¿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?

OPENSTREETMAP

DATA

https://www.openstreetmap.org

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