Artificial Intelligence driven increase in
online sales

Debido a la situación actual provocada por la pandemia del COVID-19, la digitalización de las empresas ha experimentado una aceleración vertiginosa, que se ha visto favorecida por las nuevas tecnologías.
En el sector del retail la pandemia ha tenido un mayor impacto debido a que muchas empresas han tenido que adaptar sus canales de venta para poder mantener las medidas sanitarias y de aislamiento. Esto ha desembocado en un desarrollo muy potente del e-commerce y de la integración de los canales físicos y no presenciales.
El Proyecto quiere mejorar la rentabilidad de un sistema de citas para el asesoramiento de productos. Los clientes que acuden a la cita reciben un asesoramiento acerca de unos productos y se les realiza un presupuesto. Después de la cita el cliente decide si lleva a cabo la compra de estos productos que se le han recomendado o no. Para ello se va a realizar una comparativa de modelos de clasificación que determinarán la propensión a compra del cliente para ofrecerle unos horarios más favorables a la hora de acudir a la cita si el modelo considera que tiene alta propensión a compra. El objetivo es por tanto, encontrar el mejor modelo posible.
Para llevar a cabo la comparativa de los diferentes modelos de clasificación, primero es necesario someter a los datos con los que se va a trabajar a un preprocesamiento. Se llevan a cabo operaciones de transformación de formatos, creación de variables dummy, normalización, tratamiento de NAs y reducción de dimensionalidad. Una vez sometidos al Preprocesamiento, se utilizan los datos para entrenar los diferentes modelos.
Los mejores resultados se han obtenido para el modelo del XG Boost que tiene un AUC de 0.8820 y un tiempo de ejecución de 10 minutos. Se trata del modelo con la mejor medida de AUC y con el menor tiempo de ejecución debido a la paralelización de tareas. Este modelo aumenta en 5pp la asistencia a las citas y por consiguiente los beneficios generados por este sistema de citas para el asesoramiento.

Due to the current situation caused by the COVID-19 pandemic, the digitalisation of companies has accelerated dramatically, which has been facilitated by new technologies.
In the retail sector, the pandemic has had a greater impact because many companies have had to adapt their sales channels in order to maintain health and isolation measures. This has led to a very strong development of e-commerce and the integration of physical and non-face-to-face channels.
The project aims to improve the profitability of an appointment system for product advice. Customers who attend the appointment receive advice on products and a quotation. After the appointment, the customer decides whether or not to purchase the recommended products. For this purpose, a comparison of classification models will be carried out to determine the customer's propensity to buy in order to offer them more favourable times to attend the appointment if the model considers them to have a high propensity to buy. The aim is therefore to find the best possible model.
In order to carry out the comparison of the different classification models, it is first necessary to subject the data to be worked with to pre-processing. Format transformation, dummy variable creation, normalisation, NAs treatment and dimensionality reduction operations are carried out. Once the data have undergone preprocessing, they are used to train the different models.
The best results have been obtained for the XG Boost model which has an AUC of 0.8820 and an execution time of 10 minutes. This is the model with the best AUC measure and the shortest execution time due to task parallelisation. This model increases appointment attendance by 5pp and therefore the benefits generated by this counselling appointment system.