Proyectos de Innovación

---

1. Localizamos 35.000 PdV en Madrid. Identificamos sus características, momentos de consumo, tráfico humano y redes sociales.   

Utilizando tecnología semántica y Advanced Analytics identificamos 3.400 PdV idóneos para los productos de nuestro cliente.

        Desarrollamos los ruteros utilizando un algoritmo de optimización según las coordenadas y ratios comerciales.

   Resultados: 

• •Integrar las herramientas en los procesos diarios para conseguir un 77% de targets correctos.  •Aumentar un 53% la efectividad comercial pasando de 15 a 23 visitas ‘guiadas’.  

          Incorporamos un gran volumen de datos, tanto internos del banco como, geoespaciales, procedentes de señales GPS de móviles y  datos socioeconómicos.

   Resultados: 

Identificamos las sucursales mas afectadas porcambios en el comportamiento del consumidor en todo el territorio nacional.

          A través de un algoritmo detectamos las variables que influyen en el comportamiento del cliente desarrollando un modelo de predicción a través de aprendizaje automático.

   Resultados:   

•Identificar y predecir las tendencias en banca retail en todo el territorio nacional.

•Descubrir anomalías en determinadas oficinas y zonas de influencia.

•Desarrollo de un modelo para predecir afluencia extensible a cualquier tipo de Retailer.

          Captura y clasificación de información de precios leyendo información de fotografías y utilizando algoritmos de clasificación.

Resultados: 

•Conocer el precio de venta ‘on_trade’ ,‘off-trade’ de los productos propios y de la competencia en todo el mercado nacional sin necesidad de prospección..   

•Dotamos a la FFVV de una herramienta avanzada de Business Intelligence en movilidad utilizando la herramienta PowerBI. Incorporando algoritmos avanzados para ‘predecir’ los resultados de sus acciones comerciales.

•Utilizamos técnicas de tecnología semántica para tratar las opiniones de los usuarios para validar la calidad del local y el perfil del consumidor.

•Integrar la información de internet con datos procedentes de los distribuidores para ‘entrenar’ al modelo de aprendizaje automático.

Resultados: 

•  

•Identificar los 5000 top restaurantes y vinotecas de alta gama del mercado nacional sobre una base de 280.000 posibles. Con un coste y esfuerzo mínimo para nuestro cliente.

      Sistema de aprendizaje automático   basado en las señales del sistema AIS, predicciones de meteorología Open Data   y dispositivos IoT conectados a red DGPS. Adherentes y re-aprovechables   colocados en los extremos de cada buque.

Base de datos del sector Hostelería   basada en tecnología geoespacial, redes sociales y afluencia de público y momento de consumo a través de las señales de móviles.

Estudio de medición del impacto Covid en los Sectores de Comercio Minorista y Hostelero. Incluye una foto pre-y post Covid a nivel tienda y local de hostelería. Los datos de muestran anonimizados.   

Desarrollod e un sistema experimental capaz de identificar excepciones en afluencias de público en establecimientos de retail utilizando datos procedentes de señales de móviles.

Modelo para identificar 'paralelos' de producto que violan la política comercial del cliente.