Caso real · Logística alimentaria
Cómo una distribuidora sevillana redujo un 31% sus pérdidas con Artificial Intelligence
Distribuciones Aljarafe procesaba 14.000 pedidos semanales y tiraba producto fresco por errores de previsión. En 2024 implantamos un modelo de demanda basado en series temporales, datos meteorológicos y calendario festivo local. Cinco meses después, la merma pasó de 9,2% a 6,3% sin cambiar plantilla ni rutas.
Ficha del proyecto
- Cliente
- Distribuciones Aljarafe
- Sector
- Alimentación perecedera
- Duración
- 22 semanas
- Modelo
- LSTM + XGBoost ensemble
- Dato clave
- −31% merma
- Equipo
- 2 ingenieros ML + 1 analista
«Antes pedíamos por intuición y por lo que recordaba el encargado del turno anterior. Ahora el sistema nos dice cuántas cajas de cada referencia necesitamos mañana, y acierta más que nosotros.» — Responsable de operaciones, Distribuciones Aljarafe
El problema concreto
El exceso de stock en verduras de hoja generaba un 42% de la merma total. Los viernes previos a festivos locales, la desviación llegaba al doble.
Narrativa del proyecto
Empezamos con una auditoría de datos de seis semanas. El ERP del cliente guardaba históricos de ventas desde 2019, pero en tres formatos distintos y con huecos de semanas enteras durante el confinamiento. Limpiamos, normalizamos y rellenamos lagunas con interpolación bayesiana antes de entrenar nada.
El primer modelo candidato fue un ARIMA estacional. Funcionaba bien para productos estables (leche entera, huevos), pero fallaba en hortalizas porque no capturaba picos de demanda ligados al tiempo atmosférico. Incorporamos datos de AEMET y un calendario de ferias y Semana Santa. El ensemble LSTM + XGBoost superó al ARIMA en un 18% de error absoluto medio.
Desplegamos el modelo como microservicio conectado al ERP vía API REST. Cada noche a las 02:00 recalcula la previsión y genera la propuesta de pedido. El encargado revisa, ajusta si quiere y confirma. En la práctica, modifica menos del 7% de las líneas.
Resultado financiero
El ahorro estimado en el primer año supera los 185.000 €, solo en producto no desperdiciado. El coste del proyecto fue inferior a un tercio de esa cifra.
Almacén del cliente durante la fase de integración del sistema predictivo. La previsión automática se conectó directamente a las terminales de picking.
Mapa de capacidades técnicas
| Capacidad | Qué hacemos | Tecnologías habituales | Plazo típico |
|---|---|---|---|
| Previsión de demanda | Modelos de series temporales con variables exógenas para anticipar ventas, consumo o carga | Prophet, LSTM, XGBoost, ARIMA | 10–16 semanas |
| Visión artificial | Detección de defectos en línea de producción, clasificación de producto, lectura de documentos | YOLOv8, OpenCV, Tesseract OCR | 8–14 semanas |
| Procesamiento de lenguaje | Chatbots internos, resumen de documentación técnica, análisis de opinión en reseñas | GPT-4o fine-tuned, spaCy, Haystack | 6–12 semanas |
| Automatización de procesos | Extracción de datos de facturas, conciliación bancaria, generación de informes periódicos | Python, Airflow, n8n, APIs REST | 4–8 semanas |
| Estrategia de datos | Auditoría de calidad de datos, diseño de data lake, gobernanza y métricas de madurez | dbt, BigQuery, Metabase | 3–6 semanas |
Por qué no seguimos un proceso lineal
La mayoría de consultoras vende un embudo de cinco fases. Nosotros trabajamos en ciclos cortos porque los datos reales siempre sorprenden. Un modelo que parecía perfecto en el entorno de pruebas puede fallar la primera semana en producción si cambia un proveedor o si el formato de un campo del ERP varía.
Cada ciclo dura entre dos y cuatro semanas. Al final de cada uno hay un entregable funcional que el equipo del cliente puede probar. No hay presentaciones de 60 diapositivas sin código detrás.
Nuestro método de trabajo
Arrancamos con lo que llamamos «semana cero»: nos sentamos con las personas que tocan los datos a diario. No con dirección, sino con el operario que rellena el Excel, la administrativa que cuadra facturas, el técnico que revisa la línea. Ahí descubrimos dónde duele de verdad.
Con esa información construimos un prototipo mínimo. A veces es un script de 200 líneas que demuestra que el dato existe y que el modelo puede aprender algo útil. Si el prototipo no convence, paramos. No cobramos por meses de consultoría que no llevan a ningún sitio.
Cuando el prototipo funciona, iteramos: más datos, mejor ingeniería de features, validación cruzada rigurosa, pruebas de estrés. Desplegamos en la infraestructura del cliente o en una nube gestionada, según lo que tenga más sentido económico.
Después del despliegue seguimos monitorizando el rendimiento del modelo. Los datos cambian, los mercados cambian, los productos cambian. Un modelo sin mantenimiento se degrada en meses. Ofrecemos contratos de seguimiento trimestral para reentrenar y ajustar.
Clínica dental, Triana
Modelo de predicción de cancelaciones que redujo los huecos en agenda un 22%. El sistema envía recordatorios personalizados según la probabilidad de no-show de cada paciente.
Bodega cooperativa, Condado de Huelva
Visión artificial para clasificar uva en cinta transportadora según madurez y defectos visibles. Sustituyó un proceso manual que requería tres personas por turno.
Despacho de abogados, centro de Sevilla
Extracción automática de datos de escrituras y contratos escaneados. El sistema lee, clasifica y rellena campos en el gestor documental sin intervención humana.
Preguntas frecuentes
¿Necesito tener mis datos ya organizados para empezar?
No. Parte de nuestro trabajo inicial es evaluar qué datos existen, en qué formato están y cuánto esfuerzo requiere limpiarlos. Hemos trabajado con clientes cuyo único registro era un Excel compartido en Google Drive. Lo importante es que haya datos históricos de al menos 12 meses, aunque estén desordenados.
¿Cuánto cuesta un proyecto típico?
Depende del alcance, pero un proyecto de automatización sencillo puede arrancar desde 8.000 € y uno de modelado predictivo completo suele moverse entre 25.000 € y 60.000 €. Siempre damos un presupuesto cerrado tras la semana cero, que tiene un coste fijo de 1.500 €.
¿Qué pasa si el modelo no funciona bien?
Si durante el prototipo vemos que los datos no dan para un modelo fiable, lo decimos y paramos. No tiene sentido construir algo que va a fallar en producción. En ese caso, el cliente solo paga la fase de diagnóstico.
¿Trabajáis solo en Sevilla?
Nuestra oficina está en Sevilla, pero hemos hecho proyectos en Madrid, Valencia y Lisboa. La semana cero preferimos hacerla presencial, el resto del trabajo puede ser remoto sin problema.
¿Mis datos están seguros?
Firmamos un acuerdo de confidencialidad antes de acceder a cualquier dato. Trabajamos en entornos aislados, nunca subimos datos de cliente a servicios de terceros sin autorización expresa, y al terminar el proyecto eliminamos todas las copias locales.
Cuéntanos tu caso
Contacto directo
Si prefieres llamar o escribir directamente:
Sección Víctor s/n., 41001 Seville, Andalusia, Spain
Clear AI Consult
Sección Víctor s/n., 41001 Seville, Andalusia, Spain
Especialistas en inteligencia artificial aplicada a operaciones, logística, salud y servicios profesionales. Trabajamos con empresas que ya tienen datos pero no saben cómo convertirlos en decisiones mejores.