Presentación comercial de Logyt Discovery, empresa que ayuda a sus clientes a monetizar el valor escondido en sus datos.

1. 1

2. Problemática 2 Brecha de Conocimiento Brecha de Ejecución Las organizaciones disponen de muchos datos, poca información y escasa estrategia analítica, lo que genera una pobre ejecución Extensa data Transaccional y de industria Expertise Directivo Gerencial Esta problemática no hace otra cosa más que crecer aceleradamente Consulting Software Research Gartner 2008

3. ¿Qué hacemos? Cerramos la brechas datos-información-análisis-ejecución de las organizaciones generando modelos analíticos para mejorar la toma de decisiones; alineados a la estrategia de la empresa y a los procesos, integrados tecnológicamente ¿Con qué valor? Descubrimos y potenciamos la ventaja competitiva de nuestros clientes a través de la innovación de procesos de negocio integrados con aplicaciones desarrolladas sobre la base tecnológica existente, a partir de modelos analíticos y metodologías propietarias. 3

4. Metodología de 4 Fases Síntesis del modelo de negocio, la problemática específica de la empresa, las métricas de desempeño y los drivers que originan cambios en éstas. Recopilar información de los transaccionales y de los sistemas específicos en torno a la pregunta de negocio. Integración de BD. Reto de Negocio Diagnóstico de datos Cierre de brecha de información Preparación de datos DATOS Modelación Operación Integración del modelo a los procesos operativos de la compañía hasta garantizar su operatibilidad y sustentabilidad. Implementación de puntos de control. Desarrollo de modelos matemáticos para identificar patrones relevantes para el negocio y en base a eso diseñar planes de acción enfocados a un objetivo específico. Evaluación Despliegue Fuente: Logyt Discovery con base en el Modelo de CRISP-DM.

6. Comprensión

7. Alineación

9. Business Intelligence: APS y reporteo

10. TIA: ETL, aplicaciones de modelado

11. Integración de fuentes de información

12. Estructuración de bases de datos

13. Estadística avanzada e interpretación

14. Enfoque en procesos, desempeño y organización5

15. Los productos 6

16. Logyt DiscoveryServicios Organizational Development Optimization Strategic Analysis Services Customer Management Segmentación, Fidelización y Crecimiento Maximización de capacidades operativas y comerciales El perfil adecuado con incentivos efectivos Information services Analytical Setup Habilitación analítica de las bases de datos de la compañía Identificación y explotación ordenada del conocimiento externo a la compañía disponible en fuentes públicas Public Search Integración, clasificación y explotación sistemática de Info interna actual de la compañía Enterprise Search Diseño y análisis de investigación de mercados y supervisión a la operación (BPO = Business process operation) Market Research BPO

17. Optimization Propuesta de Valor:PredictiveTradeIntelligence Para empresas que compiten en el punto de venta y requieren optimizar su inversión y reducir la incertidumbre en la toma de decisiones comerciales LOGyTDiscovery ofrece el servicio de PredictiveTradeIntelligence(PTI) a través de la integración analítica de la información interna y externa relevante Para diseñar e implementar modelos predictivos, que permiten potenciar el expertise del equipo comercial y alinear las capacidades de la empresa hacia estrategias de punto de venta con alto retorno de inversión. 8

18. Caso de Negocio Empresa líder en su categoría de alimentos congelados Necesidad: Optimizar los recursos invertidos en POS (promotoría y actividades promocionales) para mejorar los resultados y el control Resultados: Potencial de venta mensual de las tiendas UnderPerformers del 15% total negocio WALMEX Acciones correctivas puntuales sobre el 70% de la plantilla de promotores generando un incremento esperado del 16% de venta mensual por tienda WALMEX Lo cual representa un incremento esperado total negocio del 11% de venta mensual WALMEX Incremento promedio total del 9% en el valor de las rutas al reasignar los días de visita para satisfacer los picos de demanda de las tiendas WALMEX Incremento esperado del 73% de venta mensual al invertir en actividades promocionales 9

21. La metodología de normalización de ventaidentifica una a una las tiendas con potencialpara enfocar los esfuerzos en la ejecución Modelación R2adj = 0.810 N = 280 tiendas Error Std. = 0.95 * Desv. Std. R2adj = 0.929 N = 154 tiendas Error Std. = 0.54 * Desv. Std. R2adj = 0.742 N = 170 tiendas Error Std. = 0.80 * Desv. Std. R2adj = 0.920 N = 68 tiendas Error Std. = 0.57 * Desv. Std. 11

22. Las tiendas cubiertas por promotores delperfil ideal venden significativamentemás (16%) Modelación Los que hoy cumplen con el Perfil Ideal Edad: 24 a 35 años (ANOVA LE 0.05) Antigüedad: 100 a 400 días (ANOVA LE 0.01) Educación: máximo preparatoria completa Curva de aprendizaje de 100 días Renovación, promoción o cambio de ruta después de los 400 días (13 meses) 70% (X de Z) de los promotores no cumplen con el Perfil Ideal Aumentar el número de promotores del perfil ideal. Potencial incremental de $ mensual Registrar información de los promotores El perfil del promotor es independiente del formato de tienda que visitan (X2=0.650 Sig 0.723) 12

23. Actividades promocionales yadecuación de rutas Modelación Implementación de actividades promocionales (mercadeo) que generan demanda. Adecuación de rutas para satisfacer los picos de demanda y aumentar su valor. El servicio a tiendas anticipa la demanda Ejemplo Supercenter Pico de demanda* Visita *Los picos de demanda no son iguales para todas las tiendas / formato / ruta 13

25. Integración de aprendizaje acumulado (vivencial, transaccional, infraestructura) en una base de datos

26. Herramienta para la evaluación de sitios potenciales (Scorecard)

27. Determinación de variables que impactan la venta de tiendasROI del Proyecto 501%

28. Integración de conocimiento e información Contexto Market Research Transaccional Juicio Experto 1,500 variables 7 a 14 variables Modelo Predictivo Análisis y Modelado 15

29. Dispersión de predicciones y ventas reales de las tiendas 16 La gráfica considera las diferencias de la predicción del modelo y la venta real de las tiendas contra su punto de equilibrio (PE) financiero Certidumbre Venta > PE Predicción > PE 48% de tiendas Venta < PE Predicción > PE 13% de tiendas Pérdidas Diferencia entre Predicción y PE (miles de $) Oportunidades Perdidas Venta > PE Predicción < PE 14% de tiendas Venta < PE Predicción < PE 26% de tiendas Alerta Diferencia entre Venta y PE (miles de $)

30. Impacto financiero del modelo Al considerar las pérdidas y ganancias del modelo (Grupos de Alerta y Pérdidas) el impacto neto de la utilización del modelo como herramienta de decisión es de $1’511,732 disminución de déficit semanal Considerando la inversión del proyecto, y las pérdidas y ahorros esperados para la apertura de tiendas durante el siguiente año el proyecto tiene un resultado de ROI = 501% 17

31. Visualizador cartográfico de la herramienta El algoritmo de predicción se integra en un visualizador cartográfico en Mapinfo, a partir del cuál se extrae información demográfica, económica y comercial de la zona 18

32. Outuput de la herramienta de visualización La herramienta genera una presentación en Powerpoint con el mapa de la zona y la predicción de ventas para la ubicación seleccionada 19

33. Caso de éxito en CRM Analítico Empresa líder en crédito prendario Planteamiento Incrementar dos de las 3 erres de la lealtad: recompra y recomendación Solución Modelo estocástico que: Identificar y catalogar grupos de clientes que permita diseñar estrategias comerciales específicas para impulsar su permanencia y crecimiento como clientes de El Cliente Diseñar indicadores de gestión para medir lealtad, deserción y recuperación de clientes Beneficios 50.3 millones de pesos en colocación incremental en el primer ciclo de operación (3 meses) 20 Customer Management

34. Modelo CRM Analítico 21 Clientes nuevos Clientes maduros Clientes perdidos A partir del Modelo Estocástico de CRM se proponen plantear iniciativas relacionadas con estados críticos del modelo

35. Definición de los estados del modelo 22 Distribución de tiempos entre contratos 1 Días entre primero y segundo contrato Cliente El Cliente 1I Deserción El paso de un cliente a los estados de INCERTIDUMBRE y DESERCIÓN se define en términos estadísticos 1 1I Deserción Media + dos desviaciones 410 días (95%) Media + desviación estándar 273 días (86%)

36. Transiciones entre estados 23 Las siguientes transiciones representan la probabilidad de que un cliente realice un siguiente contrato, o brinque a los estados de INCERTIDUMBRE Cliente El Cliente 0.547 0.679 0.745 0.775 1 2 3 4 5+ 0.453 0.321 0.255 0.225 0.000 1.000 1I 2I 3I 4I 5I Por ejemplo, 45.3% de los clientes pasan al estado de incertidumbre después de hacer su primer contrato. Cabe destacar que conforme un cliente crece, su probabilidad de seguir creciendo aumenta

37. Jorge Pérez Colínjperezcolin@logyt.com 24