En un mercado gastronómico cada vez más competitivo, el éxito de un restaurante se sustenta en la eficiencia y la rentabilidad. La intuición y la experiencia tradicionales ya no bastan en este entorno. Para destacarse, los restaurantes deben valerse de herramientas que les permitan tomar decisiones estratégicas respaldadas por datos concretos. El análisis de datos y la implementación de modelos predictivos se vuelven imprescindibles en este contexto. Estas tecnologías innovadoras ofrecen una perspectiva hacia el futuro al proporcionar información valiosa sobre el comportamiento de los clientes, las tendencias del mercado y el rendimiento del negocio. El propósito de este proyecto de análisis de datos es aprovechar estas tecnologías para optimizar las operaciones y estrategias de ventas del restaurante, aumentando su eficiencia y rentabilidad. A través de un minucioso análisis de los datos disponibles, se identificarán áreas de mejora, se desarrollarán modelos predictivos para la demanda y la toma de decisiones, y se personalizará la experiencia del cliente.
| Participantes | Roles | Redes |
|---|---|---|
| Franco Arce |   |
  |
| Leopoldo Flores |  |
|
| Matias Ferreyra |  |
|
| Adriana Muñoz | |
|
| Rodrigo Valdez | |
|
| Julio Dip | |
|
| Matias Ibarra | |
|
| Maria Celeste Coronel | |
|
Nuestro objetivo con este gestor es brindar a los propietarios y gerentes de restaurantes una herramienta poderosa y eficiente para optimizar sus operaciones diarias. Al tener acceso a información detallada sobre las ventas, pueden identificar tendencias, ajustar su inventario, mejorar la eficiencia en el servicio y brindar una experiencia aún mejor a sus clientes. Las predicciones de ventas les permiten planificar con anticipación y estar preparados para satisfacer la demanda de manera efectiva. En resumen, nuestro MVP está diseñado para ser una herramienta integral que ayude a los restaurantes a crecer y prosperar en un mercado competitivo.
En el grupo de Slack se ha propuesto utilizar Discord como nuestra principal herramienta de comunicación. Esta decisión se basa en las siguientes ventajas que ofrece Discord:
Para aprovechar al máximo las funcionalidades de Discord, se propone la siguiente estructura:
A través de Discord, coordinamos un horario conveniente para nuestra primera reunión. Durante este encuentro, nos presentamos, compartimos nuestras experiencias previas, y definimos los horarios y roles correspondientes.
Hemos acordado que la reunión diaria se llevará a cabo todos los días a las 9:00 a.m., hora de Argentina, excepto los lunes y jueves, cuando nos reuniremos después de la reunión con el líder de equipo a las 9:30 a.m. Durante estas reuniones diarias, cada miembro del equipo tendrá la oportunidad de compartir actualizaciones sobre su progreso, discutir posibles obstáculos y colaborar en soluciones. Se destacó la importancia de que todos participemos activamente y que mantengamos una actitud abierta y receptiva hacia las ideas de los demás.
En un principio, se consideraron diversas opciones; sin embargo, la decisión unánime fue la creación de un sistema de gestión para restaurantes basado en datos reales provenientes de un establecimiento donde trabaja una de las integrantes del equipo. Esta elección se fundamentó no solo en el potencial identificado en dichos datos, sino también en la oportunidad de abordar un caso práctico, lo que plantea un desafío significativo.
Después de haber establecido el proyecto durante el Sprint 0, el equipo se reunió para discutir varios aspectos, incluyendo el alcance, los objetivos, los requisitos y las metodologías. Tras esta revisión, comenzaron a trabajar en el proyecto. Durante las primeras semanas, se enfocaron en la planificación detallada de las tareas, asignando responsabilidades y estableciendo un cronograma claro. El equipo se comprometió a mantener una comunicación abierta y constante para garantizar un flujo de trabajo eficiente y colaborativo. A medida que avanzaban, surgieron desafíos que abordaron con creatividad y trabajo en equipo, demostrando su compromiso con el éxito del proyecto.
- Como propietario del restaurante, quiero poder acceder a análisis detallados sobre las ventas para la eficiencia operativa.
- Como gerente del restaurante, quiero recibir predicciones de las ventas de productos para ajustar el inventario y evitar la escasez o el exceso de stock.
- Como gerente del restaurante, quiero recibir mensualmente promociones más rentables para aumentar las ventas en horarios de poca demanda.
- Como gerente del restaurante, quiero saber la eficiencia de los empleados para incrementar el ticket promedio.
Obtenemos los datos con los que el restaurante cuenta actualmente, a través de la API con la que el local trabaja. Podemos ver la estructura que tenian en ese momento:
En el archivo conexión_api se puede ver todo el proceso de extracción y limpieza.
En el archivo conexión_bbdd se puede ver también cómo se crean las diferentes tablas y sus relaciones.
Con AWS, tenemos la confianza de que nuestros datos estarán seguros y accesibles en todo momento, lo que nos permite enfocarnos en nuestro trabajo sin preocuparnos por la gestión de la infraestructura de almacenamiento.
En el archivo conexión_bbdd se puede ver también cómo se crean las diferentes tablas y sus relaciones.
Una vez que se implementó la base de datos en la nube, el equipo de análisis logró establecer la conexión con éxito, lo cual les brindó acceso a los datos necesarios para su análisis. A partir de esta información, se crearon las primeras visualizaciones en Power BI:
Tambien se organizaron los Insights a desarrollar, cada uno posee descripcion de los resultados que se esperan obtener, lo que permite una mejor comprensión de la información.
Los mismos estan detallados en el Trello en el que ha trabajado el Equipo de Analistas de Datos.
El equipo de Análisis se comprometió a crear una página web impactante que presentara el Producto Mínimo Viable (MVP) de forma clara y atractiva. Además, se incluirá información detallada sobre el objetivo del proyecto, el stack tecnológico utilizado y el equipo que hizo posible su desarrollo.
Para llevar a cabo este proyecto, el equipo de Análisis utilizará la herramienta Figma para diseñar la Landing Page de manera profesional y efectiva. La construcción de la página se realizará en React, aprovechando las ventajas que ofrece esta tecnología. Para darle un toque visual único, se emplearán librerías como Tailwind CSS para el estilizado, Swipper para crear una galería de imágenes dinámica y atractiva, y React Router para gestionar el redireccionamiento de manera eficiente.
El equipo de Ingeniería de Datos solicitó la modificación de los métodos de pago debido a la presencia de "UberEats" y "Uber eats" en los registros, lo cual generaba una inconsistencia en la base de datos al referirse a la misma plataforma de forma dispar. Para abordar esta situación:
Se realizaron estos ajustes para garantizar la coherencia y precisión de la base de datos en relación a los métodos de pago de "Uber Eats". Estas medidas contribuirán a una mejor organización de la información y a evitar posibles errores futuros.
Para ver mas en detalle como se realizo este trabajo le recomendamos ver el archivo que contiene el proceso.
Al momento de analizar los productos ofrecidos por el restaurante nos encontramos con que había inconsistencias en la base de datos, estas eran:
Para afrontar esta situación se realizo lo siguiente:
Por ultimo todos estos cambios fueron cargados en la base de datos en AWS para así ya poder realizar los análisis pertinentes con los datos correctos
Para ver mas en detalle como se realizo este trabajo le recomendamos ver el archivo de modificación de los precios y el de productos actualizados que contienen el proceso.
Se ha diseñado una tabla en Power BI que despliega la fecha completa de cada registro. Adicionalmente, se han incorporado columnas para representar el mes (tanto en su formato numérico [1-12] como en su forma textual [Enero - Diciembre]), los días de la semana (también en formato numérico [1-31] y en texto [Domingo - Sábado]), y el año correspondiente.
Esta estructura resultará fundamental para la creación de segmentadores y la correcta filtración de los datos que el cliente desea visualizar.
Una vez establecido este marco, se inició la distribución de los análisis que debían ser evaluados para la posterior elaboración del panel de control.
A su vez, se hace una segmentacion por meses, donde podemos ver los campos descritos anteriormente pero separados por mes
Se debera contar con segmentaciones por:
Realizar las visualizaciones que se crean acordes para reflejar la informacion solicitada
Para los mismos se deben calcular:
Realizar las visualizaciones que se crean mas adecuadas para la representacion de la informacion
Para los mismos se deben calcular:
Realizar las visualizaciones que se crean mas adecuadas para la representacion de la informacion
Crear una pagina nueva para implementar el “Drill trought”, conectado el analisis de los camareros con el informe diario.
En este se analizaran profundamente los siguientes campos:
Se solicita la creacion de una Landing Page para presentar de forma mas rapida e intuitiva nuestro producto al cliente
Para la misma se necesitara:
El resultado obtenido fue el siguiente:
Tiene como tarea crear y diseñar las diferentes portadas que van a ser utilizadas en las paginas del Dashboard.
Para ello debe:
Estas portadas fueron diseñadas con la aplicacion de Figma, la misma que fue utilizada para el diseño de la Landing Page, esto nos fue de gran ayuda ya que contabamos con la base de estilos y colores que debian ser usados en las portadas.
Se realizaron las portadas para cada una de las paginas que contenia el Dashboard, algunas de ellas quedaron de esta manera:
Hecho esto el Dashboard quedo de esta manera:
En el archivo trabajado se encontraban insertas en el las diferentes medias calculadas que se han utilizado en el desarrollo del proyecto, las mismas estaban una debajo de otra sin organizacion alguna, se opto entonces por la agrupacion en carpetas segun el dato que contuviera cada una de ellas, de esta forma cualquier Analista que quisiera observar nuestro proyecto tendria una mejor comprension de la forma de trabajo utilizada.
Se muestra aqui la comparacion de el estado anterior y el actual de las medidas calculadas:
Este fue el proceso seguido para crear un modelo predictivo destinado a estimar las cantidades semanales de productos necesarios para un local comercial. El objetivo es optimizar el inventario basándose en el historial de ventas. A continuación, se describen los pasos principales del proceso:
Este procedimiento asegura una gestión eficiente del inventario, adaptándose a las variaciones de demanda y optimizando la disponibilidad de productos según las tendencias históricas de venta.
Obtuvimos un modelo predictivo que tiene el siguiente margen de error para cada semana en un tiempo aproximado de un mes. Como los datos reales son hasta febrero, recomendamos hacer predicciones hasta mayo para mayor precisión, ya que al no tener actualización de datos las predicciones hasta más adelante se basan en predicciones anteriores.
Para ver mas en detalle como se realizo este trabajo le recomendamos ver el archivo que contiene el proceso.
Transitando ya el ultimo sprint de la simulación comenzamos a trabajar en la presentacion final de nuestro proyecto: el DemoDay.
Fuimos organizando toda la informacion que teniamos disponible, separando los puntos claves de nuestro proyecto en una presentación clara y concisa. Los temas que abordamos las slides son:
Puedes ver la presentación completa en el siguiente link