La Inteligencia Artificial Reinventa El Sector Moda

La Inteligencia
Artificial reinventa
el sector Moda
Índice
1
Intro general
Contexto 4
2
¡Pasamos a la acción! 88
Cadena de valor - Ámbitos de actuación 7

06 Así generamos un roadmap de casos de uso 91
01 Transforma el conocimiento de mercado 8 07 AI Prototyping Labs powered by NTT DATA 94

en valor de negocio & Google Cloud
Casos de uso y metodología
08 Una metodología para la Innovación, 95
02 Modelo inteligente de relación con el cliente 25

del prototipo a los Servicios Digitales Inteligentes
Canales físicos 09 Cómo garantizamos el alineamiento ético

de las iniciativas IA
99

10 Llevamos las iniciativas de IA a escala 100
Canales digitales
11 Equipos y talento 101
Contáctanos, estamos a tu disposición 104

04 Cadena de suministro y competitividad operativa 57
05 Talento y organización 74
Colaboración humano-máquina
1
Fashion Retail | 2022
Intro general
Contexto 4
Cadena de valor - Ámbitos de actuación 7
01 Transforma el conocimiento de mercado 8

en valor de negocio

Canales físicos

Canales digitales
04 Cadena de suministro y competitividad operativa 57

05 Talento y organización 74
Colaboración humano-máquina
Fashion Retail . NTT DATA | Google Cloud 3

Contexto
Fashion Retail 2022
NTT DATA y Google Cloud nos hemos aliado para crear
una visión conjunta de la reinvención del sector de la
Moda impulsada por la Inteligencia Artificial, dando
paso a un nuevo modelo de generación de valor para las
marcas.
Esta visión, pensada tanto para tecnólogos como

para perfiles de negocio, pretende no sólo inspirar
sobre la aplicación de la IA para atraer al cliente digital
con propuestas innovadoras, hiper-personalizadas y
diferenciales, sino ilustrar también que su adopción es
más sencilla y acotada en tiempo y costes de lo que a
priori pudiera parecer.
A continuación, os mostramos cómo lo hacemos

realidad.
Fashion
FashionRetail
Retail. .NTT
NTTDATA
DATA | | Google
GoogleCloud
Cloud 44
David Ubide Alberto Céniz
Head of Retail & Fashion Director Comercial Retail & FSI
NTT DATA España
Para NTT DATA, reinventar el sector moda con Google Cloud y especialmente A medida que la necesidad de transformación digital continúa acelerándose,
en el ámbito de la IA representa acelerar la puesta en el mercado de nuestro desde Google Cloud y NTT DATA queremos ayudar a los retailers a
conocimiento tecnológico y de negocio. mantenerse a la vanguardia con soluciones para el crecimiento digital
y omnicanal, con experiencias basadas en datos y centradas en el cliente
Nuestro objetivo: ayudar a las empresas de moda en el marco de su y la mejora operativa.
estrategia de transformación digital en la adopción de innovadores casos de
uso y modelos de negocio que generen una mayor satisfacción de cliente así
como eficiencia operativa.
Fashion
FashionRetail
Retail . . NTT
NTTDATA
DATA | | Google
GoogleCloud
Cloud 55
Las tecnologías de Inteligencia Artificial (IA) están demostrando el potencial de consolidarse La Inteligencia Artificial sustenta un nuevo paradigma de Transformación
como un factor de crecimiento clave para las empresas que operan en la industria de la moda. Digital Inteligente y reformula la cadena de valor de la moda elevando
las capacidades actuales habilitando, entre otros:
Se estima que el mercado de Inteligencia Artificial en el Sector moda tenga un crecimiento
exponencial en los próximos años llegando a superar los 4.400 millones de dólares en 2027 (*).
Análisis en Procesos Nuevos modelos Impulso de la
Las tecnologías de Inteligencia artificial permiten a las empresas adaptarse y superar gran parte tiempo real de inteligentes para para el suministro gestión eficiente
de los miedos del sector como la caída de la demanda, cambios en el comportamiento del las tendencias la creatividad y y la distribución del inventario y
consumidor, caídas en el suministro, repensar la tienda física y lograr el zero-inventory. del mercado el diseño stock
El factor tecnológico será la clave para generar competitividad y ocupar un lugar de preferencia
Rapidez y mejora Personalización Propuestas Aumento en la
en el mindset de un perfil de consumidor tan digital como exigente.
de la calidad en la de la experiencia innovadoras para productividad de
atención al cliente de compra y de el cliente en el los empleados y
las interacciones descubrimiento sinergias entre
con la marca de productos equipos
(*) Estudio elaborado por The Insight Partners.
El cambio de paradigma hacia un negocio que integra lo digital y lo

físico, con cambios cada vez más acelerados, mayores exigencias
por parte de los consumidores y nuevos competidores digitales
globales plantea importantes retos a los retailers de moda.
La Inteligencia Artificial se posiciona como una importante

herramienta para asumir estos nuevos retos al permitir, entre
otros beneficios, mejorar las previsiones de demanda, conocer y
anticiparse a los deseos de los clientes, optimizar las cadenas de
suministro y el stock y crear una experiencia única de marca ya sea
en ecommerce o tienda física.
Las organizaciones más ágiles en capitalizar el valor de la IA tanto

internamente como en su aproximación al mercado serán las que cuenten
con mayores posibilidades de destacar. El mercado actual se caracteriza
por ser un entorno dinámico, que evoluciona a gran velocidad y está
expuesto a la innovación disruptiva de nuevos competidores.
Fashion
FashionRetail
Retail . . NTT
NTTDATA
DATA | | Google
GoogleCloud
Cloud 66
Generación de Valor con IA en el sector Moda:
Casos de negocio destacados
Conocimiento Modelo inteligente Cadena de suministro y Talento y colaboración

de mercado de relación con el cliente competitividad operativa humano-maquina
Canales físicos Canales digitales

. Identificación de tendencias, . Monitoriza el tráfico de la . Búsqueda Visual y . Previsión de la Demanda, Pricing . Convierte a tus equipos
preferencias y análisis de la tienda para un mejor servicio recomendación de vestuario y Control de Stocks de tienda en personal shoppers
competencia
. Conoce quién visita tu tienda . Escribe lo que buscas y . Optimización del Inventario multi-nivel . Protege a tus empleados de almacén
. Análisis de estilos por zona y maximiza las ventas generamos tu outfit (MEIO)
. Optimiza tiempo y tareas
de ventas
. Comprende qué prendas . Revive tu fondo de armario . Asignación y Reposición Inteligente de tus dependientes
. Desvelando las percepciones interesan más a tus clientes de Inventario
. Probadores Virtuales . Nuevos Insights en los centros
más sutiles del cliente
. Identifica las zonas calientes Inteligentes, ¿me quedará . Monitorización y Optimización de de llamadas
. Planificación inteligente de y los índices de conversión bien? Flotas en Tiempo Real
. Democratiza el dato en toda
promociones
. Pruébatelo. Llévatelo . Hiper-personalización del . Reinventa la Planificación de Ventas la organización
. Twitter Insights: Radiografías Canal Digital y Promociones y Operaciones
sobre 280 caracteres
. Agente Virtual, ¿Cómo puedo . Redes que ayudan a los diseñadores
. Conoce qué opinan de tus ayudarte? a imaginar
productos con Youtube Unboxing
. Conoce el avatar-modelo
. ¿Qué está pasando en Instagram?

01
Transforma
el conocimiento
del mercado
en valor de negocio
Casos de negocio y journey tecnológico

01 Transforma el
conocimiento del mercado
en valor de negocio
La aplicación de IA en investigación de mercado ayuda a las La generación de insights de alto valor para la organización y la capacidad de acceder a ellos
marcas de moda a construir una comprensión panorámica en tiempo real proporcionan el conocimiento para idear una estrategia de negocio más sólida
e informada, así como una toma de decisiones inmediata. Además, brinda a los gestores la
y precisa en torno a nuevas tendencias y actividad de la
capacidad de liderar el mercado lanzando colecciones con gran atractivo para el público,
competencia, y supone un punto de partida crítico para impulsando:
anticipar las propuestas de moda con mayores posibilidades
de provocar un efecto WOW! en los consumidores.
El acceso a un gran volumen de datos se ha desvelado como un activo de valor para los retailers,
pero resulta clave extraer tanto los insights que se derivan de sus propias fuentes internas como
también de los marketplaces, redes sociales y actividad digital de la competencia. Una mayor Aumentar las ventas Ganar
diferenciación incrementales y posicionamiento
En un contexto donde la diferenciación y la capacidad de sorprender son claves del éxito, de la marca cruzadas en el mercado
las marcas requieren procesar e integrar como conocimiento orgánico aspectos como las
estrategias creativas y comerciales de la competencia, las características de las nuevas
tendencias, la evolución en el comportamiento del consumidor y sus preferencias de compra
o el impacto viral de celebridades o influencers.
Han de evitarse los silos de información, y fomentar la creación de procesos de análisis

Conocer mejor Atraer a nuevos Incrementar
y procesamiento de datos que generen un valor continuo. Esto requiere no sólo tiempo y
el perfil del cliente segmentos de la vinculación
recursos, sino también de una aproximación estratégica que priorice los casos de negocio
objetivo clientes de los clientes
más relevantes y con mayor oportunidad de generar retorno.

01
Identificación de Desvelando las Twitter Insights: ¿Qué está
tendencias, preferencias y percepciones más Radiografías sobre pasando por
análisis de la competencia sutiles del cliente 280 caracteres Instagram?
Transforma el
conocimiento 1.1. 1.3. 1.5. 1.7.
de mercado
en valor de
negocio 1.2.
Análisis de estilos
1.4.
Planificación inteligente
1.6.
Conoce qué opinan de tus
por zona de ventas de promociones productos con Youtube Unboxing

01. Caso de negocio
1.1.
Identificación de
tendencias, preferencias
y análisis de la competencia
Con un consumidor cada vez más Para ello, nos apalancamos en herramientas tecnológicas como Google Trends, identificando
hiperconectado, exigente e impaciente, qué conceptos y palabras clave son las que mayores búsquedas vinculadas al mundo de la moda
están realizando los consumidores.
y en un contexto de mercado con amplia
disponibilidad y variedad de productos y Con Google Correlate generamos información y comparamos los resultados obtenidos en
estilos, resulta imprescindible identificar relación a los precios, productos, catálogo y promociones existentes en cada momento.
y anticipar qué tendencias serán las más
deseadas para lograr el éxito. Además, integramos capacidades de automatización para recopilar y hacer seguimiento de la
información e imágenes de aquellos sitios digitales que son de mayor interés para cada cliente,
elaborando informes de la competencia que consolidan las conclusiones sobre sus últimas
Por ello, las marcas necesitarán de herramientas propuestas.
impulsadas por IA para analizar la evolución de dichas
tendencias y los hábitos y preferencias de consumo de los
clientes. Al incorporar esta información en la planificación
de las colecciones se impulsará el acierto frente a las Como resultado, los gestores de la marca se beneficiarán de:
demandas del mercado.
Mediante la Identificación de tendencias, preferencias Contar con informes de alto Mejorar el posicionamiento Impulsar la competitividad
y análisis de los competidores, facilitamos a las marcas valor que impulsen una sólida en el mercado y la y el crecimiento.
el seguimiento de las corrientes en Moda y el análisis toma de decisiones respecto diferenciación.
de las colecciones y su posicionamiento en el mercado, a la competencia.
proporcionando la información necesaria para operar con
confianza.

01.1.1.
Journey tecnológico
Identificación de tendencias, preferencias y análisis de la competencia
Extraction Layer Data HUB Layer Custom ML Models Layer

Keyword Search Trends Product Offering Train, Deployment inference
Google Trends BigQuery BigQuery Vertex AI
5 Mediante un motor de IA se facilita

Información relativa a las tendencias. Información sobre todas los productos
Google Correlate (descripciones, estilos, precios, colores),
tanto propios como de la competencia. la incorporación de los insights
1 Identificamos las tendencias Augmented Data Campaign Offering

con más valor, con capacidades
predictivas que permiten anticipar
de mercado de marcas y
tendencias futuras: productos,
conceptos relacionados con la
BigQuery BigQuery tejidos, marcas, estilos, colores…
moda a lo largo del tiempo.
¡una bola de cristal a medida!
¡Este verano se llevan las Datos que nos provean de una visión 360 Información sobre campañas y ofertas de la
camisetas anudadas! del mercado. competencia.
3 Integramos todos los datos de diversas fuentes en un Data Hub, bien estructurado y
organizado.
Científicos
de datos
Extraction Layer Metadata Layer BI Layer 4 Ya estamos listos para

visualizar los indicadores
Web Scrapping Web Scrapping BI obtenidos por todas las
fuentes.
Crawler Vision AI Dataflow Looker ¡Los analistas pueden extraer
2 Extraemos información de otros

todo el valor de negocio a
partir de esa información
sitios y tiendas online. Analistas mediante consultas de BI!
de BI

01. Caso de negocio ¿Cómo podemos conseguirlo?
1.2. Identificando atributos

clave de segmentación
como el género y la edad
Integrando una capa
adicional de algoritmos de IA
desarrollados ad-hoc para
Obteniendo insights de los
datos históricos de compras
como qué tipo de artículos
Análisis de estilos de las personas que visitan identificar los estilos, colores se venden en qué zonas,
las tiendas de cada marca y tipo de prenda que visten permitiendo ajustar los
por zonas de venta ubicadas en distintas zonas. los clientes de una zona o stocks de establecimientos
ciudad específica. ¿O todavía de ese área y adaptar las
no os suena aquello de promociones por región.
“blanco ibicenco”?
Las marcas de moda adaptan continuamente
el catálogo disponible en cada tienda a
las demandas del público objetivo, y más Esta solución permite Ventajas competitivas
específicamente, a sus preferencias de compra
respecto a tendencias y estilos característicos, Anticiparse al mercado identificando
para lograr una mayor aceptación de la marca rápidamente qué se lleva
en cada una de las zonas donde se encuentran Detectar las preferencias de estilo
ubicados sus establecimientos. Acelerar la rotación del inventario y
y las tendencias por zonas, barrios
aumentar las ventas
o cualquier otra segmentación
Comprender mejor las micro y macro tendencias del geográfica o socioeconómica
Enfocar los recursos y los esfuerzos de
mercado y ofrecer productos que satisfagan con más
las campañas promocionales en las zonas
precisión a los clientes de cada área geográfica o cuyo impacto sea más significativo
socioeconómica permite una mayor rotación y volumen
de ventas.
Catalogar y comprender las Ofrecer un mejor servicio al
características de los clientes por consumidor, primando la selección
la ubicación del establecimiento, de artículos más acordes a las
garantizando la anonimización y privacidad preferencias de su segmento
Optimizar la inversión inmobiliaria y

Entender si la estrategia de localización
rentabilizar los costes fijos al seleccionar
de tiendas está alineada con el público
más acertadamente el despliegue de
objetivo y a la oferta de la marca
tiendas físicas

01.1.2.
Análisis de estilos por zona de ventas
Deployment Style Detection Dataset Results

& inference BI
Video Batch Processing People and Clothes Detection Model Train Storage
Cloud Storage Video Intelligence API Vertex AI

BigQuery BigQuery BI
Cloud Build Engine
Style Detection Model Train
A través de cámaras situadas en los En el streaming de vídeo que generamos es Con modelos de machine learning entrenados ad hoc, Presentamos la información obtenida
establecimientos, se captura de forma posible detectar qué personas hay en cada clasificamos a partir de cada una de las imágenes los tipos con una capa de visualización que puede
anonimizada la imagen de cada cliente y imagen y qué tipo de prenda viste cada una de prenda, sus estilos y colores. Y comprendemos mejor personalizarse para cada decisor de la
cómo va vestido. de ellas. cómo visten los clientes que visitan cada tienda o los de una compañía.
ciudad frente a otra.
Ya tenemos photocall –pero anonimizado, De nuevo, garantizando la privacidad y
¿eh?- ¡Listos para procesar! anonimización.
¡No sé quién eres, pero sí cómo vistes!

01. Caso de negocio
1.3.
Desvelando las
percepciones más sutiles
del cliente
Desvelar las percepciones más sutiles de Podemos capturar las reacciones de los clientes ante los estímulos de una marca, por ejemplo,
los clientes aporta insights muy valiosos cuando participan en la demostración de un producto o de una campaña promocional.
Esto permite clasificar cuáles son sus percepciones.
para el desarrollo de productos y campañas
publicitarias. Con los recientes avances Podemos escuchar y analizar la voz de cliente, procesando los comentarios en lenguaje natural
tecnológicos, las organizaciones más punteras obteniendo así conclusiones específicas y certeras.
están apostando por evolucionar desde los
modelos tradicionales de captura de opinión A su vez, se permite incorporar a todo ello, de forma anonimizada, la edad y el género de los
del cliente como focus groups - con un coste participantes, pudiendo segmentar las conclusiones de cualquier análisis.
e inversión de tiempo elevadas - en favor
de nuevos métodos más fluidos, rápidos y
rentables.
Y todo esto, ¿en qué se traduce?

Nuestra propuesta para capturar Insights del Cliente se
apalanca en las capacidades más innovadoras de IA,
como análisis de discurso y sentimiento, reconocimiento Los responsables de Obtendrán Accederán a un Y, en consecuencia,
de expresión facial, seguimiento de emociones, etc. marketing y producto información más grupo más amplio podrán tomar
para detectar, medir e interpretar lo que siente y expresa reducirán costes, rápida y precisa y heterogéneo de decisiones
(de manera anónima) una persona cuando descubre o ya que las pruebas para comprender participantes, sin comerciales
interactúa con un producto o una campaña promocional o de vídeo digitales la opinión de los límites geográficos. más informadas
publicitaria. y online son más potenciales clientes. que aumenten
económicas. la intención de
compra e impulsen
las ventas.

01.1.3.
Desvelando las percepciones más sutiles del cliente
Custom ML Models Layer

Vertex AI
Cloud Build
Deployment & inference Tracking Model Train Dataset
2 Con el modelo de machine learning (ML) diseñado y entrenado ad hoc, podremos analizar cada frame del
vídeo, automatizando la extracción y análisis de los datos de mayor relevancia, como su interés frente a
determinados mensajes.
Input Layer Process Layer Storing & BI Layer

Real time Video streaming Data Management Results Storage BI
Pub/Sub Dataflow BigQuery Looker / Data Studio
1 ¿Quieres comprender qué opinan tus clientes

sobre un vídeo promocional o de producto?
3 Los analistas de negocio ya pueden acceder a un conjunto de Insights de alto valor que les
permitirán comprender en mayor detalle:
. Los participantes acceden al vídeo por . Qué motiva el interés de las personas hacia los productos de una marca.
streaming a través de su cámara web o . Qué perfiles son los que muestran mejores reacciones …. ¡Y mayores posibilidades para
dispositivo móvil. la marca!
. Creamos un pipeline para el procesado de . Cómo reaccionan ante una prenda o promoción.
estos vídeos y almacenamiento del output Con este conocimiento se facilita focalizar los productos y campañas publicitarias al
que generan. segmento de clientes correcto con los mensajes más adecuados.

01. Caso de negocio
1.4.
Planificación inteligente
de promociones
Para los responsables de marketing y Partiendo del volumen de búsquedas de cada palabra clave en cada periodo, la planificación
producto de cualquier organización es de campañas con Google Ads y el Simulador de pujas de CPC Smart Bidding Performance,
podemos realizar simulaciones de promociones para anticipar el rendimiento de los anuncios en
importante aumentar la precisión de su
función de los objetivos de CPA, ROAS o presupuesto medio diario.
planificación promocional y dirigirse a cada
segmento de clientes con el mensaje idóneo El objetivo es automatizar de manera ágil la obtención de insights sobre KPIs (CPC, CTR, tasa
en el momento adecuado, optimizando de conversión, coste de conversión, alcance y frecuencia...), y el impacto de cada promoción o
los recursos e inversión publicitaria combinación de promociones a los decisores.
y aumentando la exposición de la marca
y las ventas. De este modo, generamos una panorámica perfecta para facilitar la previsión, planificación y
optimización de las campañas, reduciendo los costes y optimizando los márgenes mediante:
Mediante la Planificación Inteligente de Promociones

habilitamos que las campañas promocionales estén El diseño de campañas eficaces La creación de un repositorio La previsión del volumen de
alineadas con los objetivos de ventas y la minimización basadas en una toma de bien estructurado de inventario adecuado para
de costes de inventario. decisiones informada. promociones. alinearse a las expectativas
de demanda.

01.1.4.
Planificación inteligente de promociones
Extraction Layer Storing & BI Layer

Keyword Search Results Storage BI
Google Trends BigQuery BigQuery BI Engine
2 Combinamos
Google Correlate Analistas
todos los datos de las diversas fuentes de BI
4 ¡Podremos analizar el resultado

en Google BigQuery, facilitando el almacenamiento,
organización y acceso a los datos de mayor interés para
su posterior explotación. de análisis y predicciones sin
Keyword Search límites y adecuar cada campaña
para lograr los objetivos
Google Ads marcados!
Custom ML Models Layer

Keyword planning
Train, Deployment inference
CPC bid simulator
Vertex AI
1 Identificamos las tendencias de mercado ML Tabular Models Científicos

de datos
de marcas y conceptos relacionados con la
moda.
Es una base importante para definir con
3 Los científicos de datos podrán
estimar a partir de los modelos
mayor precisión campañas publicitarias que de previsión del impacto de cada
atraigan a más clientes y generen una mayor una de las características de la
diferenciación de la marca. campaña.

01. Caso de negocio Nos apalancamos en diferentes APIs y herramientas de IA:
1.5.
Twitter API
Proporciona las herramientas necesarias para acceder a un repositorio de tweets y analizar las
opiniones de los usuarios a través de sus comentarios, respuestas, actividad de cuentas y hashtags,
tanto de empresas como de consumidores en torno a una determinada marca o producto.
Twitter Insights:
Google Cloud Storage
Radiografías sobre 280 Almacenamos la información extraída de Twitter en la nube, y gestionamos los datos
caracteres introduciendo técnicas de filtrado de ruido, para aumentar la calidad de los datos.
Google NLP
Las redes sociales son fuente de información Sentiment Analysis API: analizamos el sentimiento y conocemos el impacto de las opiniones
clave para conocer con mayor detalle el reflejadas en tiempo real o a lo largo de un periodo de tiempo.
impacto de los productos y la imagen de una
Vision Product Search
marca de moda en el mercado.
Analizamos las imágenes adjuntas en los tweets para detectar artículos y analizar el sentimiento
en el mensaje asociado.
En este caso de negocio ponemos el foco en Twitter, que

cuenta con más de 353 millones de usuarios activos a De esta forma, la red social de los 280 caracteres se transforma en una nueva fuente de
nivel global (datos 2021), lo que redunda en su capacidad información de alto valor para las marcas de moda, facilitando, entre otros, analizar las
de proveer grandes volúmenes de opiniones clave y interacciones de los usuarios sobre una publicación realizada por la marca (hashtags, links,
tendencias para la evaluación de una marca. retweets, favoritos, citados, follows o respuestas) y evaluar cómo evolucionan los seguidores a lo
largo del tiempo.
Este análisis permite transformar los datos recogidos de Twitter en insights y valor de negocio,
como:
Reacciones frente a Radiografía de las Generación de mejores

determinados mensajes campañas con mayor prácticas de comunicación y
o campañas de la marca impacto y popularidad planificación de contenidos
Identificación de Detección inmediata de campañas que produzcan un gran

El desarrollo de los casos de uso relacionados con marcas y
aplicaciones externas a Google (Instagram, Twitter) estarán sujetos movimientos de opinión rechazo, permitiendo su pronta retirada, minimizando el daño
al estricto cumplimiento de los términos y condiciones de uso y tendencias a la marca y analizando las causas de dicho rechazo para evitar
especificados por las mismas. futuros errores.

01.1.4.
Twitter Insights: Radiografías sobre 280 caracteres
Results BI
Tweets Extraction Data Management Natural Language API Storage
Twitter API Dataflow Natural Language API Google Cloud BigQuery

Storage BI Engine
Capturamos la actividad de las cuentas, Automatizamos la extracción y Mediante capacidades de Procesamiento de Los analistas de negocio podrán acceder a los
tweets y respuestas y hashtags que podremos procesamiento del texto en Twitter… Lenguaje Natural, identificaremos el sentimiento insights que se derivan de la exposición de la
transformar en conclusiones de calidad, piar y ¡recopilar! y las emociones de los usuarios acerca de marca en Twitter para tomar mejores decisiones
estadísticas y métricas para mejorar el las publicaciones de la marca o hashtags promocionales y diseño de productos, que
desarrollo de las campañas de Marketing, referenciando a un producto o colección de se trasladen a una ventaja competitiva de la
mejorar el enfoque de las promociones, y moda. percepción de marca en el mercado.
detectar cuentas afines a la marca, como
influencers y seguidores más activos.

01. Caso de negocio
1.6.
Conoce qué opinan
de tus productos con
Youtube Unboxing
El Unboxing Insights se apalanca en tecnologías de IA, APIs y herramientas de NLP para el
El unboxing se ha convertido en uno de los análisis de sentimiento, tales como:
contenidos más aclamados en Youtube,
realizados por las propias marcas, influencers Youtube Data Google Cloud Google
y youtubers. API Search Speech-to-Text API NLP
Extraemos el audio que se Transcribimos el contenido a Analizamos las opiniones,
La razón de su popularidad se relaciona con registra en el clip de unboxing texto de forma precisa. identificando la reacción
o review de producto. emocional predominante
el acceso sin intermediarios al momento
(positiva, negativa o neutra).
preciso en que se recibe el producto y se
comparte con la audiencia la evaluación
de sus características y beneficios, de una
manera cercana y personal.
Con esta aproximación tecnológica y de negocio, las marcas de moda podrán:
El unboxing no solo beneficia a los consumidores, sino

también a las propias marcas sobre las que se evalúan Conocer la opinión Optimizar esfuerzos Tomar decisiones y Descubrir nuevas
y comentan lanzamientos y productos, permitiendo de los evaluadores de promocionales y de medidas correctivas fuentes de
examinar el impacto de su nueva propuesta en el mercado nuevos lanzamientos marketing. si es necesario en inspiración para
e identificar cómo reaccionan los líderes de opinión digital y productos, así función del impacto la ideación de
y sus audiencias. como las reacciones de los productos en futuras campañas
de sus audiencias. el mercado. o colecciones.
El desarrollo de los casos de uso relacionados con marcas y aplicaciones externas a Google (Instagram, Twitter)
estarán sujetos al estricto cumplimiento de los términos y condiciones de uso especificados por las mismas.

01.1.6.
Conoce qué opinan de tus productos con Youtube Unboxing
Speech Data Management Results BI

Youtube Extraction to Text Natural Language API Storage
Youtube API Natural Language API Google Cloud BigQuery

STT API Dataflow
Storage BI Engine
Cuando los fans de tu marca reciben un Para ello, extraemos todo el audio de Además podemos llevar a cabo el análisis de Volcamos la información en Google Cloud
producto, graban su unboxing y lo comparten los product reviews, lo procesamos, sentimiento para comprender las opiniones Storage. ¡Todo listo para que los analistas de
en Youtube, te ayudamos a extraer todos los lo transcribimos a texto y lo analizamos que genera tu marca y cómo de atractivos son negocio puedan analizar los KPIs y desvelar
insights del vídeo unboxing y los convertimos con Google STT API y Dataflow. percibidos los productos. percepciones y tendencias!
en valor de negocio.

01. Caso de negocio
1.7.
¿Qué está pasando
¿Qué hacemos con todo esto?
en Instagram? Conocer los datos Conocer los datos Examinar los datos de las
demográficos de los de publicaciones, el promociones de los Feed
usuarios que visualizan sentimiento e impacto de Post: visualizaciones de
las publicaciones o que un producto (feed posts): la promoción, clicks y
Instagram es reconocida por su capacidad publican mencionando a la asociar publicaciones visitas al perfil, conversión
de difusión de nuevas marcas y promoción de marca, incluido el género, (fotos, vídeos, carruseles) en compras, datos
productos, habilitando para las marcas una grupo de edad y la ubicación con su medición demográficos de la
exposición a millones de usuarios. Sin embargo, no (ciudades y países). (comentarios, participación, audiencia y presupuesto.
impresiones, me gusta,
siempre se optimiza su capacidad ni los beneficios
alcance y guardado) en
que se pueden obtener de este canal. un periodo de tiempo
determinado.
Con el Análisis de feed posts, podemos conocer qué contenido
atrae a los usuarios, monitorizar el impacto de marcas y
productos y conocer el segmento de audiencia que visualiza las Así ayudamos a las marcas de moda a comprender mejor quiénes son sus seguidores,
publicaciones y reacciona frente a las mismas con la publicación su ubicación, el impacto de un nuevo producto/colección y, en definitiva, el posicionamiento
de feed posts. de su imagen de la marca, con el objetivo de aumentar el impacto de su presencia en redes,
ya que podrán:
Para dar forma a esta solución es posible integrar diversos
componentes y capacidades de Instagram en GCP, y así:
Aumentar las ventas, Optimizar las campañas de Acelerar la identificación de
Almacenar y Identificar imágenes Conocer y analizar aprendiendo nuevas pistas marketing y promociones. tendencias y trending topics
gestionar la de productos y el sentimiento y para que sus productos y de moda.
información extraída compararlos con actitudes quienes contenidos se adapten con
de Instagram en la el catálogo de protagonizan éxito a sus segmentos de
nube con Google imágenes de una un feed post mercado.
Cloud Storage. marca con Google con Google
Vision AI. NLP – Sentiment
Analysis API. El desarrollo de los casos de uso relacionados con marcas y aplicaciones externas a Google (Instagram, Twitter)
estarán sujetos al estricto cumplimiento de los términos y condiciones de uso especificados por las mismas.

01.1.7.
¿Qué está pasando en Instagram?
Computer Data Management Results BI

IG Feed Extraction Vision Natural Language API Storage
Instagram API Natural Language API Google Cloud BigQuery

Vision AI API Dataflow
Storage BI Engine
Así como usuarios y consumidores acuden a Procesamos todas las imágenes con etiquetas y Analizar publicaciones y comentarios en los El analista de negocio tendrá acceso a la
Instagram como fuente de inspiración de nuevos hashtags de la marca para así poder analizar los feeds nos permitirá obtener más detalles sobre recopilación de métricas, para de este modo
productos y tendencias, las empresas también perfiles, localizaciones geográficas y patrones opiniones, valoraciones y sentimientos de los poder comprender de manera más precisa
pueden aprovechar el conocimiento de mercado de los usuarios interesados en los productos de usuarios. cómo de atractivos son los productos de
que se captura a partir de los feed posts de la marca. nuevos lanzamientos y colecciones, desvelar
Instagram. nuevas tendencias y extraer conclusiones
sobre el impacto de nuevos mensajes
comerciales en las audiencias.

02
Modelo inteligente
de relación con
el cliente.
Canales físicos

02 Modelo inteligente de
relación con el cliente.
Canales físicos
Casos de negocio y journey tecnológico En este contexto de cambio constante, los retailers están incorporando nuevas herramientas
tecnológicas que permiten entender rápidamente el mercado y diseñar nuevas ofertas para
satisfacer una demanda cambiante y perseguir mayor penetración y cuota de mercado.
La pandemia provocada por el COVID-19 ha acelerado la Para dar respuesta al contexto phygital, las marcas se están apalancando en las soluciones
digitalización de los consumidores en sus vida cotidianas, tecnológicas de última generación impulsadas por la Inteligencia Artificial:
optando cada vez más por canales digitales.
. Integradas en la experiencia de la tienda.
. Permiten capturar información de comportamiento en el journey físico.
. Enriquecen la visión total de cliente al comparar su interés y conversión transaccional.
. Pueden medir las interacciones con la marca y los productos e identificar preferencias.
Muchas empresas de moda no sólo han visto un aumento sin precedentes en sus consumidores
puramente digitales, también ha habido un incremento más que notable de consumidores
phygital que buscan una experiencia híbrida, capaz de fusionar la experiencia de los canales
digitales (ecommerce, redes sociales...) y la de las tiendas físicas. El conjunto de casos de negocio que presentamos en Instore Customer Insights -, impulsan:
Cada vez más exigentes con sus compras y a un clic de distancia de elegir a un competidor,
el perfil del nuevo consumidor digital y post-pandémico acelera la necesidad de los retailers
de idear nuevos productos y servicios. Se sitúa al usuario en el centro del diseño, respondiendo
a la nueva mentalidad y creando experiencias de compra diferenciales como principal valor.
Se busca lograr una conexión emocional con el target para alcanzar el objetivo final de
Una toma de Monetizar el Diseñar nuevos Analizar Reducir las
crecimiento sostenible de las ventas.
decisiones journey del servicios de los datos fricciones
ágil para cliente a lo atención al transaccionales entre la marca
mejor la largo de su cliente basados y las tasas de y el cliente
experiencia experiencia en la hiper- conversión de en aquellos
en tienda con la marca personalización compras procesos más
sensibles

02 2.3.
Comprende
qué prendas
interesan más
2.4.
Identifica las
zonas calientes
y los índices de
a tus clientes conversión
2.1.
Monitoriza el
tráfico de la
tienda para un
mejor servicio
2.5.
2.2.
Pruébatelo.
Llévatelo
Conoce quién
visita tus tienda
y maximiza las
ventas

02. Caso de negocio
2.1.
Monitoriza el tráfico
de la tienda para
un mejor servicio
Los minoristas de moda conocen por Todas estas capacidades permiten a los gestores de tienda:
experiencia que la concentración de volumen
de compradores en la tienda física varía Planificar el personal de la Ajustar los horarios de Definir el calendario de
significativamente a lo largo del día, semana tienda, tanto los asistentes apertura por tienda, campañas promocionales
y temporada. Pero ahora es posible capturar de compras como el planificando la asignación para incentivar tráfico y
con precisión estos datos y aprovecharlos personal de caja. de recursos y el consumo rotación.
para ofrecer una mejor experiencia en la de energía.
tienda.
Llevar a cabo el recuento de personas que acceden a la Con ello se redunda no sólo en los beneficios asociados a la gestión del punto de venta en
tienda, individualmente y en tiempo real, ya es posible con función del tráfico de personas, sino también en la propia experiencia de cliente, especialmente
una precisión cercana al 100%. El alcance de este caso de en tiempos donde el contacto físico es susceptible de mayor sensibilidad.
negocio se extiende con la integración de las capacidades
de machine learning que nos permitirán predecir cuál será
el volumen de tráfico en la tienda en el futuro, conociendo
de antemano qué fechas pueden ser las más activas
y cuáles las franjas horarias más concurridas en cada
establecimiento.

02.2.1.
Monitoriza el tráfico de la tienda para un mejor servicio
Se crea una
pipeline para
el procesado
del vídeo y el
Enviamos almacenamiento
un flujo de del output
streaming/ Se almacena
Batch desde Se almacena la información
la cámara a la información obtenida
un gestor de obtenida para para su
flujo explotación explotación
Video Batch Processing Data Management Dataset Results Storage
Cloud Storage Dataflow Deployment & inference BigQuery
Forecasting Model Train
Real time Video streaming People Detection Vertex AI Cloud Build BI
Pub/Sub Video Intelligence API ML Tabular Models BigQuery BI Engine
¿Buscas predecir el volumen de tráfico en Para poder contabilizar correctamente a las Ahora ya contamos con un repositorio de datos organizados y Los analistas de negocio ya pueden
tus tiendas físicas? personas, integramos la API de Video Intelligence. estructurados. visualizar conclusiones clave… vaya,
parece que a pesar de estos tiempos
Mediante las cámaras instaladas en los Se acabó destinar recursos a tareas rutinarias y Entrenaremos el modelo de detección de personas a partir de los turbulentos los fines de semana nos
establecimientos se monitoriza en tiempo real manuales como el conteo de compradores en datos recogidos por las cámaras en tienda. sigue gustando pasar del escaparate
o diferido el número de personas que traspasan tienda al probador…
la entrada. 1, 2, 3, 4…

02. Caso de negocio
2.2.
Conoce quién visita
tus tiendas y maximiza
las ventas
Atravesamos la entrada de un mismo Con todos estos datos en la coctelera perfilaremos con precisión la audiencia del espacio
establecimiento de moda… pero nuestro físico, información que puede complementarse con datos transaccionales vinculados a su
comportamiento en la tienda para:
recorrido por el interior refleja lo variado que
puede ser el comportamiento de cada cliente
en función de gustos y preferencias. Entender los puntos Adaptar la selección Mejorar la Relacionar la actividad
calientes por perfil: y la exposición de comprensión de los transaccional con el
¿Cuáles son los puntos calientes donde nos a quién le gusta qué. los artículos en perfiles en la cartera perfil de los individuos.
detenemos con mayor frecuencia o durante la tienda para los de marcas
más tiempo? perfiles clave, al
conocer el recorrido
¿Qué prendas atraen más tráfico?
físico y las zonas
¿Se convierte ese interés en ventas reales? calientes.
No solo se trata de detectar a las personas que visitan Todas estas funciones se traducen en pistas valiosas para diseñar recorridos y configurar la
el espacio físico de la marca, sino también de poder exposición de prendas y colecciones con el objetivo de maximizar las ventas.
integrar las capacidades necesarias para identificar cómo
se agrupan estos compradores a lo largo de su visita,
si lo hacen individualmente, en parejas, como grupos de
personas.

02.2.2.
Conoce quién visita tus tiendas y maximiza las ventas
Enviamos
un flujo de Se crea una Se
streaming/ pipeline para almacena la
Batch desde el procesado información
la cámara a del video y el obtenida
un gestor almacenamiento para su
de flujo del output explotación
Video Batch Processing Data Management Dataset Results Storage
Cloud Storage Dataflow Age/gender Model Train BigQuery
Deployment & inference
Real time Video streaming People Detection Vertex AI Cloud Build BI
Pub/Sub Video Intelligence API Computer vision Models BigQuery BI Engine
Con el constante cambio en el Monitorizar si te visitan solos o en grupo, en Sobre las imágenes correctamente almacenadas, entrenamos Finalmente, los responsables de
comportamiento de los consumidores en parejas… ¡Siempre protegiendo la anonimización modelos ad hoc de machine learning para estimar con negocio pueden consultar los KPIs
espacios físicos, es posible que intuyas y la privacidad de los datos! precisión la edad y género. definidos y conocer con exactitud
cómo varía, y más necesario que nunca cuál es el tipo de comprador que les
comprenderlo con precisión. visita.
Te proponemos identificar el público que

entra en tus tiendas….

02. Caso de negocio
2.3.
Comprende qué
prendas interesan
más a tus clientes
¿Podemos interpretar las percepciones

y sentimientos de los clientes cuando
interactúan con los expositores donde
se disponen los modelos? ¿Qué reacciones
se suscitan en cada rincón de la tienda?
Mediante el Análisis de Sentimiento a través de Biometría El objetivo es que los gestores puedan conocer, incluso en proximidad al tiempo real:
Facial, es posible ayudar a los retailers a analizar de manera
anónima las reacciones gestuales de los clientes respecto
a determinados expositores o productos. El atractivo de sus productos en tienda La tasa de conversión de compra potencial que
y la percepción del catálogo para cada pueden alcanzar, realizando análisis cruzados
La solución se diseña a partir de: segmento. de las reacciones registradas con su traducción
en ventas. De este modo podremos extraer
conclusiones en torno a la efectividad de la
La disposición respecto a El análisis de los rasgos composición de la tienda/escaparate y el
expositores y productos de biométricos faciales, posicionamiento de precios.
las cámaras que capturan anonimizados, cuando los
las imágenes de clientes. clientes interactúan con los
expositores.

02.2.3.
Comprende qué prendas interesan más a tus clientes
Flujos de Se crea una

Streaming pipeline para
que el procesado Se almacena
provienen del video y el la información
de diversas almacenamiento obtenida para
cámaras del output explotación
Real time Video streaming Data Management Dataset Results Storage
Pub/Sub Dataflow Tracking Model Train BigQuery
Physical store Data FACE Detection Vertex AI Cloud Build BI
Cloud Storage Video Intelligence API Computer vision Models BigQuery BI Engine
El primer paso será disponer las cámaras Ubicando la captura de imágenes a la altura Por ahora, los modelos de machine learning que desarrollamos Los analistas de negocio ya
para capturar las imágenes de los clientes de los stores de ropa, se procesa cada ad hoc para este caso de negocio se enfocan en los análisis tienen en sus manos (y en usables
y sus reacciones, como también el propio imagen y creamos un data set que faciales, y no en el lenguaje físico del cuerpo completo de los dashboards) el Interés sobre
planograma de la tienda que nos permitirá se vincula a cada sección o producto. clientes…. ¡Pero todo llegará! determinadas prendas por cada
vincular esta información a la disposición de uno de los segmentos de clientes,
determinados expositores o productos. ¡No te preocupes, el análisis biométrico se También analizamos (de forma anónima) atributos como la edad desvelando qué productos captan
hace anónimamente! y el género, y lo vinculamos al tiempo de visita de la sección, más atención.
obteniendo un mapa de sentimiento de visitantes por segmento
en relación a cada zona física.

02. Caso de negocio
2.4.
Identifica las zonas
calientes y los índices
de conversión
Los retailers buscan conocer en profundidad

los datos generados en todo el espacio de
la tienda física, como por ejemplo el flujo de
visitas en su recorrido y la tasa de conversión
de ventas para cada sección.
A partir de la tecnología de Google desarrollamos y Así facilitamos a los gestores de los puntos de venta exprimir el valor de cada metro cuadrado
desplegamos una solución de IA a medida para identificar de superficie en tienda y les ayudamos a aumentar la tasa de conversión de compra:
y seguir en tiempo real el recorrido de los clientes en la
tienda.
Al analizar las secuencias de vídeo captadas por las Creando una experiencia de Aumentando la oferta de Repensando el espacio
cámaras de la tienda mediante tecnologías de Computer compra más guiada y fluida tipología de productos que en que se disponen las
Vision, obtenemos información valiosa sobre las zonas que para los clientes, exponiendo suscitan un mayor interés. referencias de catálogo
resultan más atractivas en comparación a otras. los productos de forma más menos atractivas para
atractiva en base al análisis el cliente.
del recorrido.

02.2.4.
Identifica las zonas calientes y los índices de conversión
Flujos de Se crea una

Streaming pipeline para
que el procesado Se almacena
provienen del video y el la información
de diversas almacenamiento obtenida para
cámaras del output su explotación
Real time Video streaming Data Management Dataset Results Storage
Pub/Sub Dataflow Tracking Model Train BigQuery
Physical store Data People Detection Vertex AI Cloud Build BI
Cloud Storage Video Intelligence API Computer vision Models BigQuery BI Engine
La tienda ha dejado de ser un mero espacio Las cámaras de vídeo detectan y trazan el Con los datos recogidos, ya estamos listos para desarrollar un ¡Y los gestores de la tienda contarán
físico donde se disponen productos, y se ha recorrido de los individuos en tienda en cada modelo de ML. con información de alto valor para
convertido en una fuente de datos de alto punto de tiempo (time stamp). diseñar el recorrido de los espacios
valor para el negocio. Más allá del interés en cada sección, integrando la información físicos!
Con todos estos datos en nuestra coctelera, transaccional podremos inferir el impacto de cada
De partida, contaremos con un planograma de podremos dibujar el recorrido realizado y las configuración o cambio en el planograma en las ventas.
la tienda digitalizado y la ubicación actualizada zonas calientes.
de las secciones y productos.

02. Caso de negocio
2.5.
Pruébatelo. Llévatelo
Uno de los puntos de la tienda que genera Una vez recibida la alerta, el asistente de probadores escaneará el sistema de identificación de
mayores fricciones entre el cliente y la marca la ropa, para saber qué estilo y preferencias busca el cliente… ¡mientras te pruebas seguimos
trabajando para ti, elaborando tu perfil y una propuesta de outfit que quizás no habías pensado!
es la prueba de la prenda. Esto se debe a las
interminables colas para llegar al probador, La experiencia de cliente se hiper-personaliza y el asistente de probador se transforma en
las tallas que no se ajustan o la elección de un verdadero. Una vez finalizado el proceso de prueba, el asistente volverá a escanear los
las prendas. productos, capturando información para analizar cuáles gustaron y cuáles no, completando
el perfil e historial de preferencias.
Para evitar el riesgo de experiencias negativas, hemos
diseñado una aproximación que proporciona a las tiendas
capacidades para ofrecer un mejor servicio en la zona de
probadores, generando interacciones más satisfactorias Todo ello permite fomentar la tasa de conversión de ventas y potenciar el cross-selling como
e impulsando las tasas de conversión de ventas. resultado de un servicio a medida. Este proceso también permite conocer las prendas con un
alto porcentaje de descarte, logrando identificar potenciales mejoras para dichos modelos.
Este caso de negocio elimina la espera en cola para entrar
en los probadores. ¿Cómo lo hacemos? Ofrecemos a las
personas que desean acceder a probadores una pre-
In-store Canales digitales
identificación biométrica anonimizada conjuntamente al El personal shopper recoge, mediante Configurando la página de bienvenida del
escaneo de las prendas. soporte digital, los inputs del cliente a lo cliente que integra todas sus preferencias
largo del proceso de prueba de la prensa, físicas y digitales… Sí, necesitaremos vincular
¡Te avisaremos cuando llegue tu turno! pudiendo recomendar nuevos productos la información de ambos canales a través del
y tallas, y capturando información de las email o teléfono del cliente, pero ¿quien no
Win-win, el cliente podrá proporcionar la información de prendas descartadas. lo compartiría si se ahorra la espera en cola?
contacto que desee más conveniente para recibir la alerta
de su turno de espera (por correo electrónico, móvil o app)
un minuto antes de entrar en el probador. Mientras tanto, el
cliente podrá seguir ojeando, interesándose por más artículos
y mantener su turno de cola.

02.2.5.
Journey tecnológico 2 Para saber qué prendas se prueban
y se llevan tus clientes, sencillamente
Pruébatelo. Llévatelo escaneas el código de barras de la ropa
y lo asocias al perfil del cliente, para
crear una base de datos de perfiles
¡completa y actualizada!
Anonimous Identification Biometric Identification Bluetooth beacons Real time Attention Real time Attention
Custom Vertex AI Model Custom Vertex AI Model Dataflow Pub/Sub Recommendation engine
1 ¡Evita que tus clientes hagan largas esperas! 3 Eldecliente recibe toda la ayuda y consejo que desee en la zona de probadores, ya que a través
la app, su asistente de probador podrá solicitar tallas u otros productos de interés…
Con la identificación biométrica podrás capturar datos de tus clientes (siempre y cuando estos hayan
dado su previo consentimiento); con el objetivo de crear perfiles más detallados (edad, género, ¡Y recibir asesoramiento personalizado mediante el motor de recomendación digital que
segmento…), y a cambio de ofrecerles una experiencia en probadores diferencial y sin esperas. le capacita como un verdadero personal shopper!

03
Modelo inteligente
de relación con el
cliente.
Canales digitales

03 Modelo Inteligente de
Relación con el Cliente.
Canales Digitales
En la era de la omnicanalidad, el eCommerce destaca como una de Entender mejor el comportamiento del cliente en su compra digital permite segmentar y perfilar
las fórmulas de compra preferida por los consumidores. La moda es a los usuarios para:
el segmento más grande de mercado de comercio electrónico B2C
y su tamaño global se estimó en $ 752.5 mil millones en 2020.
Se espera que el mercado crezca aún más a un 9.1% por año y
alcance un tamaño total de mercado de $ 1.164,7 mil millones en
2025 (*) Diseñar Comprender Proporcionar Realizar
campañas qué perfiles una mejor recomendaciones
de marketing muestran mayores experiencia en de productos
La innovación tecnológica digital es una palanca de transformación y competitividad que hiper- posibilidades el conocimiento de forma
impulsa a las marcas a mejorar el posicionamiento y alcance de sus productos en la red, personalizadas de adquirir de colecciones inteligente
enriquecer la experiencia de compra de sus clientes, optimizar el rendimiento de su negocio determinados y catálogos
y superar sus mejores registros de venta online. productos
Y si hay algo que generan las ventas online además de ingresos es, sin duda, una gran cantidad
de datos. Cada interacción digital (visitas, visualización de artículos, favoritos...) y cada
Todo ello con el objetivo de redundar en mayores ingresos y rentabilidad y en una mejora
transacción (completada o en proceso) genera un volumen cuantioso de información asociada
tangible de la vinculación de clientes en el medio y largo plazo.
al comportamiento del cliente, lo que resulta extremadamente útil para las empresas en este
momento en el que la democratización de la analítica permite extraer valiosos insights y
traducirlos en nuevas oportunidades.
(*) Statista ecommerce Report Fashion

03 Canales Digitales
1
Escribe lo que buscas
y generamos tu outfit
3
Revive tu fondo de
armario
Buscar por texto:

Camisa Roja Hombre cuello botones
4
2 Probadores virtuales
Búsqueda
visual y
Pruébatelo inteligentes
recomendación
de vestuario
Clientes
actuales
Buscar por imagen
5
Hiper-
personalización Recomendación de productos que puedan interesarte para
completar tu outfit
del Canal Digital
y promociones
Promociones
6 para ti
Agente virtual,
¿Cómo puedo
ayudarte?

03. Caso de negocio
3.1.
Búsqueda visual La tecnología de Recomendación transforma la experiencia de compra del cliente, ya que el
motor de búsqueda permite:
y recomendación
de vestuario Identificar cuáles son los artículos de ropa Comparar estas prendas con las imágenes
y calzado a partir de la foto que sube un del catálogo.
Las marcas buscan soluciones de vanguardia cliente a uno de los canales digitales de
para diferenciar sus tiendas online de las de la marca (por ejemplo sitio web o App).
sus competidores, ofreciendo una experiencia
de compra digital superlativa que se traduzca
Proporcionar una lista completa de Ampliar el rendimiento de los resultados
en el retorno de visitas y el aumento de resultados de prendas o total looks con funcionalidades adicionales, como por
conversión en ventas. similares a las que aparecen en la imagen ejemplo enriqueciendo la recomendación a
original. partir del historial de navegación y compras
o con productos similares del interés de otros
La velocidad a la que estamos incorporando nuevas
clientes.
capacidades de Inteligencia Artificial en el entorno digital
ha permitido la creación de un caso de uso de negocio
innovador que integra las capacidades de Búsqueda Visual
y Visión Artificial. Nuestro objetivo es facilitar a cualquier La integración de un motor de búsqueda visual de IA con capacidades de recomendación en los
persona encontrar las prendas que está deseando adquirir canales digitales de las marcas genera múltiples beneficios centrados en el aumento de la tasa
sólo con aportar fotos inspiradoras y parecidas a lo que de conversión de ventas:
busca en el canal digital de la marca.
Impulsar el cross-selling, Mejorar la experiencia de Fomentar la fidelidad

ya que la capacidad de compra y la satisfacción del cliente con la marca y
búsqueda visual puede para los usuarios cuando la recomendación a otros
utilizarse para recomendar interactúan en un sitio web, usuarios, aumentando
productos relacionados con encontrando los productos el tráfico en la red.
la consulta de búsqueda. de interés sin necesidad de
buscarlos explícitamente.

03.3.1.
Búsqueda visual y recomendación de vestuario
Consumers Process Layer Recommendation engine

App/web Data Management AI Matching
Dataflow Recommendations AI
Usuario
web Object Detection 3 El motor de recomendación identifica
en el catálogo digital de la marca
aquellas que más se parecen a la foto
Vision AI API
que has subido…
¡Et voilà!
1 ¡Lo quiero, pero no sé donde lo ha comprado! 2 Nuestro motor de detección permite
Ya puedes visualizar los productos
la identificación de los diferentes
Seguro que alguna vez has querido esa misma objetos que componen una imagen. de la marca con las características
prenda, o parecida, que has visto lucir a un influencer, similares al de tu foto original. Y de
un actor o una amiga pero no sabes de qué marca es ¡Está entrenado para identificar paso podrás presumir de vestir igual
o dónde se lo compró… cualquier prenda de ropa! que tu influencer favorita.
Hazle una foto. Ahora puedes subir esa fotografía

a través de una aplicación o de la propia web de tu
marca y realizar la consulta de búsqueda en unos
pocos segundos.

03.3.1.
Búsqueda visual y recomendación de vestuario

03. Caso de negocio
3.2.
Escribe lo que buscas ¡Voilà, la magia está servida!
y generamos tu outfit
El modelo ML
aplica la búsqueda
e identificación de
Las capacidades
productos basándose
¡Llega el más difícil todavía! avanzadas de NLP
permiten interpretar
Las capacidades de en la imagen virtual
GANs transforman generada a partir de
Los retailers del canal digital pueden ayudar la descripción esos inputs de un texto, mientras
textual del producto lenguaje natural en
a sus clientes a encontrar rápidamente los introducida por el una imagen virtual.
que el motor de
recomendación
productos que buscan, incluso sin tener una usuario.
selecciona y ofrece las
imagen del artículo o conocer el nombre de prendas que más se
la referencia o el modelo. ajusten a la descripción.
Os proponemos una solución de vanguardia que ¡Voilà! Sólo has escrito “camiseta a rayas azules”
aprovecha las capacidades del Procesamiento del y ya tienes toda una galería de productos para comprar!
Lenguaje Natural (NLP) y de las Redes Adversariales
Generativas (GANs) para proporcionar una búsqueda
avanzada de productos a partir de un texto descriptivo,
y se complementa con el Motor de Recomendación de Este caso de negocio permite a los managers:
Enséñame Google AI para hacer recomendaciones personalizadas
camisetas sobre productos.
Ofrecer una experiencia guiada, atractiva Impulsar la venta cruzada, ya que el
a rayas y satisfactoria que minimiza la frustración modelo ML precisa con la recomendación
azules del cliente en el proceso de búsqueda… de productos relacionados las
¿Cuántas veces no habrás invertido horas posibilidades de ofrecer opciones más
hasta encontrar lo que querías? relevantes al cliente.
Buscar

03.3.2.
Quiero una
camiseta azul con
rayas blancas y manga
corta de hombre
Escribe lo que buscas y generamos tu outfit Buscar
Consumers Data Management AI Matching

Dataflow Recommendation engine
Process App/web
Natural Language API
Google Tech Mapping
Natural Language API 3 Por último, la imagen generada por
2 A través del motor NLP detectamos las GANs o la descripción dada por
el usuario o una combinación de
cuales son las características de la
ambas, permitirá al cliente acceder
Usuario prenda que se está buscando.
a una amplia gama de productos
web
Deployment & inference con las características que está
interesado.
1 ¿Cómo puedes ayudar cuando un Tracking Model Train
¡Y nos vamos de fiesta!
cliente sabe lo que está buscando, Dataset
pero no tiene una fotografía o el
nombre técnico del producto? Vertex AI
Ahora el cliente digital puede acceder Cloud Build

a una amplia gama de productos
Mientras que nuestro modelo entrenado de
de su interés a partir de una simple
redes GANs y NLP genera una imagen de una
descripción.
prenda en base a los patrones introducidos
por el usuario.
Enséñame
camisetas
a rayas
Buscar Comprar

03. Caso de negocio
3.3.
Revive tu fondo
de armario
Combinar el fondo de armario con artículos

de cualquier marca y crear looks icónicos con
un personal shopper digital ya no es ciencia
ficción.
Con nuestra aproximación tecnológica de ¡Revive tu

Armario!, lo hacemos posible a partir de las capacidades
de un motor de recomendación de IA en línea.
¿Cómo facilitamos sacarle todo el partido al fondo de Esta solución incrementa las ventas de prendas y complementos, aumentando la calidad del
armario? proceso de compra del cliente y su satisfacción con la marca a través de:
La hiper-personalización El aumento del tráfico Un impacto positivo

El cliente sólo El motor de Como resultado, de la experiencia de compra online y la vinculación en el reciclaje textil
tiene que hacer recomendación generaremos del cliente. con la marca. y la sostenibilidad.
fotos de todas de Google outfits icónicos
esas prendas que generará y únicos que
le gustan pero no combinaciones combinan las
se pone tanto... con el catálogo prendas del
de la marca y cliente con
los looks más las últimas
Buscar populares en las novedades
redes sociales. de la marca.

03.3.3.
Revive tu fondo de armario

03.3.3.
Revive tu fondo de armario
Computer vision Models
App/web Data Management Object Detection AI Matching
Dataflow Vision AI API Recommendation engine
Nos aliamos con la ecología de la reutilización en En base a la imagen subida, la API de Visión Artificial En pocos segundos, el usuario podrá tener acceso a una gran variedad de looks icónicos y únicos,
la industria de la moda. Ahora, los productos que permite identificar y clasificar los diferentes objetos gracias que un motor de recomendación vincula las prendas detectadas con el catálogo de la marca y
un cliente tiene en el armario pueden adquirir que la componen. sugiere nuevas prendas que complementen tu ropa de armario.
una segunda oportunidad, alargando su vida útil.
Gracias al motor de recomendación, se construye ¡Y a romper moldes!
El cliente sólo necesita escoger una prenda de un conjunto completo con los artículos en catálogo
su fondo de armario, hacer una foto y subirla a la de la marca, adecuándose el resultado a los gustos
app o la propia web de la marca. propios del cliente o looks más populares.

03. Caso de negocio
3.4.
Probadores virtuales Las capacidades de IA hacen el resto:
inteligentes
Con aplicaciones A través de tecnologías La solución se complementa con
de Computer Vision GANs y Transfer Learning, un motor de recomendaciones
identificamos los artículos el cliente podrá seleccionar de IA, que asistirá a los usuarios
Debido al confinamiento por el Covid-19, de ropa y calzado en cada cualquier prenda de la web a lo largo de su recorrido como
las tiendas tuvieron que permanecer cerradas, fotografía subida por el y probársela, ajustando clientes, ofreciéndoles artículos
lo que se tradujo en una importante disminución cliente, así como la forma la prenda a la forma su recomendados en los que
del cuerpo y la pose. cuerpo. puedan estar interesados.
de ventas. Más de un año después, todavía
muchas personas se muestran reticentes a
visitar los centros comerciales o a probarse
los artículos en los probadores de las tiendas.
El probador virtual inteligente aumenta exponencialmente las tasas de conversión de ventas:
Como aspecto positivo, este escenario ha acelerado la Mejorando la experiencia Permitiendo una toma Creando vínculos con los
velocidad de integración de las capacidades de IA en los del cliente y su comodidad, decisiones de compra más clientes y aumentando la
canales digitales. Superar las barreras de lo físico y ofrecer con artículos que se ajustan informada, reduciendo el retención de los mismos.
una experiencia más sencilla al cliente desde su propia a su fisionomía sin necesidad volumen de devoluciones e
casa se ha convertido en una prioridad. de probárselos físicamente. incrementando la satisfacción
de compra.
El caso de negocio de Probadores Virtuales Inteligentes
permite a los compradores probarse artículos “sin
tocarlos”, ya que el comprador digital sólo ha de compartir
en el sitio de la marca una foto suya de cuerpo entero. Aumentando el upselling y Aumentando la productividad
cross-selling, al completar de los trabajadores al reducir
sus looks con conjuntos el número de prendas
recomendados en segundos. probadas y no compradas
que hay que recolocar.

03.3.4.
Probadores virtuales inteligentes
Google Technology Mapping

Reference Parsing Target Result Built with Vertex AI
Data labeling Etiquetado
Training Entrenamiento
TF enterprise Prediction Inferencia de los datos

03.3.4.
Probadores virtuales inteligentes
¡Selecciona
una
prenda
y verás
qué tal
te queda
puesta!
Buscar
App/web Deployment & inference Train, Deployment inference
Vertex AI Cloud Build Vertex AI
Computer vision Models
¿Te interesaría ofrecer un servicio de probador En este paso las herramienta de IA, como la Vision En pocos segundos, el usuario podrá seleccionar
virtual completamente innovador y disruptivo AI API, van a permitir identificar los diferentes las prendas que más le gusten, y “probárselas” sin
en unos pocos pasos? elementos que componen una imagen, procesar necesidad de tocarlas o comprarlas.
y almacenar el output de forma automática.
El usuario solo tiene que encargarse de subir una ¿Te gusta cómo queda?
foto suya de alta calidad, para que el sistema cree
un avatar en 2D.

03. Caso de negocio
3.5.
Hiper-personalización
del canal digital y
promociones
La IA permite ofrecer un customer Analizando las interacciones en los canales digitales y el historial de navegación, como clics
journey a medida en los canales digitales, y visualizaciones, los artículos marcados como favoritos y los carritos de la compra, ayudamos
a los retailers a aumentar la tasa de conversión de las ventas directas y cruzadas, ya que:
proporcionando una experiencia diferencial
respecto a los competidores del mercado.
Conocer a los consumidores en profundidad, Podrán automatizar el Optimizarán sus Individualizarán el recorrido
analizando sus patrones de consumo, display de los productos campañas de marketing del cliente, haciéndolo más
comportamiento y preferencias resulta crítico más llamativos en los y promociones para cada fluido, atractivo y adaptado
para generar ese vínculo único con la marca. canales digitales para cliente, diseñándolas en a sus necesidades.
aumentar la vinculación función de sus hábitos y
del cliente. preferencias.
Por ello, nuestro objetivo es recopilar todos los insights
sobre el perfil de cada cliente, recogidos a partir de
sus interacciones en la tienda física y en los canales
digitales, y transformarlos en una oportunidad para la
hiper-personalización en su experiencia de navegación
y visualización del catálogo de la tienda online.

03.3.5.
Hiper-personaliación del canal digital y promociones
Data HUB Layer BI Layer

Digital Channels Product Offering BI
Physical Channels Campaign Offering BigQuery BI Engine
4
Cloud storage
Un equipo especializado podrá visualizar mediante dashboards todos los datos recopilados,
1 ¿Quieres ofrecer al cliente aquellos productos en los que está interesado en unos pocos explorar las diferentes opciones y entender cómo las métricas se relacionan entre sí.
Gracias a esta capa podremos afinar las recomendaciones y generar una capa de valor
segundos para captar su atención y guiar su viaje de compras?
añadido única.
Nuestro punto de partida será toda la información capturada a partir de sus interacciones con
la marca (tiendas físicas, canales digitales, intereses sobre el catálogo de productos y canje
de promociones)
Custom ML Models Layer Consumers

Vertex AI App/web
Cloud Build
Dataset Model Train Deployment & inference

ML Tabular Models
2 Es esencial garantizar procesos de limpieza y de calidad en torno a los datos capturados, 3 Cada cliente podrá visualizar todas las recomendaciones hiperpersonalizadas de productos
con el objetivo de desarrollar y entrenar modelos robustos de IA, como recomendadores, y promociones de forma automática a medida que navega por la tienda.
segmentación de mensajes y comunicaciones comerciales, etc.
¡Y sentir que la marca le está proponiendo conversaciones únicas!

03. Caso de negocio
3.6.
Agente Virtual
¿Cómo puedo ayudarte?
En los últimos años, el avance de chatbots o En definitiva, un Asistente Cognitivo Virtual propositivo y bien informado que desarrolla un
asistentes virtuales en el comercio de moda papel clave en la transformación de los sistemas tradicionales de comunicación con el cliente,
contribuyendo a la estrategia general de transformación digital de la empresa de moda,
ha revolucionado los procesos que giran en
además de:
torno a la interacción con el cliente en los
canales digitales, mejorando la experiencia
de compras, impulsando los ingresos y Optimizar los recursos y aumentar la Reducir los carritos abandonados,
reduciendo los costes. productividad, liberando a los trabajadores de ayudando a tomar mejores decisiones
consultas rutinarias, y redirigiendo las consultas de compra.
Los Asistentes Cognitivos Virtuales aprovechan las
más complejas al soporte de chat en vivo.
capacidades de soluciones de IA como Google DialogFlow
y APIs de NLP (análisis de sentimiento) para ofrecer a
los consumidores una experiencia de compra guiada
mediante la automatización de la resolución de consultas
Mejorar la experiencia del consumidor y guiado Reducir los costes operativos.
rutinarias 24/7, como:
de su journey de compra.
¿Cómo
puedo
Descripción de las Disponibilidad Localización
ayudarte? características de del producto. en tienda física.
un producto.
Consulta de Condiciones de Políticas de

horarios de envío o recogida. devolución o
apertura. cambio del
producto.

03. Caso de negocio
O bien customiza tu chatbot Por qué el asistente virtual
a las necesidades de tu marca se puede convertir en
tu personal shopper?
La customización de los asistentes virtuales impulsados por Inteligencia Artificial permite Una de las funcionalidades que más demandan los usuarios de los canales
adaptarse a las necesidades de tu marca, expandiendo las funcionalidades existentes de digitales es contar con un asistente personal, que les guíe a lo largo de todo
asistencia online y cambiando la forma en que proceso de compra y personalice de manera consistente la atención ofrecida en
los retailers se relacionan con los usuarios. todas las plataformas donde la marca opera (redes sociales, página web, app…):
Entre las funcionalidades a customizar, destacan las siguientes: . Encontrando en pocos segundo las
prendas y complementos que buscan
Dar seguimiento a los pedidos Ofrecer experiencia VIP a partir de una descripción o imagen.
. Conocer el estado del pedido. . Ofrecer asistencia en los procesos . Recomendando productos adicionales
. Consultar la información de facturación y pago. de suscripción de usuario. para crear looks icónicos hiper-
. Cancelación o devolución de pedidos. . Personalizar códigos, cupones y promociones personalizados a los estilos y
a medida. preferencias.
Guiar el proceso de compra del . Proporcionar soporte en los procesos

cliente como un auténtico personal Solicitar un Sistema alertas de pago online, que requieren de
shopper e incidencias numerosos pasos antes de recibir
. Búsqueda Inteligente de productos en el catálogo. . Ofertas y Rebajas. la notificación de “pago realizado
. Realizar comparaciones y recomendaciones de . Disponibilidad del producto (restock) correctamente, su pedido está en
otros productos. . Automatización de los procesos de quejas e camino”.
. Crear total looks únicos para cada cliente. incidencias.
. Asistencia en el proceso de pago.
1 2 3 4 5
Mejorar la Enriquecer las Aumentar las ventas Enriquecer los Crear informes y
experiencia del relaciones entre la (upselling y cross perfiles de clientes obtener insights de
consumidor y marca y el cliente selling) las conversaciones
guiado de compra para mejorar las
futuras interacciones

03.3.6.
Agente Virtual ¿Cómo puedo ayudarte?
Consumers Process Layer Storing & BI Layer

App/web Data Management Results Storage BI
Dataflow Google Cloud Storage BigQuery BI Engine
Se almacena la información
obtenida para su explotación.
Usuario
web Chatbot
Dialogflow
eva Científicos Analistas

de datos de BI
1 El asistente cognitivo está al servicio de 2 Gracias a herramientas de IA como 3 Los datos generados a partir de Los analistas de negocio podrán
la resolución de consultas 24/7. Google DialogFlow y APIs de NLP cada interacción se almacenan visualizar los Insights recogidos
Su misión será resolverlas, sin límite, (sentiment analysis) se genera para que los científicos de datos para conocer mejor las necesidades
para los usuarios y clientes de los un pipeline de automatización de puedan continuar entrenando y de sus clientes y ofrecer un mejor
canales digitales. peticiones del cliente. mejorando el chatbot. servicio.
Los agentes personales liberan a los

equipos de trabajo de tareas rutinarias,
y los clientes cuentan con una atención
personalizada en todo momento.

Fashion retail | 2022
04
Impulsa la
competitividad
operativa

04 Impulsa
la competitividad
operativa
La industria de moda cuenta con características que Estos casos de negocio resuelven los desafíos de gestión operacional que mayor incertidumbre
condicionan una gestión de la cadena de suministro empresarial generan. Nos enfocamos en ámbitos clave como la optimización de inventarios,
especialmente compleja. La industria está sujeta a una la distribución del stock y eficiencia de las capacidades de los empleados.
demanda incierta en función de las tendencias que se
Así, ayudamos a nuestros clientes a aprovechar sus propios datos internos y convertimos
consoliden en la temporada, a la climatología, a la situación la incertidumbre operacional en una oportunidad:
macroeconómica o a la dependencia de múltiples proveedores
ubicados en geografías cercanas y lejanas, entre muchos otros.
La implementación de una visión Data & Intelligence driven aplica a lo largo de la cadena de valor
de las organizaciones del sector moda, con especial impacto en la gestión de las cadenas de
Mejorando la Mitigando la Aumentando Alineando
suministro, de principio a fin.
precisión del volatilidad la certeza y operaciones,
pronóstico de rendimiento procesos y
Cada vez que un agente lleva a cabo una operación o se realiza un proceso, se generan nuevos
inventario a lo largo de la organización
datos. De esta forma, la cadena de suministro se convierte en una fuente de datos interna de
cadena de valor
alto valor para la organización; su almacenamiento y explotación retroalimentan los sistemas
de IA que fomentarán la toma de decisiones informada –y automatizada– y mejores resultados
inmediatos y a futuro.
Mediante la aplicación de IA optimizamos no solo en la operativa del flujo físico de materiales

y productos, sino también el flujo de información y el flujo de costes, produciendo una mejora
sustancial de la productividad a través de una mayor visibilidad entre todos los agentes,
los procesos y la calidad de los productos. Estas ganancias se trasladan en competitividad
operativa, modelo de relación con el cliente, calidad de producción y costes financieros.

04
Almacén Punto de venta
Supply chain Optimización del inventario

multi-nivel (MEIO)
Asignación y
reposición inteligente
Monitorización y
optimización de flotas
operations de inventario en tiempo real
1. 2. 3.
4. 5. 6. 7.
Business Redes que ayudan
a los diseñadores
Conoce el
avatar-modelo
Predicción de la demanda
y control de stocks
Reinventa la planificación
de ventas y operaciones
operations a imaginar

04. Caso de negocio
4.1.
Previsión de la Con soluciones de análisis predictivo basados en IA podemos extraer información relevante
directamente de los datos del punto de venta para mejorar la previsión de demanda y tomar
demanda y control decisiones de planificación de existencias más precisas, teniendo en cuenta:
de stock
. Los datos sobre las cantidades de producto que se envían a las tiendas.
Los gestores de las cadenas de moda tienen . El flujo y volumen de ventas.
como objetivo disponibilizar la cantidad . El volumen de excedentes.
adecuada del catálogo - en los puntos de . Los picos de demanda durante las campañas de temporada.
venta y el momento adecuados y al precio . Las actividades de ventas promocionales.
idóneo - para optimizar los márgenes y reducir
los costes.
Al aprovechar las herramientas de IA, podrán prever A partir de estos datos, los algoritmos de machine learning predicen cuántos consumidores
la demanda y, por tanto, calcular la producción y los comprarán un artículo y a qué precios, con el resultado final de una recomendación sobre
inventarios con mayor precisión, evitando la pérdida de el nivel ideal de producción, precio y de stock.
ventas por falta de existencias o el aumento de los costes
por exceso de producción o almacenamiento. De este modo, los gestores podrán:
Los retos de la industria de la moda requieren una

planificación inteligente de la demanda. Optimizar la planificación Impulsar un mejor Reducir los costes y mejorar
de cada SKU en el almacén suministro al punto de los márgenes ajustando los
(central y tienda). venta, automatizando las niveles de producción.
operaciones de reposición
de existencias.
Mejorar la programación Mejorar la calidad del

operativa para el servicio al cliente.
lanzamiento de nuevos
productos y las actividades
de venta de promociones.

04.4.1.
Previsión de la demanda y control de stock
Stock
Data HUB Layer Custom ML Models Layer Storing & BI Layer
Stock Inventario Restante Vertex AI Results Storage BI
Demand Inventario enviado a tienda Cloud Build BigQuery BigQuery BI Engine
Cloud Storage Model Deployment

Dataset
Train & inference
ML Tabular Models
1 Los cambios de comportamiento de consumidor y el interés 2 Gracias a la captura y almacenamiento de estos 3 Mediante un dashboard de BI, los analistas de
estacional del cliente en las colecciones de moda de la marca, datos internos, podremos crear y entrenar negocio podrán visualizar y planificar de forma
aumentan la volatilidad de la demanda y dificultan el cálculo modelos ad hoc de predicción de demanda. precisa la demanda y el stock para cada uno de
de stock para las futuras temporadas. los productos del catálogo de la marca.
Para facilitar esta labor, trabajamos en un modelo de ML a partir
de toda la información disponible (cartera de SKUs, datos sobre
ventas, inventario y distribución de stock en los diferentes canales)

04. Caso de negocio
4.2.
La aproximación tecnológica identifica algunas palancas y procesos clave:
Disponibilizar información Crear modelos de ML De este modo, es posible

Optimización relevante a partir del ERP utilizando los datos históricos revisar detalladamente los
del inventario (Enterprise Resource de rendimiento, estrategia objetivos de existencias
Planning) de almacenamiento, las y los planes de políticas,
políticas de niveles de stock simulando escenarios
de seguridad y el servicio futuros (variando los plazos
Los métodos tradicionales de planificación dirigido para cada cartera de de entrega, los niveles
de inventarios presentan ciertas rigideces productos o SKU. El modelo de SKU o el servicio y el
optimizará la relación entre objetivo de ventas) para
para adaptarse a la complejidad del mercado
el nivel de servicio (tasa de definir la mejor planificación
actual, la volatilidad de la demanda y la llenado de la línea de pedidos) del suministro e identificar
gran variedad de carteras de SKU de las y el stock (curva stock- posibles incidencias en la
organizaciones. Los managers que utilizan servicio). previsión de la demanda.
estos métodos tradicionales pueden caer
en la inercia de aplicar políticas y normas de
inventario similares a demasiados artículos a
pesar de sus diferentes características, lo que Como resultado, esta aproximación proporciona curvas optimizadas de “stock a servicio” que
da lugar a excedentes o a desabastecimientos muestran la relación entre el nivel de servicio deseado (tasa de llenado de la línea de pedidos) y
inesperados. el stock medio disponible necesario, al tiempo que proporciona los niveles de control necesarios
(stock de seguridad, nivel de reorden, etc). Es escalable al optimizar los niveles de inventario y
Stock
los niveles de stock de seguridad para todas y cada una de las SKU-Locations al mismo tiempo,
Los equipos de gestión pueden beneficiarse de soluciones para equilibrar las necesidades de suministro y los niveles de inventario.
avanzadas en la nube para la planificación de inventarios De este modo, los managers podrán:
mixtos, llamada AI Multi-Echelon Inventory Optimization.
Proponemos un enfoque de optimización del inventario a
lo largo de la cadena de suministro end to end, generando Reducir los costes de Reducir los costes Liberar capital Mejorar el
la combinación óptima de inventario entre el stock medio, inventario minimizando fijos de almacén. humano. rendimiento de la
los niveles de servicio de cada SKU y las ubicaciones de los niveles de stock red de suministro y
distribución de la forma más eficiente, para cumplir los y optimizando la la salud financiera.
objetivos de ventas al menor coste. configuración de las
existencias de seguridad.

04.4.2.
Optimización del inventario
Data HUB Layer

ERP Inventario Restante
Demand Inventario enviado a tienda
Cloud Storage
1 ¡Optimiza tu inventario para reducir costes e incrementar eficiencias operativas!
Nuestra solución te permite unificar de toda la información disponible (relativa a ERP, datos
sobre ventas, inventario y distribución de stock en los diferentes canales) en un único lugar,
Google Cloud Storage.
Custom ML Models Layer Storing & BI Layer

Vertex AI Results Storage BI
Cloud Build BigQuery BigQuery BI Engine
ML Tabular Models
3 La solución permite a los analistas planificar y optimizar de forma precisa los niveles de
inventario y los niveles de stock de seguridad para todas y cada una de las SKU-Locations,
2 Gracias a la recolección de estos datos internos, se crearán y entrenarán modelos de
equilibrando las necesidades de suministro y los niveles de inventario en toda la cadena.
optimización del inventario a lo largo de la cadena de suministro end to end. ¡No más desfases de inventario!

04. Caso de negocio
4.3.
Asignación y
De este modo se obtiene una visión general de escenarios de planificación, utilizando datos de
localización de SKUs actualizados en tiempo real:
Datos de ventas históricas Señales de demanda Tendencias y estilo por

reposición inteligente de los puntos de venta, cambiantes. zona.
del inventario promociones y liquidaciones.
El despliegue de prácticas eficientes de Disponibilidad actual de Necesidades y limitaciones Capacidad de la tienda,

asignación y reposición es el punto de productos. de producción. espacio en las estanterías y
inflexión que mejora la eficiencia a lo largo de capacidad de recepción.
la cadena de suministro. Las hojas de cálculo
y los sistemas de planificación tradicionales
(basados en historiales de ventas agregados)
ya no están a la altura de la actual variabilidad
Al contar con datos del punto de venta, aplicamos aprendizaje automático para generar
de la demanda y la complejidad de la una señal automática de reposición que identifica qué artículos son “calientes” y cuáles son
distribución. “rezagados”.
Las empresas deben aprovechar las herramientas de IA Como resultado de este sistema de alerta temprana, podemos crear órdenes de envío más
para asegurarse de que disponen de los productos y las precisas, llenando las flotas de forma más eficiente y requiriendo menos cargas a lo largo del
cantidades correctas, en el lugar y el momento adecuados año sin afectar a las entregas de inventario.
para alcanzar los niveles de servicio previstos.
Los managers se beneficiarán de nuestra solución impulsada por la IA, ya que podrán:
La solución propuesta combina soluciones Cloud y
algoritmos avanzados de ML para proporcionar planes de
asignación y reposición optimizados para los envíos a los Planificar con mayor Reducir los Disminuir los costes Mejorar el servicio
puntos de venta, con el fin de satisfacer las necesidades precisión los niveles costes de de distribución al al cliente al tener
de servicio. de producción. almacenamiento. mejorar la carga y las los productos,
fechas de entrega. colores, estilos o
tallas adecuados en
el punto de venta
correcto.

04.4.3.
Asignación y reposición inteligente del inventario
Data HUB Layer Consumers

ERP Inventario Restante App/web/tienda
Demand Inventario enviado a tienda
Cloud Storage
1 Además de predecir con precisión el volumen de demanda por cada SKU de la marca y
optimizar el inventario, es importante crear eficiencias a lo largo de toda la cadena de
suministro en lo que respecta la reposición de productos para poder ofrecer un buen servicio
al cliente y alcanzar el objetivo de ventas.
4 Los clientes podrán tener una experiencia de compra aún más satisfactoria, ya que
Por ello, proporcionamos planes de asignación y reposición de mercancías optimizados de garantizamos el tipo de producto y la cantidad demandada para todos los puntos de venta
gran precisión empleando los datos internos de la propia compañía. (canales físicos y digitales)


ML Tabular Models
2 Los modelos de ML de planificación avanzada de asignación y reposición, nos permitirán 3 Con el modelo entrenado, podemos generar alertas automáticas de reposición temprana
identificar la demanda, disponibilidad y producción actual por cada uno de los SKUs y que identifican qué artículos son “calientes” y cuáles son “rezagados“ atendiendo al
localizaciones en tiempo real. volumen de demanda, así como la capacidad de reposición disponible.

04. Caso de negocio Esta solución integra componentes de Google Cloud Maps, Routes y Places, tales como:
4.4.
Geolocation y Distance Roads Directions
Geocoding Matrix Determina y traza la Calcula la duración
Muestra la ubicación Proporciona la ruta que ha seguido del trayecto
un elemento de recorrido o previsto
Monitorización y (coordenadas) duración y las
la flota y localiza en función de los
precisa de recursos y distancias de los
optimización de flotas dispositivos, situados trayectos hasta las carreteras más datos del tráfico en
en tiempo real tanto en interiores como entre 25 puntos de cercanas en cada tiempo real.
en exteriores por medio ruta diferentes. punto del recorrido.
de torres de telefonía
Las empresas buscan nuevas fórmulas móvil y redes Wi‑Fi.
que les permitan monitorizar el proceso
de distribución y suministro de mercancías
Nuestra solución se apalanca en estas tecnologías para permitir a los managers:
para cada uno de los puntos de venta.
Obtener la capacidad de Monitorizar los Crear itinerarios de

localizar y visualizar los desplazamientos y paradas varios puntos con datos
Las empresas no solo quieren conocer información acerca vehículos de flota en tiempo del conductor, averiguando actualizados sobre las
de horarios de salida y llegada a destino de las flotas de real, conocer distancia cuántos desplazamientos se distancias entre dichos
entrega, sino también optimizar la ruta, confirmar que los recorrida por cada vehículo, completaron en un periodo puntos, así como el
recursos de la flota están siendo destinados al desempeño el total de horas trabajadas concreto de tiempo, o tiempo estimado de los
laboral, y monitorizar cada vehículo de distribución en e incluso un desglose del verificando si se realizaron desplazamientos, para
tiempo real. coste de combustible. correctamente a la hora seleccionar la ruta óptima.
prevista.
Como solución a todo ello, hemos ideado la integración de
un sistema y un panel de control únicos para la gestión y
monitorización en tiempo real de las flotas en los procesos Recibir sugerencias de Gestionar los recursos al En definitiva, esta solución
de distribución de mercancías. rutas recalculadas en las programar el uso óptimo permite gestionar toda la
que se tienen en cuenta de la flota: coordinando flota reduciendo costes,
las retenciones actuales, el los activos, evitando optimizando los recursos de
tráfico previsto y obras en la solapamientos y planificando distribución hasta el destino
calzada, ayudando a ahorrar el mantenimiento de los final, y generando eficiencias
tiempo, combustible y vehículos de flota inactivos. tanto para el distribuidor
dinero. como para el retailer, que
recibirá sus pedidos en
tiempo y forma.

04.4.4.
Monitorización y optimización de flotas en tiempo real Almacén Punto de venta
Extraction Layer Process Layer Custom ML Models Layer Storing & BI Layer
Geolocalización Data Management Video Intelligence API Results Storage BI

Google Geolocation Dataflow Vertex AI BigQuery BigQuery BI Engine
Duración y distancias ML Tabular Models
Google Distance Matrix
Rutas 2 Creamos una pipeline para el procesado de 3 A través de la aplicación, el responsable de 4 El responsable o gestor podrá consumir la
los datos y las peticiones de la aplicación reparto podrá seleccionar la mejor ruta casi información en tiempo real a través de la
Google Roads de usuario. de forma automática y realizar las gestiones aplicación o explotar la información bruta a
necesarias, monitorizando en todo momento través del Motor de Inteligencia de Negocio.
Trayecto tiempo real Mediante un modelo predictivo adhoc, el estado de la flota.
analizamos qué trayecto es la más idóneo, Como resultado, los managers habrán
Google Directions
relacionando todos los puntos del itinerario generado eficiencias y reducido costes,
con la información relativa a cada ruta en mientras que los retailers recibirán la
1 Para poder calcular la ruta óptima de entrega tiempo real. mercancía que necesitan en el tiempo
estimado y sin frustraciones.
de mercancías y monitorizar a los vehículos
que salen del almacén, disponibilizamos una
capa de microservicios que conecta con todas
las APIS necesarias para generar la aplicación.

04. Caso de negocio Sales &
Finance Supply Chain
4.5.
Marketing
Budgeting
and planning
Reinventa la planificación Tactical S&OP

de ventas y operaciones
Operational
Las empresas de fabricación de ropa se enfrentan a una complejidad

Paralelamente, los modelos avanzados de ML permiten a los equipos de S&OP
cada vez mayor cuando intentan conectar la planificación de ventas y
ejecutar fácilmente escenarios de simulación “what-if” para realizar una
operaciones (S&OP) con la ejecución operativa, ya que el proceso requiere variedad de cálculos hipotéticos sobre la cadena de suministro y los impactos
la alineación de diferentes departamentos: ventas, marketing y operaciones de ganancias y pérdidas, como el impacto de los cambios de precios, la
logísticas para lograr la optimización de la cadena de suministro y los elasticidad de la demanda, el aumento de las promociones... creando y
objetivos de beneficios. comparando continuamente múltiples escenarios para llegar a un consenso
entre los diferentes equipos.
Debido a esta complejidad, los directivos toman decisiones estratégicas (modelos centrados
en las ventas) que no siempre coinciden con los planes operativos (modelos centrados en los
niveles de producción SKU) Como resultado, al sincronizar todos los datos a través de un mapeo agregado, los managers se
beneficiarán de:
Por lo tanto, es esencial que los directivos aprovechen las herramientas impulsadas por la IA que
armonizan los esfuerzos y las actividades de los equipos de ventas y operaciones.
Ajustar adecuadamente Dar una visión clara e Facilitar las relaciones entre
Esto se consigue con un modelo de S&OP de datos único e integrado. Para ello, proponemos los procesos de toma de informada de las mejores los diferentes decisores
crear un modelo común de datos agregados con los objetivos, políticas y limitaciones: p.e. decisiones estratégicas y opciones y tradeoffs y definir las funciones y
el objetivo de ventas para el trimestre, la producción a nivel de planta o las capacidades de tácticas para alcanzar los asociados. responsabilidades.
recepción del centro de distribución. objetivos empresariales.
Además, el modelo puede actualizarse automáticamente aprovechando los datos generados por
la planificación de la cadena de suministro en términos de: Mejorar el nivel de servicio Liberar al personal de las
y reducir el inventario. tareas operativas rutinarias.
Previsión de la Niveles óptimos de Planes de asignación
demanda inventario y reposición
En definitiva, mejorar la calidad del proceso y la fiabilidad de los resultados, permitiendo la
(caso de uso 4.1) (caso de uso 4.2) (caso de uso 4.3)
integración entre el nivel táctico de S&OP y el nivel de ejecución.

04.4.5.
Reinventa la planificación de ventas y operaciones
Data HUB Layer

Demand Forecast Allocation Plans
Inventory levels Targets
Cloud Storage
1 Conectar la planificación de ventas y operaciones (S&OP) con la ejecución operativa

es una labor ardua y compleja, ya que el proceso requiere la alineación de diferentes
departamentos.
Realizamos un volcado de toda la información disponible (relativa a la demanda, los planes Storing & BI Layer
de producción, planes de asignación y objetivos financieros) en Cloud Storage.
Results Storage BI
BigQuery BigQuery BI Engine
Custom ML Models Layer 3 El modelo resultante se

exportará para que los analistas
Así los decisores podrán conocer
cuál es el mejor escenario a
de negocio puedan fácilmente implementar, coordinando a las
Vertex AI crear escenarios de simulación diferentes áreas para generar
“what-if” para realizar Analistas eficiencias y optimizar recursos.
Cloud Build una variedad de cálculos de Negocio
hipotéticos sobre la cadena de
suministro y los impactos de
ML Tabular Models ganancias y pérdidas.
2 Empleando Google Vertex AI y Cloud Build, se crearán modelos de predicción en base a los
datos capturados. Managers

04. Caso de negocio
4.6.
Las imágenes generadas resultantes serán filtradas por un modelo discriminador, que indicará
cómo de realista es una imagen de una prenda comparándola con una base de datos de
+100.000 fotos de:
Redes que ayudan Google Crawlers Reconocimiento Colecciones

a los diseñadores a Runway x Extracción de y extracción de internas de la
imaginar BOF imágenes de canales imágenes marca
digitales (páginas Revistas de moda
web de tiendas, redes
En un escenario favorable, los gigantes sociales)
de la moda rápida pueden producir hasta
hasta 11 colecciones completas o 52 micro
colecciones al año, por lo que los diseñadores Una vez que el modelo genere una imagen con una alta probabilidad de éxito, se exportará a
buscan nuevas formas de fomentar su una interfaz de usuario para que los diseñadores pongan en marcha sus colecciones.
creatividad, encontrar espacios que inspiren
sus colecciones y conseguir herramientas que Esta solución basada en la IA ayuda a los diseñadores de moda a:
optimicen y aceleren sus procesos.
Automatizar los procesos Mejorar la creatividad Impulsar las sinergias entre
Para dar respuesta a esta necesidad proponemos la de diseño, concibiendo individual y colectiva. los equipos de diseño,
solución GarmentGANs, que fomenta la adopción de nuevas prendas en menos adaptando sus estrategias
nuevas tecnologías por parte de los diseñadores, dotando tiempo. de desarrollo de productos
a los mismos de herramientas basadas en la tecnología de en consecuencia.
IA GANs (Generative Adversarial Networks).
Las GANs permiten generar imágenes aleatorias de Lograr la diferenciación de Satisfacer requisitos cada Atraer el interés del
prendas de vestir, a partir de parámetros específicos. la marca a través de diseños vez más exigentes consumidor ofreciendo
altamente personalizados y diseños centrados en el
únicos consumidor.
En definitiva, nuestra solución GarmentGANs no sólo sirve como herramienta para mejorar
la creatividad en el diseño de nuevas colecciones y la colaboración entre diseñadores, sino
también como asistente para optimizar el flujo de trabajo y lograr la diferenciación de la marca
para obtener una ventaja competitiva.

04.4.6.
Redes que ayudan a los diseñadores a imaginar
Original Camiseta Polo Camiseta Sudadera Sudadera Chaqueta
sin mangas manga larga Capucha polar
Otros Máquina
Kato Máquina Humano Humano
Diseño Patrón Fabricación
Boceto de Patrón Ropa

Diseño
Kato et al. modelo de flujo de trabajo en la fabricación de ropa a partir de GANs

04.4.6.
GarmentGANs para diseñadores
Custom ML Models Layer Consumers

Vertex AI App/web
Cloud Build
GANs
1 Ayudándose de Partiendo de unos Las imágenes El modelo GANs

Diseñador
nuestro caso de
uso, los diseñadores
parámetros que
se le asignan al
generadas
servirán para
podrá generar
imágenes de prendas 2 El modelo de GANs generado se exporta
vía API a una aplicación de diseño para
podrán crear nuevas modelo GANs, se continuar únicas que aún no
que los diseñadores puedan empezar
colecciones en pocas genera un data set reentrenando existen,atendiendo
a idear sus nuevas creaciones en unos
iteraciones. con los resultados el modelo y a diferentes estilos,
pocos segundos.
obtenidos. así, conseguir siluetas y colores...
los resultados ¡El modelo está listo
esperados. para ser exportado!
Random Input
GANs Imagen GANs Exportar modelo entrenado

Generadora Irreal Discriminatoria de GANs con imágenes reales
Imágenes reales
(para entrenar el modelo)

04. Caso de negocio
4.7.
Avatares para probar
las nuevas colecciones
La labor de un diseñador de firma no se limita Gracias a esta solución los diseñadores podrán valerse de herramientas de IA para:
únicamente a conceptualizar prendas de moda
y colecciones. También tiene un papel muy
Acelerar sus procesos Aumentar la calidad del Crear prendas con
importante en la fase prueba del modelo para
de diseño, analizando diseño, redundando en menos defectos de
conseguir un fitting adecuado de la prenda, y realizando ajustes de una mayor satisfacción diseño, ahorrando
gracias al diseño de un buen patrón que manera casi inmediata. del cliente. costes de producción.
facilite la confección.
Para ello, nuestro caso de uso, Model Dress Fitting, Ahorrar costes asociados a Apostar por un diseño
se apalanca en herramientas de IA como GANs y modelos la contratación de modelos sostenible, reduciendo el
3D, que permiten acortar los tiempos de ajustes del y estudio de fotografía. impacto medioambiental.
patrón, y reducir los costes de modelaje, asociados a la
fase de diseño de prendas de la industria de la moda.
GANs no solo te permitirá crear nuevas prendas desde

cero (caso 3.5), sino que también permitirá ajustar dicha
prenda a la figura del avatar 3D para comprobar los
resultados del fitting, haciendo los ajustes en el patrón,
la caída, el diseño o telas escogidas.

05
Talento y
organización.
Colaboración
humano-máquina

05 Talento y organización.
Colaboración
humano-máquina
Casos de negocio y journey tecnológico La IA también puede enfocarse en aumentar las capacidades humanas de los agentes que
participan a lo largo de la cadena de valor de la moda, buscando implementar un modelo
colaborativo “Humano – Máquina” en la organización, también llamado “Inteligencia
Aumentada”, que pone en valor al capital humano, generando nuevas oportunidades de
En los últimos dos años, los retailers de la industria de la moda crecimiento para los profesionales y eficiencias operativas para la organización.
han observado un cambio de rumbo en las necesidades y
preferencias de los consumidores, quienes exigen un servicio Este modelo colaborativo Humano – Máquina consiste en que el personal se encargue de
desempeñar roles que entrañen una mayor responsabilidad, creatividad y sensibilidad tanto
personalizado más rápido y mejorado a través de experiencias
desde el punto de vista operacional como con el cliente final. Mientras, la IA buscará mejorar
de compra diferenciales. significativamente las capacidades de los humanos liberándolos de las tareas más rutinarias y
optimizar el procesamiento y análisis de los datos procedentes de diversas fuentes en tiempo
Además, los compradores han aprendido a navegar y combinar real, transformándolos en insights que generen valor continuo para el negocio.
la información proporcionada a través de los diferentes
canales (tiendas físicas, tiendas online, marketplaces globales,
aplicaciones de moda de segunda mano...), lo que les hace estar
más informados, ser más exigentes con sus compras y estar a un
clic de distancia de los competidores de la industria de la moda. Esto dará lugar a la puesta en marcha de una hoja de ruta que permita emplear
eficientemente los recursos internos, crear procesos más eficaces y ágiles,
fomentar oportunidades de crecimiento profesional y generar mayor valor para
Los retailers buscan diseñar nuevos productos y servicios, situando al usuario en el centro todos los agentes involucrados (empresa, sociedad e individuo).
del diseño, respondiendo a la nueva mentalidad de los clientes y aportando valor a través de
experiencias de compra diferenciales, que les permitan lograr una conexión emocional con sus Para aprovechar todo el poder que la IA ofrece, las organizaciones deben dotar
clientes y alcanzar el objetivo final: el crecimiento de las ventas. de nuevas capacidades a sus empleados, democratizando:
En este contexto de cambio constante, los retailers están aprovechando las herramientas 1 2
impulsadas por la IA que les permiten entender rápidamente las últimas tendencias del mercado Los nuevos tipos de relaciones La evolución de modelos de gestión
y diseñar nuevas ofertas que satisfagan las nuevas demandas, no perder cuota de mercado y profesionales entre humanos y tradicional hacia nuevas soluciones
generar valor de negocio. máquinas. impulsadas por la IA.

05
Human
Machine
Collaboration
Model
Augmented AI
Become an
AI-powered
workeforce
1.
Protege a tus
2.
Convierte a tus
3.
Optimiza tiempo
4.
Nuevos Insights
5.
Democratiza
empleados equipos de tienda y tareas de tus en los centros el dato en toda
de almacén en personal dependientes de de llamadas la organización
shoppers tienda (AI-powered
Cloud Platform
for BI)

05. Caso de negocio
5.1.
Protege a tus Con nuestra solución de detección de EPP apalancado en herramientas de Google Cloud, los
empleados de almacén managers podrán conocer de forma rápida y eficaz si los trabajadores cuentan con el EPP
requerido (guantes de protección, casco, chalecos, calzado adecuado, mascarilla FFP2/3).
Para ello:
Reguladores de seguridad como la Se dispondrán cámaras a Se integrarán las capacidades Se integrará Google Vertex
Administración de Salud y Seguridad la altura de la persona a la de Google Vision AI para AI y Google Análisis de
Ocupacional (OSHA) y la Comisión Europea entrada de cada estancia o detectar al trabajador Etiquetas en vídeos, para
velan porque las empresas protejan a sus zonas de alto riesgo. de manera anónima, no identificar los elementos que
empleados frente a los peligros físicos y realizando análisis faciales ni configuran el EPP (etiquetas)
riesgos laborales que puedan causar alguna comparaciones faciales ni de y saber si se cuenta con el
identidad. equipo completo o si se hace
lesión durante el desempeño de su actividad.
un correcto empleo de los
mismos.
En la industria de la moda, donde se trabaja con máquinas Con estos resultados de detección de EPP, los managers pueden otorgar o denegar
tendedoras de tela, máquinas de hender, cortadoras automáticamente el paso a los trabajadores que quieran acceder a una estancia o zona de
rebobinadoras, máquinas de corte de tejido, máquinas de la fábrica o almacén de retail. Adicionalmente, gracias a la información que recoge la cámara
coser industriales o transpalets eléctricos, entre otros, los sobre el uso del equipo de protección, se puede analizar cómo mejorar las advertencias de
equipos de protección personal (EPP) son fundamentales seguridad, las prácticas de protección y generar informes para su uso durante las auditorías
para la protección de los empleados frente a potenciales regulatorias. Además aporta numerosos beneficios como:
peligros y lesiones. Sin embargo, a veces los trabajadores
pueden olvidar protegerse adecuadamente o hacer un uso
inadecuado de los EPPs. Aumento de la Reducción de costes Mayor vinculación de
productividad, al médicos y seguros. los empleados con una
garantizar la seguridad empresa que cuida su
de los trabajadores. protección.

05.5.1.
Journey tecnológico Custom ML Models Layer
Protege a tus empleados de almacén Vertex AI
Cloud Build
Cloud Storage
Deployment & inference Model Train Dataset
3 Escomponen
necesario entrenar el modelo para la detección de personas y de los elementos que
el equipo de protección personal. Para ello, emplearemos un dataset adhoc
creado con las imágenes previamente recogidas.
Input Layer Process Layer Consumers

Video Batch Processing Data Management App/web
Cloud Storage Dataflow
Real time Video streaming
Pub/Sub
Los managers reciben
People Detection
1
alertas ante infracciones
4 Una vez el modelo esté entrenado, se

¿Quieres ir un paso más allá para velar por la seguridad de tus trabajadores?
Video Intelligence API
Mediante la disposición de unas cámaras a la entrada a las zonas de alto riesgo, podrás desplegará en las entradas a las zonas de
2 Mediante la creación de un pipeline,

captar si tus trabajadores cuentan con el EPP adecuado. alto riesgo de las fábricas y almacenes,
permitiendo detectar si los trabajadores
se procesan cada uno de los frames cuentan la protección requerida y así dar
Para ello, enviamos un flujo de Streaming/Batch desde estas cámaras (colocadas a la
para extraer las personas presentes y acceso.
altura de una persona) a un gestor de flujo.
los elementos del EPP, almacenando
los resultados. Trabajador 1. Adelante
Trabajador 2. Adelante
Trabajador 3. Te faltan las gafas
Trabajador 4. Te falta el casco

05. Caso de negocio
5.2.
Convierte a tus Nuestra solución puede integrarse fácilmente en los dispositivos de los asistentes de los
equipos de tienda en probadores y de las tiendas (PDA o tableta), ya que aprovecha las herramientas de Google
Cloud y los motores de recomendación de IA para:
personal shoppers
Los retailers buscan nuevas formas de Escanear el código de barras de los artículos, Ofrecer artículos de estilo similar que
el código QR o el sistema de identificación se ajusten a su estilo personal para
acercarse a los clientes y ofrecerles una
electrónica de la ropa, para identificar el estilo complementar los looks y conjuntos.
experiencia de compra más personalizada que y las preferencias en las que está interesado
impulse las tasas de conversión de las ventas, el cliente y así hacer recomendaciones de
sin tener que realizar grandes inversiones, productos.
modificar el modelo de negocio o aumentar
los gastos operativos.
Aconsejar la talla correcta. Comprobar la disponibilidad de un
artículo específico.
Por lo tanto, aumentar las capacidades del personal de

probadores es un enfoque interesante para crear un
escenario en el que todas las partes interesadas (clientes, Como resultado, el “nuevo” personal shopper se convertirá en el mejor aliado tanto para los
empleados y empresa) obtengan un beneficio al ofrecer clientes como para los retailers al:
una asistencia más personalizada a lo largo del customer
journey, ganar más responsabilidades y aumentar las . Mejorar la experiencia de compra, ofrecer un servicio hiperpersonalizado y guiar el viaje
tasas de conversión de ventas (respectivamente). del cliente.
. Aumentar la tasa de conversión de ventas.
Por ello, hemos diseñado un modelo de colaboración . Aumentar el upselling y cross-selling.
Humano-Máquina que dota al fitting room assistant con . Reducir el abandono del carrito.
la última tecnología de IA para aumentar sus habilidades . Fomentar el compromiso con los clientes.
y ayudarles a convertirse en personal shoppers . Optimizar los recursos de la plantilla aumentando su productividad y satisfacción.
potenciados por la IA.

05.5.2.
Convierte a tus equipos de tienda en personal shoppers
Recommendation engine
AI Matching
Recommendation engine
3 En base a la prenda escaneada, el motor de recomendación selecciona prendas

similares dentro del catálogo de la marca que puedan interesar al comprador y
Consumers Process Layer su talla correcta.
El motor de recomendación también ofrece sugerencias de complementos, joyería,
App/web Data Management calzado… para completar el outfit.
Dataflow ¡Por lo que tu asistente en probadores estará equipado con tecnología IA para
convertirse en un auténtico personal shopper!
Aplicación de usuario para

escanear QRs Data HUB Layer
Stock Data
1 Para que el paso del cliente por

Cloud Storage
probadores se convierta en una venta

efectiva, hay que ofrecer una atención
hiperpersonalizada y sin fricciones.
2 Los datos (de las prendas
escaneadas) se almacenan por
Todo comienza con el escaneo de las
prendas que dicho cliente se quiera cliente, creando un pipeline para el
probar. procesado de datos.
Recommended
L or XL

05. Caso de negocio
5.3.
Optimiza tiempo Los dependientes en tiendas tendrán en la palma de la mano una herramienta eficaz integrada
en sus tablets o dispositivos electrónicos, que les permita ejecutar las tareas con mayor rapidez
y tareas de tus y exactitud, dedicando más tiempo mejorar la experiencia de compra de los clientes.
dependientes de tienda Gracias a esta plataforma de gestión de tareas en tiendas de moda se podrá:
. Recibir información exacta sobre lo que sucede en la tienda en tiempo real.

Los retailers desean encontrar nuevas
. Conocer y gestionar los envíos y recepción de mercancías en tienda.
fórmulas que les permitan conocer en
. Recibir avisos sobre falta de existencias en estanterías.
más detalle las tareas que desarrollan los
. Ofrecer una experiencia de compra impecable, proporcionando a los clientes
dependientes en la tienda y el tiempo que
información sobre:
invierten en cada una de ellas, con el objetivo
. La disponibilidad de los productos.
de dotarles de las herramientas e información
. Búsquedas rápidas de productos.
necesarias para aumentar su productividad,
. Recomendaciones de compra.
mejorar el servicio al cliente, estimulando
así las ventas y alcanzando los objetivos de . Procesos de devolución de forma eficiente.
rentabilidad.
Ponemos a disposición de los managers una única

plataforma de software que reciba datos e información De esta forma, los managers contarán con una plataforma que actualice los datos de la tienda y
en tiempo para mejorar la gestión de tareas y permitir a dependientes tiempo real, con el objetivo de:
los retailers maximizar el papel de los dependientes en un
entorno omnicanal.
Optimizar la gestión de Aumentar la productividad Mejorar el customer journey,
tienda y trastienda, y reducir de los empleados aumentando las ventas.
los tiempos muertos. (priorizando y reasignando
tareas de forma dinámica)

05.5.3.
Optimiza tiempo y tareas de tus dependientes de tienda
Data HUB Layer Consumers

Dependientes Tiempos de ejecución App/web
Demanda Inventario a tienda
Cloud Storage
Managers
1 Para optimizar el tiempo y las tareas de los trabajadores en tienda, buscamos crear una 4 Finalmente, los managers podrán acceder a una aplicación de software, donde tendrán
solución que parta de todos estos datos e información disponible en Cloud Storage, en acceso a los escenarios más optimizados y podrán gestionarlos y ajustarlos a las
tiempo real. necesidades que demanda cada tienda.


ML Tabular Models
2 Creamos y entrenamos un modelo de ML que tenga en cuenta toda las actividades que se 3 Los resultados de los diferentes escenarios se almacenarán en la plataforma Cloud.
desarrollan dentro del espacio físico (tienda), tratando de encontrar la mejor combinación
de actividades para optimizar los tiempos.

05. Caso de negocio
5.4.
Para lograrlo, nuestra solución Call Centres Insight Conversations, se apalanca en tecnologías de
IA y herramientas de Google Cloud, tales como:
Google Speech-to-text Modelos de NLP-IA

Nuevos Insights en BigQuery API Ad hoc
los centros de llamadas Permite almacenar y Convierte la voz de Como modelos de análisis
gestionar todos los las conversaciones en de sentimiento, resumen
datos de las llamadas y texto con aprendizaje de la conversación y
conversaciones grabadas automático, de manera autoevaluación de la
Uno de los puntos donde mayor fricción se de forma sencilla y precisa con independencia satisfacción de la llamada.
genera entre el consumidor y la marca es en eficiente. del acento, vocabulario y
el centro de atención al cliente, debido a que forma de expresarse.
las consultas no terminan de responder a las
preguntas que se plantean, se direccionan al
departamento correcto, o el operador virtual
no entiende lo que el cliente dice y prefiere Nuestra solución ofrece un modelo colaborativo Humano-Máquina, ya que la IA permite obtener
optar por finalizar la llamada incluso antes un mayor conocimiento sobre el grado de satisfacción de la llamada y resolución de la consulta,
de que empiece. Todo ello redunda en una y los insights se traducen en una mejor atención al cliente de cara a futuras interacciones entre
el operador y el cliente.
mala experiencia que se traduce en una mala
percepción de marca.
Ofrecer una experiencia Optimizar los flujos de Obtener insights de la
La solución tecnológica que proponemos se dirige a diferencial, que permita trabajo de los operadores, conversación mediante
los centros de atención al cliente, de modo que puedan mejorar la relación entre el al facilitar al cliente la analíticas e informes que
ofrecer un mejor servicio al consumidor gracias a los cliente y la marca y reducir información que necesita de revelen los principales
insights que se recogen tras analizar las conversaciones las fricciones. forma precisa. motivos de la llamada, la
entre el cliente y el operador o chatbot del call center. opinión de los clientes, etc.
Con todo ello, los managers podrán reducir costes, crear eficiencias en el departamento y
aumentar la satisfacción de los clientes con lo mejor de la tecnología de IA.

05.5.4.
Nuevos Insights en los centros de llamadas
Data BULK Process Layer Custom ML Models Layer Storing & BI Layer
Results BI
Llamadas de usuario App/web
Transcripción Vertex AI
Storage
Google STT
3 Para cada transcripción, realizamos
BigQuery
BigQuery
BI Engine
un pre-procesado con la API de
Lenguaje Natural que nos permitirá
Data Management
extraer entidades, relaciones, etc. 4 Todos estos datos serán exportados
para su explotación a través de una
Dataflow También podremos extraer plataforma de BI, donde los analistas
análisis de sentimiento de la de negocio y managers analizarán la
1 Ayuda a los centros de atención al

llamada, motivaciones, resúmenes, actividad del centro de llamadas para
evaluaciones. mejorar las futuras interacciones con
cliente a ofrecer un mejor servicio el cliente y ofrecer un mejor servicio y
mediante del análisis de los insights Natural Language API atención telefónica.
generados a partir de las propias
Natural Language API
conversaciones.
Realizamos un proceso de volcado 2 Por cada una de las llamadas se

NLP
de las llamadas grabadas en los call realiza una transcripción a texto con
centers. la API Speech to text.

05. Caso de negocio
5.5.
Democratiza el dato
en toda la organización
Las empresas dedicadas a la industria de La Plataforma Cloud permitirá a los retailers crear un modelo de datos común para toda la
la moda tienen que gestionar numerosos organización, permitiendo:
departamentos a lo largo de la cadena de
valor, tratando de encontrar la “fórmula
Acceder a los datos de la Obtener información Integrar los flujos de trabajo
mágica” que ayude a integrar los datos de empresa de manera precisa valiosa. de los usuarios en tiempo
cada área y a crear sinergias organizacionales. y actualizada, real.
Gracias a Powered by Looker, los managers podrán tener a su alcance funciones de analíticas

avanzadas e integradas en Google Cloud Platform, así como capacidades de visualización
interactiva de datos, aprendizaje automático e IA de vanguardia, como APIs y SDK potentes para
crear una herramienta colaborativa y basada en los datos de los diferentes equipos (como los
de Marketing y Ventas o Logística de la Cadena de Suministros).
Para ayudar a las empresas a reducir esta complejidad Ello permitirá a los managers:
y aumentar las eficiencia operativas, ponemos a su
disposición una Plataforma Cloud completa e integrada
con aplicaciones de datos y analíticas insertadas, que se Mejorar la Aumentar la Reducir las Acelerar la
apalanca en herramientas de IA y Business Intelligence (BI), eficiencia en toda la productividad de fricciones de las transformación los
tales como Google Looker y Google x SAP. organización. los trabajadores y comunicaciones data Insights en valor
managers. entre departamentos. de negocio.

05.5.5.
AI-powered Cloud Platform for BI (tool for managers)

2
¡Pasamos a la acción! 88
06 Así generamos un roadmap de casos de uso 91
07 AI Prototyping Labs powered by NTT DATA

& Google Cloud
94
08 Una metodología para la Innovación,

del prototipo a los Servicios Digitales Inteligentes
95
09 Cómo garantizamos el alineamiento ético

99
10 Llevamos las iniciativas de IA a escala 100
11 Equipos y talento 101
Contáctanos, estamos a tu disposición 104
Fashion
Fashion Retail
Retail .. Google
NTT DATA
Cloud
| Google
| NTT DATA
Cloud 87
87
¡Pasamos
a la acción!
¡Prototipos
en semanas...
o días!
A través de nuestro AI Prototyping
Lab powered by NTT DATA &
Google, ayudamos a las compañías
a desarrollar prototipos en tiempos
reducidos. Nunca ha sido tan fácil
probar tecnologías avanzadas de
ML, NLP y Computer Vision y testar
resultados a coste muy limitado.
Buscamos Aceleramos
el Valor de Negocio la experimentación
A partir de la tecnología, mano a mano con nuestros clientes. Lo que nos interesa de la Con el desarrollo rápido de prototipos y la implementación posterior de soluciones digitales
Inteligencia Artificial es su potencial para generar iniciativas de transformación “Digital inteligentes. La experiencia y el marco de innovación global creado por NTT DATA y Google
Inteligente” en el sector moda en todos los eslabones de su cadena de valor. Cloud garantiza conocimiento y agilidad en la definición, desarrollo y puesta en producción
a escala de las iniciativas más innovadoras del sector moda.

¡Pasamos
a la acción!
Definimos y garantizamos Orquestamos talentos

el gobierno ético de cada iniciativa híbridos y multidisciplinares
Para lo cual diseñamos el marco de responsabilidad y reporte de los distintos participantes Y garantizamos el alineamiento de los objetivos de negocio con la tecnología, y que implican
implicados. Atendemos a la propuesta de marco regulatorio de la Comisión Europea (AI Act), a expertos del sector moda y de las áreas de estrategia, desarrollo, ingeniería, arquitectura,
anticipando los requerimientos para una IA Responsable y Human Centric. diseño y UX / UI.

¡Pasamos
a la acción!
Diseñamos los servicios Llevamos las iniciativas

digitales inteligentes AI Driven a escala
Que generan diferenciación en el mercado y motivan la preferencia de un perfil de cliente cada Asegurando la calidad en el desarrollo, implementación y consumo de las aplicaciones
vez más exigente en las interacciones y experiencias con las marcas. Te ayudamos a liderar el inteligentes a lo largo de todo el ciclo de vida del algoritmo. El expertise de traductores
mercado con nuevos servicios Digitales Inteligentes desde los AI LABS - powered by NTT DATA de negocio, científicos de datos, ingenieros y arquitectos converge en el ciclo de MLOps.
& Google Cloud,

06 Así generamos
un roadmap
de casos de uso
NTT DATA y Google Cloud
te ayudamos a definir el Roadmap
de Casos de Negocio con IA
Objetivos Casos de
estratégicos negocio Ecosistema,
de la AI driven Cloud y
organización Tecnologías de IA
Formalizamos
sesiones con distintos Analizamos las soluciones
Identificamos cuáles son
stakeholders de la existentes en el ecosistema
las líneas estratégicas
organización, que, Cloud que permitirán
de negocio con mayor Roadmap IA
Objetivos de dirigidas por nuestros acelerar el desarrollo de las AI Driven Design
impacto potencial y a las
que vamos a dar prioridad las unidades expertos de estrategia y iniciativas, acotar costes y
Desde el prototipo
Facilitamos la creación de posibilitar un ROAI rentable
apalancándonos en de negocio tecnología, resultan en la
un roadmap de iniciativas y competitivo. a la implementación
capacidades de Inteligencia identificación de casos
IA, para lo que contamos de nuevos servicios
Artificial. Consolidamos los objetivos de uso específicos.
con un metodología de digitales inteligentes,
de las unidades de priorización (6S) que abordamos la ejecución
negocio para comprender evalúa el impacto de cada de cada iniciativa con una
los principales retos iniciativa y habilita diseñar metodología híbrida que
que abordaremos con una hoja de ruta común. integra expertos en el
iniciativas de IA para cada Ya podemos “aterrizar” sector, Data, IA y diseño de
área y dominio de negocio. las más interesantes con servicios digitales.
un business case, customer
journey y su aproximación
tecnológica.

06
Estratégico
. Alineación estratégica
. Valor de negocio
Significativo . Beneficio cuantificable
Escalable
. Impacto de la transformación
. Diferenciación de Mercado . Impacto a escala
. Notoriedad
. Comportamiento del Usuario
NTT DATA y Google Cloud . Personalización
. Madurez tecnológica
. Economías de escala
te ayudamos a definir el Roadmap . Rentabilidad por segmento . Alcance generalizado
de Casos de Negocio con IA . Paradigma Social . Dependencias
. Tendencias
El Cómo lo Principales
reto abordamos resultados El modelo
Las iniciativas aisladas
y las hojas de ruta
descentralizadas dan
lugar a una escasa
Tras un proceso de
descubrimiento guiado
por la visión de negocio
y tecnológica, aplicamos
Una hoja de ruta
estratégica de la IA,
que detalla el portfolio
de proyectos priorizados
6S
visibilidad del Valor de una metodología de y una evaluación de la
la IA en la organización, priorización estandarizada viabilidad de las iniciativas
por lo que nuestro para alinear las iniciativas de IA prioritarias.
objetivo es generar un de IA dentro de una hoja
portfolio value-driven de ruta estratégica. Soporte Sinérgico
que atienda a criterios . Apoyo Directivo . Estructura
medibles. Nuestro modelo 6S . Compra Interna . Oferta
consta de seis palancas . Participación de los empleados . Costes
para evaluar en detalle el . Capacidad organizativa Sostenible . Recursos
impacto de las iniciativas . Capacidad operativa . Ventaja competitiva . Alianzas
de IA en toda . Asignación de recursos
la organización. . Valor añadido en el tiempo
. Flujos de ingresos
. Valor de la marca

06
NTT DATA y Google Cloud
te ayudamos a definir el Roadmap
Inteligencia Artificial
ROAI
de Casos de Negocio con IA

(ROAI) Calibrar La
transformación
el valor como objetivo
estratégico
de la IA
Unificar La madurez Escalar

como como
Visión catalizador resultado
El Retorno de la Inteligencia Artificial (ROAI) es uno de los objetivos de Negocio
prioritarios que desde NTT DATA y Google abordamos con nuestros
clientes del sector de la moda.
e IA
Las iniciativas AI Driven no sólo han de ser rentables, sino también

Colaboración Desarrollar KPIs del Supervisión y
generar otro tipo de ganancias a la organización, como elevar el nivel
entre pensando proyecto optimización
de madurez analítica y sumar a los programas de transformación digital
equipos en el continuas
nuevas capacidades inteligentes.
multidisciplinares negocio
Impulsar una mayor competitividad en el mercado y la propia
capacitación del talento hacia una organización AI Driven son otros
factores de nuestra consideración para que el proceso de evaluación
de iniciativas y construcción del roadmap IA atienda a criterios claros
Evaluar los Soluciones Datos Infraestructura Talento
de Mercado y Cambio
de mercado, negocio y organización. riesgos
y estimar
los costes

07 AI Prototyping Labs
powered by NTT DATA &
Google Cloud
Con el objetivo de acelerar la experimentación en torno a iniciativas de IA y el desarrollo

de prototipos y Servicios Digitales Inteligentes, NTT DATA y Google hemos creado los AI
Labs, un modelo de colaboración innovador al servicio de nuestros clientes.
El Laboratorio de IA actúa como un Invertimos en Perseguimos

centro de innovación, facilitando la las soluciones el potencial de
experimentación rápida con prototipos más innovadoras ingresos incrementales
IA, el primer paso hacia la creación de . Marco de experimentación con equipos . Desarrollo de prototipos rápidos a
Servicios Digitales Inteligentes. expertos de NTT Data y Google. medida para las marcas de moda
. Acceso temprano al roadmap de . Exploramos modelos innovadores de

Proponemos a las marcas de moda un modelo de trabajo conjunto, apalancado innovación de Google Cloud. colaboración y revenue sharing.
en el marco de colaboración entre NTT DATA y Google Cloud, proporcionando
capacidades tecnológicas punteras y conocimiento experto. . Experimentación con aceleradores . Traslado del know-how y mejores
basados en tecnologías Machine Learning, prácticas a los equipos de nuestros
Computer Vision, Natural Language clientes.
Processing…
Nuestro planteamiento de AI Labs powered by NTT DATA & Google traslada a las
marcas de moda capacidades diferenciales para liderar el mercado.

08 Una metodología para
la Innovación, del prototipo
a los Servicios Digitales
Inteligentes
Escalado y
Sociedad, Valor de IA Ética y Productivización
Negocio y ROAI Responsable de las Iniciativas
Mercado,
Organización
y Consumidor Enfoque al Análisis UX/UI
consumidor Competitivo
Hemos definido la metodología híbrida AI Driven Design que integra la estrategia de

Mapa Dataset
negocio, el desarrollo y el diseño de soluciones para definir, desarrollar e industrializar Estrategia de Datos Final Gobierno
servicios digitales inteligentes. de Datos del Dato
& IA Selección y de la IA
Modelo
Este marco persigue crear valor y acelerar la innovación, y posibilita orquestar las del Algoritmo
diferentes áreas y conocimientos involucrados en los proyectos analíticos, desde
la definición del caso de negocio, análisis de mercado y cliente hasta el desarrollo
y gobierno de las iniciativas, su implementación y la experiencia de consumo
de los servicios digitales inteligentes, creando un modelo de colaboración ágil y
multidisciplinar. Backend
Gestión de los Datos
Experiencia Modelo de API
Diseño de de Usuario Proceso de prueba
Servicios Construir Seguridad
la APP & Acceso
Digitales Frontend
Testing
Consumo del Modelo
Interacciones
Touchpoints

Desde los prototipos IA
al diseño de Servicios Digitales Inteligentes
Valor de IA Ética y
Sociedad, Negocio y ROAI Responsable
Mercado,
Organización
y Consumidor Enfoque al Análisis
consumidor Competitivo
El Cómo Principales
reto lo abordamos resultados
Las iniciativas impulsadas por la IA deben tener Documentamos el caso de negocio, evaluando Un caso de negocio para cada iniciativa
un alcance empresarial medible, adoptar un en mayor detalle el ROAI y definiendo los KPIs. AI Driven, que integra el conocimiento del
marco de desarrollo ético y responsable y mercado y de los clientes y establece KPIs
aportar una diferenciación al mercado y a los El análisis competitivo y los inputs de usuarios objetivos a alcanzar.
clientes. o potenciales clientes a los que se dirige la
iniciativa complementan la investigación para
capturar aprendizajes clave tanto en el entorno
de mercado como de los potenciales usuarios
de la aplicación o servicio. Para cada iniciativa
se atiende, además, a los criterios que pudieran
impactar desde una aproximación de IA Ética y
Responsable.

Mapa Dataset
Estrategia de Datos Final Gobierno
de Datos del Dato
& IA Selección
y de la IA
Modelo
del Algoritmo
La estrategia de datos e IA debe integrar Vinculamos el valor de negocio identificado Tres beneficios clave: el prototipo o solución
adecuadamente todas las aportaciones del en la fase previa con el marco del desarrollo de IA incorpora adecuadamente el desafío
negocio para afrontar el desarrollo de la analítico y abordamos el análisis de fuentes empresarial; los tiempos de desarrollo e
iniciativa. Construimos con precisión el marco de datos y la selección de algoritmos, implementación se aceleran como resultado
de desarrollo y garantizamos el modelo de apoyándonos en las capacidades ad-hoc y de de aprovechar las capacidades de la nube de
gobierno de Datos & IA. la IA en la nube para acelerar la construcción IA; el cumplimiento y la calidad se garantizan a
del modelo, Nos ocupamos de los requisitos través del Gobierno, alineado con los principios
de definición del Gobierno de los datos y la éticos de la UE.
IA para aplicarlos en todo el ciclo de vida del
desarrollo analítico.

Backend
Gestión de los Datos
Experiencia Modelo de API
Diseño de Usuario Proceso de prueba
de Servicios Construir Seguridad
Digitales la APP & Acceso
Frontend
Testing
Consumo del Modelo
Interacciones
Touchpoints
El valor de las iniciativas impulsadas por la Orquestación de perfiles multidisciplinares: Iniciativa AI Driven con un diseño de interfaz a
IA debe ser fácilmente comprensible para los desarrolladores, diseñadores y expertos en medida para el target específico de perfiles
todas los stakeholders, y se ha de atender UX/UI generan un storytelling relevante para que lo consumirá.
a un consumo centrado en la experiencia la visualización y consumo de la iniciativa AI
del usuario o cliente: para ello, se requiere Driven. Evaluación del prototipo para evolucionar hacia
un storytelling relevante y una visualización un servicio en producción y a escala (p.e. app
práctica. Definición del prototipo o solución digital digital web/móvil).
inteligente abordando adecuadamente las
necesidades de información, interacción y
visualización para el perfil objetivo.

09 Cómo garantizamos
el alineamiento ético
Las comunidades exigen cada vez más un uso más seguro y responsable de las
tecnologías, y tanto instituciones como organizaciones se están haciendo eco de los Bienestar Privacy and data Robustez y
rápidos avances en la creación de mecanismos de regulación. social y governance Seguridad
medioambiental Técnica
Dada la importancia de reforzar la vinculación y confianza con los usuarios y clientes de
los servicios digitales que integran IA, es esencial que las empresas lleven a la práctica
los principios éticos identificados en el marco europeo, adoptando para el desarrollo e
implementación criterios responsables.
Las iniciativas no sólo deben mantener los más altos estándares de calidad, sino también
garantizar el respeto a la autonomía de las personas, la prevención de daños, la equidad Diversidad, no Transparencia Supervisión Rendición
y explicabilidad de las decisiones algorítmicas.
Discriminación y humana de cuentas y
Equidad Responsabilidad

10 Llevamos
las iniciativas
de IA a escala
Production
Deployment
and
Operations
Monitor
Model
10 1
Define Business
Use Cases
Problem
Framing and
Use Case
Discovery
Operationalize Data
Model Exploration
MLOps permite a las organizaciones operativizar, acelerar y escalar el valor de 9 2
negocio de la IA, unificando el desarrollo y la industrialización de la IA a través de Data
mecanismos ágiles y confiables. Analysis and
Feasibility
Study
Conforme el uso de la IA avanza, es primordial habilitar la puesta en producción y
el reentrenamiento de modelos de manera automatizada, segura y reproducible,
permitiendo un control total a lo largo del ciclo de vida. Plan for Select
Deployment
8 Iterative 3
Algorithm
Approach
reto abordamos resultados
La falta de estándares Análisis en profundidad Definición de una
en los procesos de de los gaps para cada una arquitectura modelo 7 4
productivización de los de las fases de MLOps, adaptada a la
modelos de IA puede con objeto de identificar infraestructura actual Present Data Pipeline
Results and Feature
resultar en inconsistencias los retos operativos y de la organización. Engineering
a nivel de datos o incluso organizativos, así como
de código, llegando a las necesidades a nivel de Identificación de 6 5
afectar el rendimiento de herramientas para proponer procesos y mejores Feature
los modelos y su impacto un modelo de arquitectura prácticas a implantar Evaluate Build ML Model Engineering
and Model
en las áreas comerciales. y componentes en en la productivización
Development
consonancia. de modelos.

11 Equipos
y talento
reto abordamos resultados Organización
Los desarrollos de Análisis de la estructura Recomendaciones para la
iniciativas de IA en silos de los equipos de IA definición de los equipos Marco de Responsabilidad
pueden conducir a la y asignación de las de IA y las brechas de
dispersión del impacto responsabilidades y capacidades.
tecnológico en las tareas por roles.
organizaciones, así Definición de metodología Stakeholders Roles & Modelo de
como a la informalidad Evaluación de la común de prototipado de la IA Responsabilidades reporte de IA
en el proceso de metodología del estableciendo roles y
experimentación, proyecto de IA y responsabilidades en el
afectando no solo la modelo de reporte. ciclo de experimentación.
calidad de los modelos Talento, Formación & Cultura de IA
sino también al desarrollo Recomendación de planes
de los equipos de IA. de formación y actividades
de innovación para los
equipos de IA. Talento Formación Cultura de la
de IA de IA experimentación

Gracias por acompañarnos,
¡Esperamos que lo hayas disfrutado!
David Ubide | Head of Retail & Fashion, NTT DATA Alberto Céniz | Retail & FSI Director, Google Cloud
David Pereira | Head of Data & Intelligence, NTT DATA Alberto Soria | Key Account Director, Google Cloud
Jacinto Estrecha | Executive Director, Data & Intelligence | NTT DATA Alfonso Parrizas | Customer Engineer, Google Cloud
Isabel Calafat | Director Retail & Fashion, NTT DATA Diego García | Account Manager, Google Cloud
Josep Güell | Director Retail & Fashion, NTT DATA Inés Hernández | Partner Marketing, Google Cloud
Anxo Suarez | Director Retail & Fashion, NTT DATA Juliet Moreiro | Partner Engineering, Google Cloud
Miguel Coladas | Director Retail & Fashion, NTT DATA Luis Velasco | Customer Engineer, Google Cloud
Corin Navarre | Manager Retail @ AI CoE NTT DATA Pablo de la Horra | Partner Manager, Google Cloud
Rose Barragán | Analyst, AI Strategy @ AI CoE NTT DATA Pablo Carlier | Partner Engineering Manager, Google Cloud
José Perona | Technical Lead @ AI CoE NTT DATA Raúl Herrero | Customer Engineering Manager, Google Cloud
Andrea Cornavaca | Lead Analyst, AI Strategy @ AI CoE NTT DATA Santiago Cepas | Customer Engineer, Google Cloud
Marta Pastor | Lead Analyst, AI Strategy @ AI CoE NTT DATA
Osvaldo Llovet | AI Storyteller, AI Strategy @ AI CoE NTT DATA
Adil Moujahid | Technical Manager @ AI CoE NTT DATA
Marina Alonso Poal | Senior Data Scientist @ AI CoE NTT DATA
Sara Díaz del Pozuelo | Data Scientist @ AI CoE NTT DATA
Rebeca Martínez | Global Marketing Consultant Industry, NTT DATA
Agustín San José | Global Alliances Manager, NTT DATA
Coordinadora de la Iniciativa:
Mayte Hidalgo | Head of AI Strategy @AI CoE NTT DATA
103 Fashion Retail . NTT DATA | Google Cloud Fashion

FashionRetail
Retail . . NTT
NTTDATA
DATA | | Google
GoogleCloud103
103
Cloud
Contáctanos,
estamos a tu disposición
David Ubide Alberto Céniz

Head of Retail & Fashion, NTT DATA Retail & FSI Director, Google Cloud
David.Ubide@nttdata.com albertoceniz@google.com
104 Fashion Retail . NTT DATA | Google Cloud Fashion Retail . NTT DATA | Google Cloud 104

La Inteligencia Artificial Reinventa El Sector Moda

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

La Inteligencia Artificial Reinventa El Sector Moda

Cargado por

Copyright:

Formatos disponibles

La Inteligencia

Cadena de valor - Ámbitos de actuación 7

01 Transforma el conocimiento de mercado 8 07 AI Prototyping Labs powered by NTT DATA 94

02 Modelo inteligente de relación con el cliente 25

Canales físicos 09 Cómo garantizamos el alineamiento ético

03 Modelo inteligente de relación con el cliente 38

Contáctanos, estamos a tu disposición 104

01 Transforma el conocimiento de mercado 8

02 Modelo inteligente de relación con el cliente 25

03 Modelo inteligente de relación con el cliente 38

04 Cadena de suministro y competitividad operativa 57

Fashion Retail . NTT DATA | Google Cloud 3

Esta visión, pensada tanto para tecnólogos como

A continuación, os mostramos cómo lo hacemos

(*) Estudio elaborado por The Insight Partners.

El cambio de paradigma hacia un negocio que integra lo digital y lo

La Inteligencia Artificial se posiciona como una importante

Las organizaciones más ágiles en capitalizar el valor de la IA tanto

Conocimiento Modelo inteligente Cadena de suministro y Talento y colaboración

Canales físicos Canales digitales

Fashion Retail . NTT DATA | Google Cloud 7

Fashion Retail . NTT DATA | Google Cloud 8

Casos de negocio y journey tecnológico

Han de evitarse los silos de información, y fomentar la creación de procesos de análisis

Fashion Retail . NTT DATA | Google Cloud 9

Fashion Retail . NTT DATA | Google Cloud 10

Fashion Retail . NTT DATA | Google Cloud 11

Extraction Layer Data HUB Layer Custom ML Models Layer

Google Trends BigQuery BigQuery Vertex AI

5 Mediante un motor de IA se facilita

1 Identificamos las tendencias Augmented Data Campaign Offering

Extraction Layer Metadata Layer BI Layer 4 Ya estamos listos para

2 Extraemos información de otros

Fashion Retail . NTT DATA | Google Cloud 12

1.2. Identificando atributos

Optimizar la inversión inmobiliaria y

Fashion Retail . NTT DATA | Google Cloud 13

Deployment Style Detection Dataset Results

Cloud Storage Video Intelligence API Vertex AI

Style Detection Model Train

Fashion Retail . NTT DATA | Google Cloud 14

Y todo esto, ¿en qué se traduce?

Fashion Retail . NTT DATA | Google Cloud 15

Custom ML Models Layer

Deployment & inference Tracking Model Train Dataset

Input Layer Process Layer Storing & BI Layer

Pub/Sub Dataflow BigQuery Looker / Data Studio

1 ¿Quieres comprender qué opinan tus clientes

Fashion Retail . NTT DATA | Google Cloud 16

Mediante la Planificación Inteligente de Promociones

Fashion Retail . NTT DATA | Google Cloud 17

Extraction Layer Storing & BI Layer

Google Trends BigQuery BigQuery BI Engine

4 ¡Podremos analizar el resultado

Custom ML Models Layer

1 Identificamos las tendencias de mercado ML Tabular Models Científicos

Fashion Retail . NTT DATA | Google Cloud 18

En este caso de negocio ponemos el foco en Twitter, que

Reacciones frente a Radiografía de las Generación de mejores

Identificación de Detección inmediata de campañas que produzcan un gran

Fashion Retail . NTT DATA | Google Cloud 19

Twitter API Dataflow Natural Language API Google Cloud BigQuery

Fashion Retail . NTT DATA | Google Cloud 20