO - KG 9 TOMATE ¿qué productos RECOMENDACIONES RECOMENDACIONES BOLSAS TRANSPARENTE P/CONGELAR X 100 BL 0 PAPEL TOALLA D/HOJA LLEVE 3 PAGUE2 ELITE 20 FREC PRODUCTOS RECOMENDADOS FREC PRODUCTOS RECOMENDADOSrecomendar? FREC

PRODUCTOS RECOMENDADOS

FREC

PRODUCTOS RECOMENDADOS

FREC

VAINITA - METRO PAPEL TOALLA D/HOJA LLEVE 3 PAGUE2 ELITE CEBOLLA ROJA - ESPECIAL ZANAHORIA - ESPECIAL PORO

0 0 0 0 0

BOLSAS HERMX25U STORAGE 18X20CM ZIPLOC OLLUCO - METRO ACELGA X 300 GR "VIVA" NABO X KG ESPARRAGOS "DOS FLORES" X 400 GR.

0 2 3 0 0

0 0 0 0 0

CREMA DE LECHE X 0.946 ML LA MESA LECHUGA AMERICANA - METRO AJI LIMO - METRO ACELGA BOLSAS HERMX25U STORAGE 18X20CM ZIPLOC

Cliente 18616 RECOMENDACIONES PRODUCTOS RECOMENDADOS TOCINO ESPECIAL LOMO OTTO KUNTZ X KG TOMATE ITALIANO - METRO LIMON - ESPECIAL VAINITA - METRO PAPEL TOALLA D/HOJA LLEVE 3 PAGUE2 ELITE

RECOMENDACIONES RECOMENDACIONES Si PRODUCTOS RECOMENDADOS

LIMON - ESPECIAL

Workshop Impacto de la Inteligencia Computacional en Chile

1 0 3 0 0

HUACATAY ARROZ SUPERIOR X 5 KG METRO QUESO PARMESANO X KG. BONLE(MOLDE X8) LECHUGA ECOLOGICA "LA CASERITA" ROCOTO - METRO

MAIZ MORADO - METRO 20 BERENJENA DE INVERNADERO "DON MIGUEL" SERVILL. COCTEL BLANCA X 50 ELITE BOLSA DE AJOS X 250 GR - MR. AJO ESPINACA X 400 GR. "VIVA" APIO - METRO

0 0 0 0 0

3

Promociones Personalizadas en Kioscos 6. Las personas realizan sus compras utilizando las promociones.

1. La empresa decide que reglas de negocio aplicar en sus promociones. Ejemplos: Margen, Volumen, Caja 1 Segmentos, Productos, Día, entre otros. Caja 2

7. La información, tanto de promociones como de la compra 3 a la base de general, seCaja agrega datos para un nuevo análisis.

3. Los Kioscos poseen la información analizada. 4. Las personas ingresan sus tarjetas y se obtiene información personalizada de promociones. Kiosco 1

Kiosco 2

Kiosco 3

Decisión Comercial

Sistema Analytics

Caja 4de generación de 2. El modelo promociones envía al Sistema de : Kioscos las promociones 8. las Generación personalizadas según reglas dede Reportes Caja N (evaluación negocio aplicadas e historia de de campañas, rentabilidad de clientes, análisis transacciones. por producto, categoría o marca).

Sr. XXX

Saldo

BD

Prod1 10% Prod2 7%

Sistema ALVI 5. Las promociones que se imprimen, deben estar en el POS para estar Workshoppresentes Impacto de Inteligencia al la momento de la compra. Computacional en Chile

0. Historia de Transacciones (muchos clientes y productos).

Alicorp Peru Supply Chain 67% of total demand is from B2B channel (small stores) and Dex Supermarket (modern channel: 8%)

At Sku level, 30.1% weekly MAPE for next 3 months.

Workshop Impacto de la Inteligencia Computacional en Chile

Different Recommendation Flavors Customer Analysis

RFM segmentation

+

-

VALOR

Value offer differenciated

Market basket Segmentation

   

Customer preferences based on: Market Basket association rules recency frequency hotspot

Recommendation Order

Frequent “Always buy and I am forgetting”

Profile “B2b like me buy but I don’t”

Associated “Related with my frequent products and I am not buying”

Hotspot “Close b2 buy but I don’t”

Workshop Impacto de la Inteligencia Computacional en Chile

60

Video Alicorp

Workshop Impacto de la Inteligencia Computacional en Chile

Contextual Marketing – location base marketing: geo-targeting revolution

Luis Aburto Doctorado Sistemas de Ingeniería Departamento de Ingeniería Industrial Universidad de Chile [email protected] Twitter: luaburto

Workshop Impacto de la Inteligencia Computacional en Chile

Contexto: Marketing Contextual

IN6909

Workshop Impacto de la Inteligencia Computacional en Chile

63

Izit: ¿Cómo funciona? fence

En caso que perfil de usuario se alinee con target de promoción, al pasar por un fence se envía whisper.

IN6909

Workshop Impacto de la Inteligencia Computacional en Chile

64

Izit: ¿Qué hacer para participar?

IN6909

Workshop Impacto de la Inteligencia Computacional en Chile

rewhispea r 65

Tabla User Position Posee alrededor de 50.000.000 de registros de posición.

IN6909

Workshop Impacto de la Inteligencia Computacional en Chile

66

Análisis de datos Obtención del data set a nivel individual 

Mall Costanera Center

Pre-procesamiento de datos Análisis descriptivo de datos   

IN6909

Calidad de datos Variabilidad Modificación de muestra

Workshop Impacto de la Inteligencia Computacional en Chile

67

Modelo 1: Regresión lineal simple Se testea la siguiente especificación: 2 2 𝑎𝑝𝑒𝑟𝑖𝑗𝑡 = 𝛽1 𝑑𝑖𝑗𝑡 + 𝛽2 𝑑𝑖𝑗𝑡 + 𝛽3 𝑔𝑒𝑛𝑑𝑒𝑟𝑖 + 𝛽4 𝑒𝑛𝑣𝑖𝑡 + 𝛽5 𝑒𝑛𝑣𝑖𝑡 + 𝜀𝑖𝑗𝑡

IN6909

Variable

Estimate

Std. Error

t-value

Pr(>|t|)

𝑑𝑖𝑗𝑡

0,0147

0,0033

4,41332

1,02E-05

2 𝑑𝑖𝑗𝑡

-0,0001

0,0001

-0,81593

0,41455

𝑔𝑒𝑛𝑑𝑒𝑟𝑖 𝐹

0,2949

0,0063

46,95818

< 2,22e-16

***

𝑔𝑒𝑛𝑑𝑒𝑟𝑖 𝑀

0,2242

0,0062

36,09933

< 2,22e-16

***

𝑒𝑛𝑣𝑖𝑡

-0,0147

0,0016

-9,33626

< 2,22e-16

***

2 𝑒𝑛𝑣𝑖𝑡

0,0006

0,0001

7,55027

4,49E-14

***

F-statistic

1269,894

p-value

< 2,22e-16

Workshop Impacto de la Inteligencia Computacional en Chile

***

68

Conclusiones Retail es una mina de oro en términos de datos Muchas tiendas, clientes, transacciones, productos

Chile como exportador de servicios de inteligencia computacional para el retail Apoyar decisiones complejas con información Disponibilidad Promociones

Nuevas oportunidades con Deep learning

Workshop Impacto de la Inteligencia Computacional en Chile

References Hinton, G. E., Osindero, S. and Teh, Y. (2006). A fast learning algorithm for deep belief nets. Neural Computation, 18, pp 1527-1554. Hinton, G. E. and Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks. Science, Vol. 313. no. 5786, pp. 504 - 507, 28 July 2006. Kuremoto, T., Kimura, S., Kobayashi, K., & Obayashi, M. (2014). Time series forecasting using a deep belief network with restricted Boltzmann machines. Neurocomputing, 137, 47-56. Längkvist, M., Karlsson, L., & Loutfi, A. (2014). A review of unsupervised feature learning and deep learning for time-series modeling. Pattern Recognition Letters, 42, 11-24. Erhan, D., Bengio, Y., Courville, A., Manzagol, P. A., Vincent, P., & Bengio, S. (2010). Why does unsupervised pre-training help deep learning?. The Journal of Machine Learning Research, 11, 625-660. Aburto, L., & Weber, R. (2007). Improved supply chain management based on hybrid demand forecasts. Applied Soft Computing, 7(1), 136-144. Aburto, L., & Weber, R. (2007). A sequential hybrid forecasting system for demand prediction. In Machine Learning and Data Mining in Pattern Recognition (pp. 518-532). Springer Berlin Heidelberg. Wan, He. (2014). Deep neural network based load forecast. Computer Modelling & New Technologies. 18(3) 258-262. Farabet, Couprie, Najman, LeCun. (2012). Scene Parsing with Multiscale Feature Learning, Purity Trees, and Optimal Covers. ICML 2012. Workshop Impacto de la Inteligencia Computacional en Chile

References De Gooijer, J. G., & Hyndman, R. J. (2006). 25 years of time series forecasting. International journal of forecasting, 22(3), 443-473. Khashei, M., & Bijari, M. (2010). An artificial neural network (p, d, q) model for timeseries forecasting. Expert Systems with applications, 37(1), 479-489. Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159-175. Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, 85-117. Ciresan, D., Meier, U., & Schmidhuber, J. (2012, June). Multi-column deep neural networks for image classification. In Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on (pp. 3642-3649). IEEE. Zhang, G., Patuwo, B. E., & Hu, M. Y. (1998). Forecasting with artificial neural networks:: The state of the art. International journal of forecasting, 14(1), 35-62. Smith, K. A., & Gupta, J. N. (2000). Neural networks in business: techniques and applications for the operations researcher. Computers & Operations Research, 27(11), 1023-1044. Box, G. E., Jenkins, G. M., & Reinsel, G. C. (2011). Time series analysis: forecasting and control (Vol. 734). John Wiley & Sons. Hamilton, J. D. (1994). Time series analysis (Vol. 2). Princeton: Princeton university press.

Workshop Impacto de la Inteligencia Computacional en Chile

Aplicaciones de Inteligencia Computacional y Big Data en el Retail Latinoamericano Luis Aburto Doctorado Sistemas de Ingeniería Departamento de Ingeniería Industrial Universidad de Chile [email protected] Twitter: luaburto

Workshop Impacto de la Inteligencia Computacional en Chile