Pedido Sugerido Tienda

Indicadores y procesos de mejora

Desde su origen, Pedido Sugerido Tienda ha sido concebido como un sistema dinámico, con filosofía data-driven y enfocado en la mejora continua. La solución ejecuta diariamente más de 900 modelos predictivos y de optimización, abarcando más de 1.000 artículos del catálogo por estación. Gran parte del éxito de la solución reside en el reducido tiempo total de ejecución, que gracias a la paralelización de procesos brinda dinamismo y flexibilidad.

Entre los principales KPIs destacan: reducción del 0,05 % en roturas de stock (con impacto directo en ventas), ahorro estimado de un 10% en dedicación de los encargados y una disminución significativa del desperdicio y transporte, con impacto en emisiones. Además, sistema se planteó con una filosofía de mejora continua por lo que los modelos son reentrenados de forma periódica, teniendo en cuenta su desempeño reciente a nivel de estación. También se han desarrollado herramientas de monitorización y seguimiento de resultados (logs, dashboards).

Cuantificación/Estimación reducción consumo

La optimización del surtido mediante IA reduce productos innecesarios en tienda, disminuyendo el peso transportado y, con ello, el consumo energético y las emisiones de CO₂. Aunque no fue diseñado exclusivamente para eficiencia energética, el sistema mejora la sostenibilidad: menos desperdicio, menos viajes logísticos y mayor precisión en la reposición. Además, evita sobrepedidos, potencia la venta de nuevos productos gracias a la integración con planogramas y facilita la actualización del catálogo. Al liberar tiempo operativo del personal, se optimiza el uso de recursos en tienda, permitiendo el desempeñó en otras tareas. Estos efectos, medidos en MVP y Piloto, se consolidan como palancas indirectas pero efectivas de ahorro energético.

Cuantificación/Estimación reducción emisiones CO2

La reducción de emisiones de CO₂ se deriva principalmente de dos palancas: la disminución del desperdicio de productos y la optimización del peso transportado en la cadena logística. Al ajustar con precisión los pedidos a la demanda real, el sistema evita sobrestock y productos caducados, lo que reduce la necesidad de reposiciones urgentes y el volumen de mercancía transportada. Esta eficiencia logística implica menos trayectos, menor consumo de combustible y, por tanto, una menor huella de carbono. Aunque el proyecto no se diseñó con un objetivo directo de descarbonización, su impacto ambiental es tangible: se estima una reducción significativa de emisiones por tonelada transportada y por unidad de producto no desperdiciado. La arquitectura sobre ARiA permite monitorizar estos efectos de forma continua, facilitando su trazabilidad y evolución como parte de la estrategia de sostenibilidad de Repsol.

Innovación aplicada y buenas prácticas

Pedido Sugerido Tienda marca un hito innovador en el retail energético al aplicar inteligencia artificial para transformar la gestión de pedidos en estaciones de servicio. La solución integra modelos avanzados de predicción de demanda y optimización matemática, ejecutados de forma diaria en paralelo para más de 900 estaciones y procesando más de 900.000 series temporales. Desarrollada sobre ARiA, la plataforma Cloud de analítica avanzada de Repsol, e integrada en la app operativa MOM, destaca por su arquitectura escalable, reentrenamiento continuo, trazabilidad total y despliegue progresivo con validación de negocio. Su diseño modular y replicable, basado en datos reales, no solo mejora la eficiencia operativa, sino que establece un nuevo estándar exportable a otros entornos logísticos y comerciales.

Uso de tecnologías (TICs)

La solución constituye un ecosistema tecnológico de vanguardia que combina inteligencia artificial, analítica avanzada y arquitectura cloud. Los modelos predictivos y de optimización se ejecutan en paralelo en AILAB, entorno especializado en machine learning, y se integran en ARiA, la plataforma de datos e IA de Repsol. Aunque participan varios proveedores, el núcleo tecnológico se apoya en Azure, con ingestas desde SAP, SharePoint y DataLake, y procesamiento mediante Azure Batch y Databricks. La integración vía API con múltiples herramientas y el uso de soluciones RAIP como Repsens (predicción de demanda) y Repsolver (optimización de pedidos) refuerzan su capacidad analítica. El despliegue en la app móvil MOM permite una gestión directa en tienda. Su arquitectura modular, escalable y segura facilita trazabilidad, reentrenamiento continuo y evolución ágil, consolidando un modelo innovador de digitalización y eficiencia operativa.