¿DÓNDE ABRIR PUNTOS DE ATENCIÓN RENTABLES?
¿CÓMO DISEÑAR RUTAS PARA INSTALAR Y HACER SOPORTE
TÉCNICO DE SERVICIO?
SAS ES UN PODEROSO MOTOR ANALÍTICO QUE AL POTENCIARSE CON
PYTHON GENERA UN ECOSISTEMA DE EFICIENCIA PREDICTIVA PARA
LAS ORGANIZACIONES.
¿QUIÉN ES NUESTRO CLIENTE?
Cliente A es una empresa líder en el sector de telecomunicaciones satelitales, enfocada en llevar internet a aquellas zonas donde no hay cableado de fibra óptica o cobertura de mecanismos de conexión tradicionales.
Ingresaron a Colombia en el 2017 y a la fecha han recorrido el 70% del territorio llevando conexión y por ende, desarrollo a zonas rurales del país y urbanas con mala cobertura.
Un sistema de instalación por antena, le permite al usuario tener una experiencia de conexión con óptimos anchos de banda.
¿CUÁL ES EL RETO DE NEGOCIO?
Los tiempos de llegada al mercado, exigen tener una fuerza de venta inteligentemente dispersa a lo largo del territorio, de igual forma, es necesario desplegar una red de soporte técnico e instalación, lo suficientemente robusta para dar cobertura a las nuevas instalaciones producto de la venta y a las reparaciones – soportes técnicos que se requieran.
Ampliar la red de ventas, implica tener puntos de atención que a su vez funcionen como bodegas para tener inventarios de antenas disponibles para responder a tiempo, sin afectar la experiencia del cliente.
En ambientes urbanos, esta seria una pregunta relativamente simple de responder, pero en terreno rural, la ausencia de información y cartografía especializada eleva el grado de complejidad de este problema.
¿RETOS ANALÍTICOS?
¿Cuántos clientes potenciales hay en cada una de las regiones?
¿Cómo ha sido nuestro histórico de ventas y cual es el crecimiento orgánico sin nuevos puntos de venta?
Para incrementar en un 35% las ventas, ¿Cuántos puntos de atención nuevos debemos abrir, en donde?
Para reducir en un 25% los tiempos de instalación ¿Qué rutas de servicio técnico debemos habilitar y en que secuencia?
¿Cómo está dispersa nuestra red de ventas y servicio en comparación con el TAM de cada región?
MODELO TAM
MODELO RESPUESTA INCREMENTAL
COEFICIENTE ESPACIAL DE CORRELACION BISERIAL.
Clustering y representación espacial de parámetros Poisson
Optimización no lineal de distancias con modelos finitos
mixtos.
MODELO TAM¿Cuántos clientes potenciales hay en cada una de las regiones?
Nombre Tipo EtiquetaCódigo DANE Numérico Llave Código DANE
Departmento Alfanumérico Departamento
ZONA Alfanumérico ZONA
Municipio Alfanumérico Municipio
FINAL COVERAGE Alfanumérico Cobertura satelital.
CUSTOMERS Numérico Cantidad de clientes activos
% RURAL Numérico Porcentaje de área rural del municipio
DANE_VA_2016 Monetario Valor agregado mas reciente (2016) DANE
Tendencia_VA Numérico Tendencia últimos 3 años Valor agregado DANE
DANE_IE_2016 Numérico Importancia económica DANE (2016)
Tendencia_IE Numérico Tendencia de la importancia económica últimos tres años
DANE_PR_2016 Numérico Peso relativo PIB 2016 DANE
Tendencia_PR Numérico Tendencia peso relativo PIB últimos 3 años
MIN_TIC_SUSCRIPTORES_2018_1 Numérico Suscriptores a internet fijo 2018
Tendencia_SUBS Numérico Tendencia de suscriptores internet fijo últimos 4 años
DANE_POBLACION_2018 Numérico Población municipal 2018
Tendencia_POB Numérico Tendencia poblacional últimos 4 años
MIN_TIC_PENETRACION_2018_1 Numérico Penetración de internet 2018
Tendencia_PTC Numérico Tendencia de penetración de internet últimos 4 años
Agropecuaria Numérico Clientes afiliados BAC sector agro
Empresarial Numérico Clientes empresariales BAC
Microempresas Numérico Clientes microempresariales BAC
Oficial Numérico Clientes sector oficial BAC
Persona Numérico Clientes personas BAC
Google Numérico Señales de búsqueda en google
Cuenta_coriente Monetario Depósitos cuenta corriente
Depósitos_simples Monetario Depósitos simples
Certificado_de_depósitos Monetario Certificados de deósito
Depósito_de_ahorros Monetario Depósito de ahorros
Cambios poblacional
es entre 2015 - 2018
ods graphics on;
proc quantreg ;
run;
ods graphics off;
Cantidad de personas estimadas con el
conjunto de condiciones de
ingresos, composición familiar, acceso y uso
de internet.
RESPUESTA
ORGÁNICA¿Cómo ha sido nuestro histórico de ventas y cual es el crecimiento orgánico sin nuevos puntos de venta?
TIEMPO
VEN
TAS
* G
EOG
RA
FIA
1
La venta orgánica, estará definida como el pronóstico de la venta, departamento a departamento,
con la cantidad de puntos de venta actuales.
Venta orgánica.
ODS GRAPHIC ON;
PROC ARIMA ;
RUN;
ODS GRAPHIC
OFF;
CLUSTERING
ESPECIALPara incrementar en un 35% las ventas, ¿Cuántos puntos de atención nuevos debemos abrir, en donde?
OSRM PYTHON APIOPEN SOURCE ROUTING MACHINE
Muy flexible para importar datos de OpenStreetMap.
Puede manejar redes de tamaño continental en milisegundos.
Soporta rutas en modo Carro, Bicicleta.
Python Wrapper: https://github.com/ustroetz/python-osrmOSRM: http://project-osrm.org/
OSRM PYTHON APIOPEN SOURCE ROUTING MACHINE
Matriz de Distancias (KM)
FACILITY LOCATION PROBLEM
PULP LIBRARY
PARAMETROS DEL PROBLEMA:
Provisión: Un punto de venta tiene la capacidad de atender X (X: Definido por el negocio) tamaño de mercado Demanda: Tamaño de Mercado en cada municipioCosto: Matriz de distancias (KM)
Función Objetivo: Minimizar el costo (distancias recorridas).
Restricciones:
1. La demanda (tamaño de mercado) debe ser atendido por los puntos de venta.
2. Todos los municipios deben ser atendidos por al menos un punto de venta.
3. Apertura de un mínimo (N: Definido por el negocio) de Puntos de Venta.
EJECUTAR PROCESO PYTHON DESDE SAS
run_kcenter_from_sas.py
CLUSTERS GENERADOS POR REGIÓN
ESTIMACIÓN VENTAS PROMEDIO POR MES
MODELO DE REGRESIÓN POISSON
GENERAR PROBABILIDAD DE VENTA (>8) POR CLUSTERSMODELO REGRESIÓN LOGÍSTICA
Prob. Ventas (>8) =1
1+𝑒−3.7+0.67 𝐼𝑁𝐶 +0.22 𝐼𝐹𝐶 +0.22 𝐷𝐹𝐶 −0.01 (𝐷𝐷𝐶𝐶))
Obtener Probabilidad de Ventas (>8) por Cluster:
- Se ejecutó un Modelo de Regresión Logístico tomando como variable objetivo los Clusters que superaban el promedio de ventas de 8 al mes.
- El resultado del modelo fue significativo, con una curva ROC de 0.94
TABLA CON LOS RESULTADOS DE
LAS REGRESIONES POR CLUSTER
ENTREGABLE DE ANALISIS
PUNTOS DE VENTA PROPUESTOS
Top Related