Pipeline de Reposición Inteligente
Flujo completo desde la ingesta de datos hasta el despacho en tienda — Región Metropolitana
Fuentes de Datos e Ingesta Segura
Los datos viajan desde los sistemas transaccionales, segmentos agregados de clientes y fuentes externas a través de una capa de seguridad obligatoria antes de tocar el data lake analítico — sin PII en ninguna etapa.
trending_up Señales de tendencias en vivo (TikTok · Instagram) Últimos 30 días
Top Tendencias Detectadas
Procesamiento IA: BigQuery + Vertex AI
Los datos estandarizados se transforman en features de Machine Learning y alimentan el motor de predicción y decisión. La arquitectura Medallion (Bronce → Plata → Oro) gobierna el flujo.
Motor de predicción de demanda y generación de órdenes de reposición. Procesamiento cada 15 minutos en pipelines de Vertex AI Pipelines.
Módulos de Procesamiento
Calcula inventario neto real, detecta dark stores / ship-from-store por comuna, y bloquea SKU obsoletos automáticamente.
Stock real = Tienda + Bodega + Tránsito − Bloqueos. Si la tienda opera como dark store para su comuna, aumenta requerimiento.
Modela el efecto derrame: si un producto se agota en Tienda A y los clientes migran a Tienda B, compensa el stock en Tienda B.
Usa state_id como proxy de zona/cluster (oriente vs. poniente). Coeficiente de spillover entrenado por ML.
Clasifica cada SKU según su ciclo: Atemporal (reposición continua), Estacional (agresivo al inicio, decay antes del cambio), Moda/Tendencia (modulado por RRSS), Obsoleto (bloqueo + liquidación).
Desglose de pedidos respetando curvas de talla/color específicas de cada tienda.
Cruza afinidad agregada y anonimizada de segmentos con picos de tendencias en RRSS.
Si un producto se vuelve viral, anticipa el quiebre y genera una sugerencia extraordinaria para tiendas con afinidad de segmento.
Flujo de Decisión (por Facility + SKU)
functions Fórmulas clave del motor de decisión SS · ROP · OQ · Trend Score
z = factor de nivel de servicio (dinámico según criticidad) · σd = desviación estándar de demanda localizada por tienda × SKU · L = lead time desde CD a tienda
d̅ = demanda diaria promedio (predicha por ML, no promedio histórico) · L = lead time · SS = Stock de Seguridad
Pred = Predicción de demanda · Stock = Stock actual (tienda + bodega) · MOQ = Cantidad mínima de pedido (caja/empaque)
Aplica curva de decaimiento temporal (3–14 días de relevancia). Normalizado contra el volumen histórico del SKU.
Tendencia TikTok
#Gorpcore
+340% menciones en 7 días
↑ Demanda
+18%
Búsquedas outdoor
Historial
0.82
Correlación temporada
Stock
2.3 días
Cobertura actual
Quiebre
Día 4
Proyectado sin acción
24 unid.
Óptimo
MOQ + capacidad
Propuesta
94%
Confianza del modelo
Outputs del Motor IA
El mismo modelo Vertex AI genera dos salidas con distintos dueños y niveles de autonomía.
Forecast SKU-Local
Para Compras / Planning · Distribución Inicial (Ebook)A continuación se presenta el informe proyectado de ventas e insumos de distribución inicial (allocation) por SKU-Tienda a 4 semanas. La estimación utiliza curvas de venta históricas consolidadas en allocation_input y sku_local_forecast_4w, distinguiendo patrones por zona/cluster físico para asegurar óptima profundidad sin sobreinventariar.
| SKU-Local (store|item) | Descripción | Zona (store/state) | Semana | Venta proy [lo–hi] | Profundidad 4s | Confianza |
|---|
Insumo directo para el Ebook — no requiere aprobación humana.
Órdenes de Reposición
Para planificación · Pedido sugerido por SKU × Tienda × Talla/Color| Prioridad | Tienda | SKU | Producto | Talla | Color | Stock | Demanda | Pedido | Confianza | Justificación |
|---|
Ejecución: Aprobación y Despacho
Selecciona una fila de la tabla de Reposición para ver su estado — de la recomendación de IA al despacho en tienda.