Delphine
forecasting de demanda de calzado con ML
Predicción multimodal de sell-through para calzado: una foto del zapato más sus atributos, y un veredicto comprar/pasar antes de la temporada.
- Filas de entrenamiento
- 134.690
- AUC fuera de muestra
- 0,723
- Features del modelo
- 105
El problema
Las compras de calzado se deciden meses antes del lanzamiento, mirando una foto y una ficha. Equivocarse en grande significa liquidar con margen negativo; quedarse corto significa perder la temporada.
Cómo funciona
Una red neuronal de fusión tardía combina la fotografía del producto (EfficientNet-B0) con atributos categóricos — marca, modelo, material, color, género, temporada — y variables numéricas como precio, y predice la velocidad de venta semanal. El comprador interactúa por un bot de Telegram: manda la foto, recibe el veredicto con banda de incertidumbre calibrada.
Dentro del sistema.
Mi perspectiva
Delphine pertenece al portafolio de IA que construimos para Yáneken. Lleva un enfoque de ingeniería a una decisión comercial: elegir calzado meses antes de que los clientes nos digan qué quieren. El comprador aporta criterio; el sistema, una lectura del riesgo.
La decisión de diseño
Combinar la imagen del producto con atributos estructurados y precio. El modelo publicado usa una red de fusión tardía con EfficientNet-B0 para la fotografía. La respuesta llega al comprador por Telegram, acompañada de una banda de incertidumbre. La decisión final de compra sigue siendo de la persona.
Qué muestra el resultado
La ficha publicada contiene 134.690 filas de entrenamiento, 105 variables y un AUC fuera de muestra de 0,723. El AUC mide la capacidad de ordenar casos en el conjunto de evaluación. No debe leerse como un 72,3% de aciertos ni como una garantía para un zapato individual.
Cómo leer la evidencia
La ficha pública no incluye la definición de la muestra de evaluación ni una comparación con una base simple. Esos detalles son necesarios para evaluar mejor la generalización. Aquí no se afirma una reducción de liquidaciones ni un aumento de margen de compra; el resultado reportado es la métrica del modelo, y el comprador conserva la decisión.
El recorrido de una decisión
- 01
El comprador entrega la foto del producto por la interfaz de Telegram.
- 02
El modelo combina información visual con atributos como marca, material, temporada y precio.
- 03
Un veredicto comprar/pasar y su banda de incertidumbre informan la evaluación del comprador antes de la temporada.
El criterio detrás del trabajo, en mis ensayos:
Qué hace
- 01
Multimodal de verdad
La foto del producto es una variable del modelo, no una decoración: visión más metadata en una sola red.
- 02
Veredicto con incertidumbre
Comprar o pasar, con banda de incertidumbre calibrada — el modelo dice también cuánto confía.
- 03
En el flujo del comprador
Interfaz por Telegram: el veredicto llega donde el comprador ya trabaja, sin sistema nuevo que aprender.
Límites
AUC de 0,723 fuera de muestra: el modelo ordena bien el riesgo, pero no reemplaza el criterio del comprador en decisiones individuales. Por eso el veredicto viaja con banda de incertidumbre.
Proyectos relacionados
- IRISIA multimodal para la operación de tiendas
- Meridianmarketing mix modeling bayesiano para retail
- Andreasimulación de consumidores con IA para marketing
Estado y cifras: agosto de 2026
Si reconoces este problema en tu empresa, conversemos. Para una implementación con mi equipo, el trabajo de asesoría vive en Menlo & Oak.