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.
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
Última actualización: agosto de 2026
¿Operas retail y esto te suena a un problema tuyo? El lado advisory de este trabajo vive en Menlo & Oak — y siempre puedes escribirme directo.