Cada testimonio refleja un proyecto concreto con resultados verificables. Pedimos permiso antes de publicar cualquier opinión.
Llevábamos dos años intentando automatizar la clasificación de incidencias de soporte. Probamos tres herramientas SaaS y ninguna superaba el 78 % de precisión con nuestras categorías. El equipo de Profound AI Path entrenó un modelo con nuestros tickets históricos y en seis semanas alcanzamos el 94 %. Ahora nuestros agentes reciben las incidencias ya categorizadas y priorizadas.
Necesitábamos predecir la demanda semanal de 1 200 referencias en nuestros almacenes de Vitoria y Pamplona. El modelo que construyeron redujo el stock muerto un 22 % en el primer trimestre. Lo que más valoro es que nos explicaron cada decisión técnica en lenguaje comprensible para el comité de dirección.
Contratamos la consultoría de tres días para evaluar si tenía sentido invertir en un chatbot interno. La conclusión fue que no: nuestro volumen de consultas no justificaba el coste de mantenimiento. En cambio, nos propusieron un sistema de búsqueda semántica sobre nuestra base de conocimiento que costó la mitad y resolvió el problema real. Esa honestidad nos convenció para el siguiente proyecto.
Gestionamos 14 residencias de mayores y el análisis manual de las encuestas de satisfacción nos llevaba semanas. Ahora un modelo de procesamiento de lenguaje natural clasifica los comentarios por tema y sentimiento en minutos. Detectamos un problema recurrente con los menús de fin de semana que llevaba meses sin identificarse. Lo corregimos y la puntuación media subió de 7,1 a 8,3 en dos meses.
Somos una cooperativa agrícola con 340 socios. Queríamos anticipar plagas en cultivos de vid usando datos meteorológicos e imágenes de dron. El equipo de Profound AI Path nos entregó un panel donde cada parcela muestra un nivel de riesgo actualizado a diario. La campaña pasada evitamos dos tratamientos preventivos innecesarios, lo que supuso un ahorro de 46 000 euros.
Participé en el taller de cinco días sobre gestión de proyectos de machine learning. Me sirvió para dejar de depender de la consultora para cada decisión técnica. Ahora sé formular requisitos, evaluar propuestas de proveedores y entender cuándo un modelo necesita reentrenamiento. Lo recomiendo a cualquier responsable de producto que trabaje con equipos de datos.
Dos proyectos representativos que muestran cómo abordamos problemas distintos con enfoques diferentes.
Distribuciones Amara gestiona 1 200 referencias desde dos almacenes en el País Vasco y Navarra. Su problema principal era el exceso de stock en productos de temporada: compraban de más para evitar roturas, pero terminaban con mercancía caducada o en liquidación.
Entrenamos un modelo de series temporales (Prophet + gradient boosting) con tres años de datos de ventas, calendario festivo local y previsiones meteorológicas. El modelo genera predicciones semanales por referencia y almacén.
El equipo de compras revisa las predicciones cada lunes y ajusta los pedidos. En los primeros cuatro meses, el ahorro neto superó los 130 000 euros.
La cooperativa agrupa 340 viticultores en Bizkaia. Cada campaña gastaban entre 180 000 y 220 000 euros en tratamientos fitosanitarios preventivos, muchos de ellos innecesarios porque se aplicaban por calendario fijo, sin tener en cuenta las condiciones reales de cada parcela.
Combinamos datos de estaciones meteorológicas locales, imágenes multiespectrales captadas por dron cada 10 días e históricos de incidencias fitosanitarias. Un modelo de clasificación (random forest con 47 variables) asigna a cada parcela un nivel de riesgo diario: bajo, medio o alto.
Los viticultores consultan el panel desde el móvil. Cuando una parcela pasa a riesgo alto, reciben una notificación por SMS con la recomendación de actuación. El primer año de uso, ninguna parcela monitorizada sufrió pérdidas significativas por mildiu.
Cuéntanos tu situación y te diremos con franqueza si la inteligencia artificial puede ayudarte, cuánto costaría y cuánto tardaríamos. Sin compromiso.
Solicitar consulta gratuita