Llevábamos dos años acumulando datos de sensores en nuestras líneas de producción sin hacer nada con ellos. El equipo de Ai Involvement montó un sistema de detección de anomalías que nos avisa antes de que una máquina falle. En los primeros seis meses evitamos tres paradas no planificadas que nos habrían costado unos 15.000 euros cada una.
Lo que opinan nuestros clientes
Pedimos a cada cliente que nos evalúe al terminar el proyecto. Estas son algunas de las respuestas que hemos recibido entre 2021 y 2024.
Necesitábamos un chatbot que entendiera las preguntas de nuestros asegurados en español coloquial, con faltas de ortografía incluidas. Laura y su equipo entrenaron un modelo que acierta en el 82 % de los casos sin intervención humana. Nuestro departamento de atención al cliente pasó de gestionar 1.400 llamadas diarias a menos de 300.
El modelo de previsión de demanda que nos desarrollaron funciona bien para productos de rotación alta. Para los de rotación baja todavía necesita ajustes, y el equipo está trabajando en ello. Lo que más valoro es la transparencia: desde el principio nos dijeron que los productos con pocas ventas serían más difíciles de predecir, y así ha sido.
Contratamos la auditoría de datos antes de empezar el proyecto de IA. Fue la mejor decisión. Descubrieron que teníamos duplicados en el 17 % de nuestros registros de clientes y campos mal etiquetados en la base de datos de pedidos. Limpiaron todo eso antes de construir el modelo, y el resultado fue mucho más fiable de lo que esperábamos.
Somos una empresa pequeña, 12 personas, y pensábamos que la IA no era para nosotros. Marcos nos convenció de que con seis meses de datos de ventas ya podíamos hacer algo útil. El modelo nos dice qué productos promocionar cada semana, y las ventas de esos productos han subido un 14 % desde que lo usamos.
El proyecto de automatización de informes nos ahorra unas 20 horas semanales de trabajo manual. El único punto mejorable fue que la formación inicial se quedó un poco corta para nuestro equipo, que no tiene perfil técnico. Pedimos una sesión extra y nos la dieron sin coste adicional.
Casos de estudio
Dos proyectos explicados con más detalle: qué problema tenía el cliente, qué hicimos y qué resultados obtuvimos.
Previsión de demanda farmacéutica
-23 % exceso de stockUna cadena de 14 farmacias en la provincia de Valencia acumulaba productos estacionales que caducaban antes de venderse. Antigripales, protectores solares y antihistamínicos representaban el grueso del desperdicio.
Construimos un modelo de series temporales que combina datos de ventas históricas, calendario de festivos y previsiones meteorológicas a 15 días. El modelo genera pedidos sugeridos cada lunes por la mañana. El farmacéutico puede aceptarlos, modificarlos o rechazarlos desde una interfaz web sencilla.
En el primer año de uso, el exceso de stock se redujo un 23 % y el desperdicio por caducidad bajó un 31 %. La cadena estimó un ahorro neto de 38.000 euros, descontando el coste del proyecto.
Chatbot para atención al asegurado
78 % resolución automáticaUna aseguradora con 120.000 pólizas activas recibía 1.400 llamadas diarias, la mayoría sobre consultas repetitivas: estado de un siniestro, copia de póliza, cambio de datos bancarios. El tiempo medio de espera superaba los 8 minutos.
Desarrollamos un asistente conversacional entrenado con 18 meses de transcripciones reales de llamadas. El modelo entiende variaciones coloquiales del español, abreviaturas y errores ortográficos habituales en chat. Se integró con el CRM de la aseguradora para consultar datos del cliente en tiempo real.
Tras tres meses de funcionamiento, el bot resuelve el 78 % de las consultas sin intervención humana. Las llamadas al centro bajaron a menos de 300 diarias, y el tiempo medio de espera para las que sí llegan a un agente se redujo a 2 minutos.
Resumen de satisfacción
Datos agregados de las encuestas de satisfacción que enviamos al cerrar cada proyecto. La encuesta tiene 10 preguntas y se responde en unos 5 minutos.
El 8 % que no nos recomendaría señaló como motivo principal que el proyecto no cumplió sus expectativas de rendimiento del modelo. En todos esos casos, el problema estaba relacionado con la calidad o cantidad de datos disponibles, algo que ahora abordamos antes de empezar con nuestra auditoría de datos previa.
Desde que implantamos esa auditoría a principios de 2024, la puntuación media ha subido de 4,5 a 4,7. Creemos que seguirá mejorando a medida que identifiquemos antes los proyectos donde los datos no son suficientes.
¿Quieres resultados como estos?
Cuéntanos tu caso. La primera consulta de 45 minutos es gratuita. Evaluamos tus datos, tu problema y te decimos si podemos ayudarte.
Solicita tu consulta