AI-Driven Sales Opportunities for CRetail

Executive Summary | Sumário Executivo

Generating sales forecasts for FMCG products using automated tools has been a key investment area for CRetail over the past three years, aimed at making data-driven decisions to boost sales and achieve business goals. However, results to date show that the Machine Learning models in production performed well for approximately 58% of the products—most of which fall into the low-to-mid price range.

A geração de previsões de vendas para produtos de bens de consumo de giro rápido (FMCG) utilizando ferramentas automatizadas tem sido uma área de investimento estratégica para a CRetail nos últimos três anos, com o objetivo de embasar decisões em dados para impulsionar as vendas e alcançar as metas do negócio. No entanto, os resultados obtidos até o momento indicam que os modelos de aprendizado de máquina em produção apresentaram bom desempenho para cerca de 58% dos produtos — a maioria dos quais se enquadram na faixa de preços baixa a média.

Forecasting Issues | Problemas nas Previsões

Feedback from sales and inventory control teams, combined with descriptive and diagnostic analytics, showed that most other 42% products are also in demand by customers. However, due to incorrect supply in stores, which depends on daily forecasts, customers did not purchase what they were looking for, negatively impacting the achievement of both store and corporate goals.

This problem occurs because CRetail relies exclusively on statistical models to make its predictions. Although it is easy to use and highly explainable, this technique only looks for patterns in products with consistent sales. Items with complex cycles, which tend to have more profitable prices for the company, receive forecasts with high error margins.

O feedback das equipes de vendas e de controle de estoque, combinado com análises descritivas e diagnósticas, revelou que a maioria dos outros 42% dos produtos também desperta o interesse dos clientes. No entanto, devido a falhas no abastecimento das lojas — processo que depende de previsões diárias —, os clientes não adquiriam os itens que buscavam, o que impactava negativamente o alcance das metas tanto das lojas quanto da empresa.

Esse problema ocorre porque o CRetail depende exclusivamente de modelos estatísticos para realizar suas previsões. Embora seja fácil de usar e altamente explicável, essa técnica busca padrões apenas em produtos com vendas consistentes. Itens com ciclos complexos — que tendem a apresentar preços mais lucrativos para a empresa — recebem previsões com altas margens de erro.

AI-Powered Solution | Solução com IA

The most viable solution to address this problem would be to adopt an AI algorithm suited to enhancing the current process: the Temporal Fusion Transformer (TFT). This is made possible by the TFT's architecture, which handles time-series forecasting involving irregular data related to recency, frequency, seasonality, trends, and anomalies within the sales cycle.

To understand the real contribution of AI to CRetail's business and also minimise the operational and financial risks involved, this project proposes the creation of a Minimum Viable Model (MVM) using data from five stores of different sizes: small, medium and large stores, a hypermarket and a convenience store.

This experiment will allow CRetail to test concepts, obtain faster feedback, measure incremental returns and make improvements where necessary before scaling the solution to other stores in Chile and to those in different Latin American countries.

A solução mais viável para resolver esse problema é adotar um algoritmo de IA adequado para aprimorar o processo atual: o Temporal Fusion Transformer (TFT). Isso é possível graças à arquitetura do TFT, que lida com a previsão de séries temporais envolvendo dados irregulares relacionados a recência, frequência, sazonalidade, tendências e anomalias no ciclo de vendas.

Para compreender a real contribuição da IA ​​para o negócio da CRetail e, ao mesmo tempo, minimizar os riscos operacionais e financeiros envolvidos, este projeto propõe a criação de um Modelo Mínimo Viável (MVP) utilizando dados de cinco lojas de diferentes portes: lojas de pequeno, médio e grande porte, um hipermercado e uma loja de conveniência.

Este experimento permitirá à CRetail testar conceitos, obter feedback mais rápido, mensurar retornos incrementais e realizar melhorias onde necessário, antes de escalar a solução para outras lojas em diferentes países da América Latina.

Project Benefits | Benefícios do Projeto

Due to the investments already made in technology, people and security, nothing will be built from scratch. Therefore, this project will have the following benefits:

• Availability of large amounts of transactional data for use in AI predictions;
• A robust cloud computing infrastructure powered by MS Azure Databricks and Google Cloud Platform;
• Advanced AI/ML frameworks like Keras, TensorFlow and PyTorch;
• The same application that is currently used to notify sales teams of daily sales targets; and
• A skilled data team for engineering, modelling, deployment and monitoring the model.

Devido aos investimentos já realizados em tecnologia, pessoas e segurança, nada será construído do zero. Portanto, este projeto trará os seguintes benefícios:

• Disponibilidade de grandes volumes de dados transacionais para uso em previsões de IA;
• Uma infraestrutura robusta de computação em nuvem, impulsionada pelo MS Azure Databricks e pela Google Cloud Platform;
• Frameworks avançados de IA/ML, como Keras, TensorFlow e PyTorch;
• O mesmo aplicativo que é usado atualmente para notificar as equipes de vendas sobre as metas de vendas diárias; e
• Uma equipe de dados qualificada para engenharia, modelagem, implantação e monitoramento do modelo.

Costs Involved | Custos Envolvidos

Financial contributions for this pilot project will be necessary, primarily to

• Train data teams—engineers, scientists, and analysts, among others—on the architecture and parameters of the TFT algorithm;
• Use hourly-billed cloud computing software to run, evaluate and deploy the AI model.

Serão necessários aportes financeiros para este projeto piloto, principalmente para

• Treinar equipes de dados — engenheiros, cientistas e analistas, entre outros — sobre a arquitetura e os parâmetros do algoritmo TFT;
• Usar software de computação em nuvem com cobrança por hora para executar, avaliar e implantar o modelo de IA.

Risks Mitigation | Mitigação de Riscos

Since AI algorithms are built from hundreds to billions of layers of neurons, the main risks to this design are opacity and runtime. To mitigate these, the following will be required:

• Maintain current statistical models (i.e., the Champion technique) for products that sell well. By doing so, CRetail will not compromise either its current performance or the transparency of the model;
• Start the AI model tests (i.e., the Challenge technique) with the minimum number of layers that are optimal to improve the current results for products that are not selling well, measure the time required to perform this task, and then establish the appropriate time metrics for each type of business operation.

Como os algoritmos de IA são construídos a partir de centenas a bilhões de camadas de neurônios, os principais riscos para esse design são a opacidade e o tempo de execução. Para mitigar esses riscos, serão necessários:

• Manter os modelos estatísticos atuais (ou seja, a técnica "Champion") para produtos com bom desempenho de vendas. Dessa forma, a CRetail não compromete nem o seu desempenho atual nem a transparência do modelo;
• Iniciar os testes do modelo de IA (ou seja, a técnica de *Challenge*) com o número mínimo de camadas ideal para melhorar os resultados atuais de produtos com baixo desempenho de vendas, medir o tempo necessário para realizar essa tarefa e, em seguida, estabelecer as métricas de tempo adequadas para cada tipo de operação de negócio.

Business and Operational Metrics | Métricas de Negócio e Operacionais

The model results will be measured by KPIs that calculate their errors. These operational indicators are

• Mean Absolute Percentage Error (MAPE).
• Root Mean Squared Error (RMSE).

This initiative will contribute to the achievement of the following corporate OKRs:

• Sales improvement at 35%.
• Reduction in churn at 15%.
• Return on investment projected at 20%.

After deployment, the value created by the AI model will provide a real-world scenario of how much the above targets will need to be achieved by store and business operation.

Os resultados do modelo serão medidos por KPIs que calculam seus erros. Esses indicadores operacionais são:

• Erro Percentual Absoluto Médio (MAPE).
• Raiz do Erro Quadrático Médio (RMSE).

Esta iniciativa contribuirá para o alcance dos seguintes OKRs corporativos:

• Aumento de 35% nas vendas.
• Redução de 15% no churn.
• Retorno sobre o investimento projetado em 20%.

Após a implementação, o valor gerado pelo modelo de IA fornecerá um cenário real sobre a extensão em que as metas mencionadas precisarão ser alcançadas por loja e operação de negócios.

Implementation Plan | Plano de Implementação

This project will be sponsored by CDO Jose Z., led by the data team manager Ricado G. and advised by external data consultancy MFM Analytics. The following steps are planned to be executed within 45 days, equivalent to three sprints, after approval for their start:

1. Present the business problem and expected return to the data team and key stakeholders.
2. Allocate the necessary professional resources and system availability.
3. Apply technical training in TFT architecture.
4. Build, evaluate and tune the AI model.
5. Deploy the best predictive model ((the one with the lowest error rate).
6. Monitor KPIs in production and make necessary adjustments.
7. Calculate global and local OKRs (by store, product, etc.).
8. Present the results to senior management to facilitate decision-making regarding the next steps.

Este projeto será patrocinado pelo CDO Jose Z., liderado pelo gerente da equipe de dados Ricardo G. e assessorado pela consultoria externa MFM Analytics. Prevê-se a execução das etapas a seguir em um prazo de 45 dias — equivalente a três sprints — após a aprovação para o seu início.

1. Apresentar o problema de negócios e o retorno esperado à equipe de dados e às principais partes interessadas.
2. Alocar os recursos profissionais necessários e a disponibilidade do sistema.
3. Aplicar treinamento técnico em arquitetura TFT.
4. Construir, avaliar e ajustar o modelo de IA.
5. Implantar o melhor modelo preditivo (aquele com a menor taxa de erro).
6. Monitorar os KPIs na produção e fazer os ajustes necessários.
7. Calcular OKRs globais (negócio) e locais (por loja, produto, etc.).
8. Apresentar os resultados à alta gestão para tomada de decisões sobre os próximos passos.

Key Challenges for Future Scaling | Principais Desafios para Expansão Futura

• CAPEX investment in hardware for speed gains, impacting Technology and Finance.
• The company may need to hire more professionals to implement and maintain models on a global scale, impacting Human Resources and Finance.
• At first, Compliance will not be affected, as the rules will be the same as those currently in force.

• Investimento (CAPEX) em hardware para ganhos de velocidade, impactando as áreas de Tecnologia e Finanças.
• A empresa pode precisar contratar mais profissionais para implementar e manter modelos em escala global, impactando as áreas de Recursos Humanos e Finanças.
• Inicialmente, a conformidade não será afetada, uma vez que as regras serão as mesmas atualmente em vigor.

Recommendation | Recomendação

Considering everything presented throughout this document and the beginning of the new year, which will be full of new corporate challenges, it is essential to highlight that this is the right time to focus on this project.

Therefore, we recommend that CRetail approve the implementation of this plan within the next 30 days so that it can both take full advantage of the opportunities offered by AI and benefit from its returns as early as 2027.

Considerando tudo o que foi apresentado ao longo deste documento e o início do novo ano, que será repleto de novos desafios corporativos, é fundamental destacar que este é o momento certo para focar neste projeto.

Portanto, recomendamos que a CRetail aproveite a implementação deste plano nos próximos 30 dias, para que possa tanto aproveitar ao máximo as oportunidades oferecidas pela IA quanto colher os seus frutos já em 2027.

Note: The names of the company and its managers have been modified to protect their data.

Nota: Os nomes da empresa e de seus gestores foram alterados para proteger seus dados.