Los casos de uso que siguen son ejemplos ilustrativos de cómo AyGLOO se aplica en cada sector. Cada snapshot muestra tres cosas: qué decisión toma el modelo, por qué la toma y con qué certeza, y qué acción concreta se recomienda. El analista pasa de recibir una puntuación sin contexto a una recomendación razonada, cuantificada y lista para validar.

Prescriptive Decision AI para Retail
Retail
Pricing Dinámico y Optimización de Promociones

Los modelos de pricing recomiendan precios y descuentos por SKU, tienda y segmento de cliente. El category manager recibe la recomendación sin saber con qué certeza se tomó, si es fiable en ese formato o temporada, ni qué pasaría con el margen si el descuento fuera del 15% en vez del 20%. AyGLOO convierte esa recomendación en cuatro beneficios concretos: las reglas del Twin explican exactamente qué condición disparó la recomendación de precio; el ISA detecta segmentos donde el modelo tiene menor precisión histórica; el CF calcula el descuento mínimo que maximiza la rotación sin destruir el margen; y las simulaciones muestran el impacto de cada escenario de promoción antes de publicar.

1
El category manager entiende por qué el modelo recomienda ese precio para ese SKU concreto y con qué certeza, sin tener que reconstruir el razonamiento manualmente.
2
El ISA detecta los formatos y temporadas donde el modelo tiene menor precisión histórica, evitando aplicar promociones en segmentos donde la elasticidad estimada es poco fiable.
3
El descuento mínimo que maximiza la rotación sin destruir el margen llega calculado para este SKU en esta tienda, no como una regla genérica de categoría.
4
Las simulaciones muestran cuánto margen se pierde con cada punto adicional de descuento y a partir de qué umbral la promoción deja de ser rentable antes de publicarla.
Hoy, lo que un category manager suele recibir
SKU #8410076450014 · Leche semidesnatada 1L Descuento recomendado: –18% · Tienda: Madrid Norte Sin contexto adicional
Con AyGLOO. Misma recomendación, completamente enriquecida
SKU #8410076450014 · Leche semidesnatada 1L · Madrid Norte Descuento recomendado: –18% · Ventana: 3 días
XAI Por qué este precio Twin Reglas con nivel de fiabilidad ISA Fiabilidad del modelo en este segmento CF Descuento mínimo que maximiza rotación What-if Sensibilidad de margen por escenario Action Recomendación final
1. Por qué este descuento para este SKU. Twin model (profundidad 7 · fidelidad 96.8%)
100%IF stock_días_cobertura < 4 AND rotación_semanal_vs_media < 0.6 AND competidor_precio < precio_actual → Activar promoción defensiva. Fiabilidad total: sin descuento este SKU entra en rotura de margen por caducidad.
82%IF elasticidad_segmento_precio > 1.4 AND temporada = pico_verano → Descuento de entre –15% y –20% maximiza rotación. Revisar si hay campaña de competidor activa antes de publicar.
61%IF rotación_semanal_vs_media < 0.6 sin otros factores → Señal débil aislada. Puede ser problema de ubicación en tienda, no de precio.
Las reglas con 100% de fiabilidad permiten publicar la promoción automáticamente. Las reglas con fiabilidad menor requieren que el category manager valide el contexto antes de activar, porque la causa puede no ser de precio.
XAITwin
2. Doble check del modelo en este segmento (ISA)
Segmento: "lácteos básicos, formato 1L, tienda urbana alta rotación" · Precisión del modelo en este segmento: 91% · Elasticidad precio histórica confirmada: 1.6 (alta sensibilidad al descuento) · Sin deriva detectada en las últimas 6 semanas · Alta fiabilidad: actuar con confianza.
Segmento de mayor incertidumbre: en formatos promocionales de temporada alta (Navidad, rebajas de enero) el modelo tiene precisión del 67% por volatilidad atípica de la demanda. En esos periodos se recomienda validar manualmente antes de publicar.
El ISA confirma que el modelo predice bien la elasticidad en este segmento. Si el semáforo fuera amarillo, aplicar el descuento podría destruir margen sin el incremento de rotación esperado.
ISA
3. CF. Descuento mínimo que maximiza la rotación sin destruir el margen
–12%: rotación sube un 31%, margen neto por unidad €0.08 · –15%: rotación sube un 47%, margen neto €0.04 · –18% (recomendado): rotación sube un 58%, margen neto €0.01 · –20%: rotación sube un 61% (+3% marginal), margen neto negativo (–€0.02)
Umbral de rentabilidad: –18% es el máximo descuento con margen positivo para este SKU en esta tienda. A –20% la promoción genera pérdida por unidad aunque liquide el stock.
El CF no es sensibilidad: es la acción mínima concreta que resuelve el problema de rotación sin cruzar la línea del margen negativo. La diferencia entre –18% y –20% es pequeña en rotación pero hace la diferencia entre ganar y perder dinero en cada unidad vendida.
CF
4. What-if. Sensibilidad del margen total a distintos escenarios de promoción
Si el competidor baja adicionalmente un 5%: elasticidad sube a 2.1, el descuento óptimo pasa a –20% para mantener cuota · Si la cobertura de stock subiera a 7 días: la urgencia desaparece, descuento óptimo baja a –10% · Si se combina con ubicación en cabecera de góndola: rotación equivalente al –18% con solo –10% de descuento · La cobertura de stock es la variable más sensible: si mejora, la promoción deja de ser necesaria.
Saber que la cobertura de stock impulsa más la decisión que el precio del competidor cambia la acción recomendada: antes de publicar la promoción vale la pena verificar si hay un problema de reposición que la haría innecesaria.
What-if
5. Acción recomendada
Publicar descuento –18% durante 3 días · Verificar reposición antes de activar: si cobertura sube a >6 días, reducir descuento a –10% · Revisar ubicación en tienda: combinado con cabecera de góndola se puede reducir el descuento 8 puntos con el mismo impacto en rotación · Revisar en 48h si la rotación no ha subido un 40%
La acción no es solo el descuento: incluye la verificación de reposición y la palanca de ubicación que pueden hacer la promoción más rentable con menos destrucción de margen.
Action

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.

Gestión de Surtido y Reposición

Los modelos de surtido predicen riesgo de rotura de stock por SKU y tienda. El gestor de reposición recibe la alerta sin saber qué señal la impulsa, si el problema es puntual o sistémico en varias tiendas de la misma zona, ni cuánto vale en margen perdido no actuar. AyGLOO convierte esa alerta en cuatro beneficios concretos: las reglas explican exactamente qué combinación de señales generó el riesgo de rotura; el ISA detecta si es un problema de tienda individual o de segmento; el análisis de red identifica si el patrón es sistémico en varias tiendas de la misma zona o proveedor; y el CF calcula cuántas unidades reponer y en qué ventana horaria.

1
El gestor sabe exactamente qué SKUs están en riesgo real de rotura y con qué certeza, sin tener que priorizar manualmente una lista de cientos de alertas.
2
El análisis de red detecta si varias tiendas de la misma zona tienen el mismo SKU en riesgo simultáneamente, señalando un problema de proveedor o distribución regional antes del primer desabastecimiento.
3
El ISA detecta los formatos y temporadas donde el modelo sobreestima el riesgo, evitando reposiciones innecesarias que ocupan espacio y capital circulante.
4
La recomendación de reposición llega con las unidades exactas y la ventana horaria óptima calculadas para no perder la venta sin generar exceso de stock.
Hoy, lo que un gestor de reposición suele recibir
SKU #8410076580213 · Aceite oliva virgen extra 1L Riesgo de rotura: ALTO · Tienda: Barcelona Gracia Sin contexto adicional
Con AyGLOO. Misma alerta, completamente enriquecida
SKU #8410076580213 · Aceite oliva virgen extra 1L Riesgo de rotura: ALTO · Cobertura actual: 1.8 días
XAI Por qué está en riesgo este SKU Twin Reglas con nivel de fiabilidad ISA Fiabilidad del modelo en este segmento Graph Análisis de red entre tiendas CF Unidades y ventana de reposición Action Acción recomendada
1. Por qué está en riesgo este SKU. Twin model (profundidad 7 · fidelidad 97.1%)
100%IF cobertura_días < 2 AND velocidad_salida_últimas_48h > 2× media AND campaña_activa = true → Reponer antes de las próximas 12h. Fiabilidad total: rotura inminente si no se actúa hoy.
84%IF proveedor_lead_time > 3 días AND cobertura_días < 4 → Activar pedido urgente al proveedor. La ventana de reposición ordinaria no llega a tiempo.
62%IF velocidad_salida_últimas_48h > 1.5× media sin campaña activa → Señal débil aislada. Verificar si hay promoción no registrada en el sistema antes de reponer.
Las reglas con 100% de fiabilidad combinan cobertura, velocidad de salida y campaña activa. No es un solo factor: es la combinación la que hace inevitable la rotura si no se actúa en las próximas horas.
XAITwin
2. Doble check del modelo en este segmento (ISA)
Segmento: "aceites básicos, formato 1L, tienda urbana media superficie" · Precisión del modelo en este segmento: 89% · Tasa de falsas alarmas: 11% · Sin deriva detectada en las últimas 6 semanas · Alta fiabilidad: actuar con confianza.
El ISA confirma que el modelo predice bien el riesgo de rotura en este segmento. Un 11% de falsas alarmas significa que 1 de cada 9 alertas en este segmento no acaba en rotura real, lo que es relevante para calibrar la urgencia de la respuesta.
ISA
3. Análisis de red entre tiendas. Riesgo sistémico por zona o proveedor
4 tiendas adicionales en la zona Barcelona tienen el mismo SKU con cobertura <3 días: Gracia, Eixample, Sarrià y Sant Martí · Las 5 tiendas comparten el mismo proveedor regional y el mismo centro de distribución · El patrón es consistente con un problema de suministro en origen, no de gestión individual de tienda · Si se activa solo la reposición urgente para Barcelona Gracia, las otras 4 tiendas entrarán en rotura en las próximas 48h
Analizando cada tienda por separado el problema parece puntual. El análisis de red revela que hay un problema sistémico de suministro que afecta a 5 tiendas simultáneamente. La acción correcta no es un pedido urgente individual sino escalar al equipo de compras para resolver el problema en origen.
Graph
4. CF. Unidades y ventana de reposición que evita la rotura
Reposición mínima para cubrir 72h: 48 unidades antes de las 14:00 de hoy · Reposición óptima para cubrir 7 días: 180 unidades en el próximo camión (mañana 08:00) · Si se esperan al camión ordinario (pasado mañana): rotura estimada de 18h con venta perdida de €340
Si el problema es sistémico de proveedor (confirmado por el análisis de red), la reposición urgente individual no resuelve nada más allá de las próximas 72h. Escalar a compras es la acción con mayor impacto.
El CF no solo dice cuánto reponer: incluye el coste de cada opción en euros de venta perdida. Eso es lo que permite al gestor justificar un pedido urgente con coste adicional de transporte frente a esperar al camión ordinario.
CF
5. Acción recomendada
Reposición urgente de 48 unidades antes de las 14:00 de hoy para Barcelona Gracia · Escalar a equipo de compras: problema sistémico confirmado en 5 tiendas de la zona, origen probable en el centro de distribución regional · Activar pedido urgente al proveedor para las 5 tiendas afectadas · Revisar en 24h si la cobertura ha subido a >5 días
La acción tiene dos niveles: la reposición inmediata para no perder ventas hoy y la escalada a compras para resolver el problema sistémico. Sin el análisis de red solo se haría lo primero.
Action

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.

Detección de Fraude en Devoluciones

Los modelos de fraude puntúan cada devolución entrante. El agente recibe una puntuación de riesgo sin saber qué señal la impulsa, si la devolución forma parte de una trama organizada entre varios tickets, ni si el cliente que está rechazando es un cliente habitual con una reclamación legítima. AyGLOO convierte ese proceso en cuatro beneficios concretos: las reglas del Twin explican qué combinación de señales generó la alerta; el análisis de red detecta tramas organizadas invisibles ticket a ticket; el ISA confirma si el modelo es fiable en ese tipo de devolución; y el CF calcula qué evidencia resolvería la sospecha si la devolución fuera legítima.

1
El agente sabe exactamente qué señales generaron la alerta y con qué certeza, sin tener que revisar manualmente el historial completo del cliente.
2
El análisis de red detecta tramas de fraude organizado entre varios tickets, artículos o tiendas que son invisibles analizando cada devolución por separado.
3
El ISA detecta segmentos con tasas de falso positivo sistemáticas, evitando rechazar devoluciones legítimas de clientes habituales y el coste reputacional asociado.
4
El CF calcula qué evidencia mínima resolvería la sospecha, convirtiendo un rechazo en una solicitud de documentación que protege al cliente legítimo sin facilitar el fraude.
Hoy, lo que un agente de atención al cliente suele recibir
Devolución #RET-20260301-4471 Puntuación de fraude: 0.84 · ALTO Artículo: Auriculares €189 · Sin contexto adicional
Con AyGLOO. Misma devolución, completamente enriquecida
Devolución #RET-20260301-4471 · Auriculares €189 Puntuación de fraude: 0.84 · Tienda: Valencia Centro
XAI Por qué está marcada esta devolución Twin Reglas con nivel de fiabilidad ISA Fiabilidad del modelo en este segmento Graph Análisis de red entre devoluciones CF Evidencia que resolvería la sospecha Action Acción recomendada
1. Por qué está marcada esta devolución. Twin model (profundidad 7 · fidelidad 96.4%)
100%IF artículo_alto_valor = true AND sin_ticket_compra = true AND devoluciones_últimos_90d ≥ 3 → Fraude probable: no procesar sin verificación. Fiabilidad total: patrón de alto riesgo confirmado.
81%IF artículo_precintado_abierto = false AND plazo_devolución_días < 3 AND precio > €150 → Posible devolución de uso. Verificar estado del artículo antes de procesar el reembolso.
59%IF sin_ticket_compra = true sin otros factores → Señal débil aislada. No rechazar solo por ausencia de ticket si el cliente tiene historial de compra verificable.
Las reglas con 100% de fiabilidad combinan valor del artículo, ausencia de ticket y patrón de devoluciones repetidas. La combinación de los tres factores es la que genera el riesgo alto, no cada uno por separado.
XAITwin
2. Doble check del modelo en este segmento (ISA)
Segmento: "electrónica alto valor, sin ticket, devoluciones repetidas" · Tasa de fraude confirmado en este segmento: 71% · Tasa de falsos positivos: 29% · Sin deriva detectada en las últimas 8 semanas · El 29% de las alertas en este segmento son clientes legítimos con reclamaciones válidas: actuar con criterio antes de rechazar.
Un 29% de falsos positivos en este segmento significa que casi 1 de cada 3 alertas es un cliente legítimo. Rechazar sin verificar tiene un coste reputacional real: el cliente legítimo que se siente acusado de fraude no vuelve a la tienda.
ISA
3. Análisis de red. Patrón de fraude organizado entre devoluciones
Este artículo (lote de fabricación #AUR-2024-Q3) ha sido devuelto 4 veces en 3 tiendas distintas de la zona Valencia en los últimos 14 días · 3 de las 4 devoluciones comparten el mismo número de serie de caja de embalaje · Patrón consistente con fraude organizado de compra-devolución múltiple: compra en una tienda, devolución en otra con artículo diferente en la misma caja
Analizando esta devolución de forma aislada parece un caso individual. El análisis de red revela que forma parte de un patrón de fraude organizado que afecta a 3 tiendas simultáneamente. La acción correcta no es solo gestionar esta devolución sino escalar a pérdidas y prevención.
Graph
4. CF. Evidencia mínima que resolvería la sospecha
Número de pedido online verificado: puntuación baja 0.84 → 0.38 (por debajo del umbral de alerta) · Extracto bancario con cargo del importe: → 0.31 · Ambos combinados: → 0.21 · Sin ninguna evidencia adicional: mantener en 0.84, no procesar reembolso
El CF protege al cliente legítimo: en vez de un rechazo directo, el agente puede solicitar una de estas evidencias. Si el cliente la aporta, el reembolso se procesa. Si no puede o no quiere aportarla, la negativa está documentada y justificada.
CF
5. Acción recomendada
No procesar el reembolso sin verificación · Solicitar número de pedido online o extracto bancario con el cargo · Escalar a pérdidas y prevención: patrón de fraude organizado confirmado en 3 tiendas de la zona Valencia · Registrar el número de serie de la caja de embalaje para seguimiento · Si el cliente aporta evidencia: procesar el reembolso y registrar el caso como resuelto
La acción tiene dos niveles: la gestión de la devolución individual y la escalada a pérdidas y prevención para el patrón sistémico. Sin el análisis de red solo se haría lo primero y el fraude continuaría en las otras tiendas.
Action

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.

Planificación de Personal en Tienda

Los modelos de planificación predicen picos de afluencia por tienda y franja horaria. El responsable de tienda recibe la previsión sin saber si es fiable en esa tienda en periodos de rebajas, cuánto cuesta en ventas perdidas y satisfacción del cliente no tener suficiente personal, ni si bastaría con redistribuir de otro turno frente a contratar horas extra. AyGLOO convierte esa previsión en cuatro beneficios concretos: las reglas explican qué patrón de demanda está impulsando el pico; el ISA detecta si el modelo es fiable en esa tienda en ese periodo; el CF calcula si la redistribución interna es suficiente o se necesitan horas extra; y la simulación cuantifica el coste de cada opción antes de publicar el cuadrante.

1
El responsable de tienda entiende por qué se prevé ese pico de afluencia y con qué certeza, sin tener que consultar múltiples fuentes de datos para preparar el cuadrante.
2
El ISA detecta los periodos donde el modelo tiene menor precisión histórica (rebajas, festivos locales) antes de que el responsable tome decisiones de personal costosas difíciles de revertir.
3
La simulación cuantifica cuántas ventas y puntos de NPS se pierden con personal insuficiente frente al coste de horas extra, para decidir con criterio económico y no por intuición.
4
La redistribución interna óptima llega calculada: si se puede resolver sin horas extra, el CF muestra exactamente cómo reorganizar los turnos existentes.
Hoy, lo que un responsable de tienda suele recibir
Tienda: Sevilla Este · Sábado 11 Jan Afluencia prevista: ALTA Franja: 11:00–14:00 · Sin contexto adicional
Con AyGLOO. Misma previsión, completamente enriquecida
Tienda: Sevilla Este · Sábado 11 Jan · 11:00–14:00 Afluencia prevista: 2.3× media · Ratio actual de cobertura: insuficiente
XAI Por qué se prevé este pico Twin Reglas con nivel de fiabilidad ISA Fiabilidad del modelo en este periodo CF Redistribución interna vs. horas extra What-if Coste de cada escenario de personal Action Cuadrante recomendado
1. Por qué se prevé este pico de afluencia. Twin model (profundidad 7 · fidelidad 95.9%)
100%IF semana_rebajas_enero = true AND sábado_mañana = true AND tienda_zona_residencial_alta_densidad = true → Pico de afluencia 2.3× media: reforzar personal. Fiabilidad total: patrón histórico confirmado en los últimos 3 años.
83%IF campaña_email_enviada_48h = true AND descuento_categoría_electrónica ≥ 30% → Pico adicional probable en electrónica y cajas. Revisar asignación de cajeros antes de publicar el cuadrante.
61%IF temperatura_exterior < 8°C sin otros factores → Señal débil de aumento de afluencia por tiempo frío. No reforzar solo por esta señal.
Las reglas con 100% de fiabilidad permiten planificar el refuerzo de personal con 3 días de antelación sin necesidad de esperar confirmación. El patrón de rebajas de enero + sábado mañana es el más predecible del calendario.
XAITwin
2. Doble check del modelo en este periodo (ISA)
Segmento: "rebajas enero, sábado mañana, tienda mediana superficie" · Precisión del modelo en este segmento: 88% · Desviación media de la previsión vs. afluencia real: ±12% · Sin deriva detectada en las últimas 4 semanas
Segmento de mayor incertidumbre: en las 2 primeras semanas de rebajas de enero la desviación puede llegar al ±28% por la variabilidad de la respuesta a las campañas de email. Se recomienda planificar con un margen de +15% sobre la previsión base.
El ISA confirma que el modelo predice bien este tipo de pico en condiciones normales. La advertencia de ±28% en las primeras semanas de rebajas es el tipo de información que evita tanto el sobredimensionamiento como el subdimensionamiento.
ISA
3. CF. Redistribución interna óptima o necesidad de horas extra
Con personal actual: ratio de cobertura 0.62, tiempo de espera estimado en caja >8 min, NPS esperado –2.1 puntos · Redistribución interna (adelantar turno tarde 2h para 3 personas): ratio sube a 0.84, tiempo de espera <4 min, sin coste adicional · Redistribución + 2 horas extra (2 personas): ratio 0.94, tiempo de espera <2 min, coste adicional €48
La redistribución interna resuelve el problema sin coste adicional. Las horas extra solo se justifican si la campaña de email genera un pico superior al 2.3× previsto.
El CF responde a la pregunta del responsable: ¿necesito contratar horas extra o puedo resolver esto reorganizando los turnos existentes? En este caso la redistribución interna es suficiente para los 2.3× previstos.
CF
4. What-if. Coste de cada escenario de personal en ventas y satisfacción
Sin refuerzo: ventas perdidas estimadas por abandono de cola €1.840 · Impacto en NPS: –2.1 puntos · Con redistribución interna: ventas perdidas €320, NPS –0.4 puntos, coste adicional €0 · Con redistribución + horas extra: ventas perdidas €80, NPS +0.1 puntos, coste adicional €48 · La redistribución interna captura el 83% del beneficio sin coste adicional.
Poner en euros el coste de no actuar es lo que convierte la decisión de personal en una decisión de negocio. €1.840 en ventas perdidas frente a €0 de coste de redistribución hace la decisión obvia.
What-if
5. Cuadrante recomendado
Adelantar turno tarde de 3 personas: entrada a las 09:30 en vez de las 11:30 · Reforzar zona de cajas con 2 personas adicionales de reposición entre 11:00 y 14:00 · Asignar 1 persona adicional a electrónica si la campaña de email supera el 40% de apertura · Revisar a las 12:00 si la afluencia real está dentro del ±15% de la previsión
El cuadrante incluye la señal de revisión a las 12:00: si la afluencia real supera la previsión en más de un 15%, se activa el protocolo de horas extra de forma controlada en lugar de improvisar.
Action

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.