Proyección de Demanda con IA

Fundada en 1980, Forus es una de las empresas chilenas más destacadas en la venta mayorista y minorista de primeras marcas de indumentaria, con un total de 519 tiendas. Opera en seis mercados de la región, combinando venta física, comercio electrónico y operación mayorista. La organización tenía grandes desafíos por delante. Su información de negocio se encontraba distribuida entre el ERP, los sistemas de punto de venta de las tiendas, la plataforma de e-commerce, los sistemas de proveedores y múltiples planillas, sin una capa de datos común y confiable que permitiera a las distintas áreas trabajar sobre una misma versión de la información. En una industria de retail de moda, esta situación tiene un impacto directo en el negocio: comprar en exceso implica margen que se pierde en procesos de liquidación, mientras que comprar por debajo de la demanda representa ventas que no se recuperan. Al no contar con una base de datos única y gobernada, las decisiones de compra dependían en gran medida del criterio del planificador a cargo, lo que además dificultaba la posibilidad de escalar iniciativas de inteligencia artificial.

Ingenia diseñó y construyó sobre BigQuery una arquitectura de datos moderna, con el data lake como capa única de verdad. A través de procesos de extracción e ingesta asistidos por inteligencia artificial, se consolidó la totalidad del dato disperso, y se modeló la plataforma para que una misma base alimentara tanto la analítica descriptiva como los modelos de machine learning de compra. Forus consolidó la totalidad de su información en un data lake sobre BigQuery, lo que le permitió, por primera vez, planificar sus compras utilizando modelos de machine learning. A su vez, el equipo interno quedó a cargo de la plataforma, garantizando su autonomía sobre la solución.

En lugar de replicar los silos de información existentes, se unificaron todas las fuentes en una capa gobernada sobre BigQuery y almacenamiento de objetos. Contar con una única fuente de verdad permite habilitar procesos de BI y de machine learning sin duplicar pipelines ni generar discusiones sobre la validez de los datos.

Dada la heterogeneidad y cantidad de fuentes involucradas —ERP, POS, e-commerce y proveedores—, se utilizaron modelos de inteligencia artificial para acelerar los procesos de extracción y normalización, reduciendo de varios meses a pocas semanas el tiempo de mapeo manual y disminuyendo el costo de incorporar nuevas fuentes.

La plataforma fue diseñada con foco en la escalabilidad: hoy permite responder tanto qué ocurrió, a través de la analítica descriptiva, como cuánto comprar, mediante modelos de machine learning de demanda por país y marca, utilizando la misma base de datos y sin necesidad de reconstruir la arquitectura.

Con la información unificada, los equipos de planificación dejaron de trabajar con planillas de cálculo y comenzaron a operar con proyecciones basadas en machine learning. Las compras se ajustaron a la demanda real de cada país y marca, lo que permitió a Ingenia sentar las bases para alcanzar: Reducción de quiebres de stock, disminución de la liquidación por sobre stock, recuperación de margen sin incrementar la dotación de personal, proyección de demanda por país y marca y una base de datos preparada para escalar hacia nuevos casos de uso de inteligencia artificial. Forus quedó posicionada sobre una base de datos preparada para dar sustento a los próximos casos de uso de inteligencia artificial, consolidándose como una plataforma en constante evolución y no como un proyecto cerrado.