Retail
Cada interacción es una señal. Precio, recomendación y demanda leen el mismo historial de eventos y dejan de contradecirse.
aquí la entidad esun cliente, o un SKULo que el modelo realmente lee
Sin agregación, sin feature engineering — los eventos que tus sistemas ya escriben, en el orden en que ocurrieron.
- vistas y búsquedas
- eventos de carrito
- compras y devoluciones
- cambios de precio y promoción
- movimientos de stock
- contactos de soporte
Lo que se rompe con un modelo por problema
Los segmentos siempre van un paso atrás
Un cliente que cambió de comportamiento esta semana sigue recibiendo el segmento del trimestre pasado. La secuencia se actualiza sola.
Cola larga, cold start, historial disperso
Un modelo que aprendió el comportamiento de todo el catálogo tiene algo que decir sobre un SKU con cuatro ventas.
Los picos rompen los pipelines
El Black Friday es justo cuando los jobs de agregación se retrasan. Leer eventos brutos saca el job del camino crítico.
Una base, una especialización por pregunta
Cada uno de estos es un head sobre el mismo modelo entrenado, no un proyecto aparte con su propio pipeline.
Precios dinámicos
Fija precios según demanda y elasticidad observadas por SKU, no según una tabla de reglas mantenida a mano.
Recomendaciones personalizadas
El siguiente artículo se desprende de toda la secuencia de la visita, no del último clic.
Previsión de demanda
Pronostica por SKU y ubicación a partir de los propios eventos, incluidos los que casi no tienen historial.
Inteligencia de canasta
Qué combina, para este cliente, ahora — en vez de lo que combinaba en promedio el año pasado.
Lo que podemos demostrar
personalización — una acción por cliente, por interacción
más rápido en la inferencia sobre el catálogo
eventos procesados en tiempo real