Predicción
Predice la demanda diaria por tienda.
Un modelo por producto y por tienda, que aprende del tiempo de esa tienda, de sus festivos y de los eventos de su propia calle. No publicamos una cifra de precisión: el diagnóstico de 4 semanas la mide por producto y por tienda, sobre vuestro propio histórico.
¿Cómo se predice el día de una sola tienda?
Se entrena un modelo por producto y por tienda. Prophet lleva el calendario y la estación; un modelo XGBoost aprende el residuo que Prophet deja, con el tiempo de esa tienda, sus festivos y los eventos de su propia calle. El diagnóstico de cuatro semanas mide el error sobre vuestro histórico.
Calcula. Alerta. Propone. No decide. Cada predicción es trazable — verás por qué el modelo bajó el pan rústico el martes antes de aprobarlo.
¿Qué cuesta esto hoy?
- Reuniones de producción cada lunesLa producción se estima cada mañana sobre un Excel que nadie más entiende. Cada reunión de 30 minutos se multiplica por 7 tiendas.
- Mermas del 8-15% sin medirCada obrador hornea "casi igual". Esa diferencia te cuesta miles cada mes y nadie en tu organización lo está cuantificando.
- Ventas perdidas por roturaLa bollería se agota el sábado mediodía. El cliente se va a la competencia. No tienes dato para saber cuántos.
Antes / Después
¿Y qué cambia un lunes cualquiera?
El lunes de María — antes y con BakeWise.
| Hoy | Con BakeWise |
|---|---|
| Domingo 21h: pingo por WhatsApp a 7 encargados. | Viernes 17h: plan de la semana generado y aprobado. |
| Sumo a mano en Excel. | Export automático a cada obrador. |
| Cruzo dedos con el clima del martes. | Alerta proactiva si la previsión de clima cambia el lunes. |
¿Qué números podéis comprobar?
90 días
ventana de backtest a ciegas
60+
Variables por modelo
24h
Reentrenamiento
180 días
Horizonte de predicción
¿Qué hay debajo?
- Prophet + un modelo XGBoost sobre los residuosTendencia, estacionalidad, festivos, meteorología, puntos de interés y eventos locales. Más de sesenta señales declaradas; cada modelo conserva entre 15 y 40, elegidas según la rotación de ese producto. Reentrenamiento nocturno.
- DynamicRulesEngineAprende impacto del clima desde tus datos. Sin porcentajes hardcoded.
- Scenario plannerWhat-if: "¿Y si llueve el sábado?" — recalcula en segundos. Cadena+.
- Online learning + driftEl modelo se ajusta con cada venta. Alerta si la distribución cambia.
- Un modelo por tienda, no un modelo repartidoCada tienda tiene su propio modelo entrenado por producto, ajustado con su historial, su estación meteorológica y los puntos de interés de su entorno. La tienda del centro y la del polígono dejan de compartir curva.
¿Qué más se pregunta antes de decidir?
¿Qué pasa si no tengo 6 meses de datos?
Empezamos con baseline (media móvil + estacionalidad genérica) y mejoramos cada semana. La precisión sube a medida que se acumula histórico; el diagnóstico de 4 semanas mide dónde estáis de verdad, por producto y por tienda, en vez de que os demos una cifra.
¿Cómo aprende del clima?
DynamicRulesEngine correla cada condición AEMET con tus ventas históricas, producto a producto. Calibrado por tienda. Nunca usamos porcentajes hardcoded.
¿Puedo ajustar manualmente la predicción?
Sí. Cada plan es editable antes de enviar al obrador. El ajuste se devuelve al modelo como feedback para la próxima semana.
¿Cada cuánto se reentrenan los modelos?
Cada noche. Drift monitoring detecta cambios de distribución en ≤48h y dispara retrainings adicionales si hace falta.
¿Las predicciones son por tienda o agregadas?
Por tienda por producto. En Grupo se agrega adicionalmente para negociar con proveedores con datos de toda la red.