Predictor de costos FOB
Estima cuánto va a costar un producto que todavía no existe, para poder presupuestarlo y negociar con proveedores antes de fabricarlo.
El problema
Estimar el costo de un producto nuevo era artesanal: cada quien lo hacía a ojo, sin una referencia común para presupuestar, negociar con proveedores ni detectar precios fuera de lo razonable.
Qué hice
Diseñé el método estadístico del predictor y su contraste empírico: clusters de atributos con un score de relevancia propio (coeficiente de variación entre grupos, R² y Cohen's d), t-Student para muestras chicas, factor de recencia con decaimiento exponencial y cold-start visual con CLIP. Contrasté las hipótesis de negocio del método contra el histórico completo de datos.
Qué resultó
Análisis empírico sobre 57.000+ productos, presentado a nivel C-level. Su infraestructura quedó reutilizada por otros motores del ecosistema.
Cómo estima
- Atributos del producto nuevoEntrada
- Clusters de atributos comparablesContra el histórico
- Score de relevancia propioCuánto vale cada comparación
- t-Student en muestras chicasCuando hay pocos comparables
- Factor de recenciaDecaimiento exponencial
- Costo FOB estimadoSalida
No hay historia del SKU que todavía no existe: el método busca comparables y pondera cuánto vale cada comparación. Cuando no hay ni siquiera atributos suficientes, el arranque en frío se resuelve por similitud visual con CLIP.
Stack
- Python
- Streamlit
- SQL Server
- SciPy
- CLIP
- Qdrant
- Supabase
- Docker
Proyecto interno de Blue Star Group — el código no es público.
Siguiente proyecto: Detección de fraude en cajas →