Inteligencia artificial aplicada a procesos o gestión empresarial. También proyectos de energías renovables y sostenibilidad. Emprendimiento o proyecto de investigación.

Abstract

La gestión del stock de productos frescos es uno de los principales retos del retail alimentario, especialmente para los supermercados de tamaño medio que afrontan los mismos retos que las grandes cadenas, pero con recursos tecnológicos y financieros más limitados. Esta brecha define la oportunidad de negocio analizada: una solución basada en Inteligencia Artificial, cuya viabilidad técnica, operativa y económica se evalúa a lo largo del trabajo.

Los métodos tradicionales de predicción de demanda (medias móviles, suavizado exponencial o ARIMA) funcionan bien en condiciones estables, pero pierden precisión cuando la demanda es volátil o sigue patrones poco lineales, como ocurre con los productos frescos. El análisis económico, apoyado en herramientas como PESTEL o las 5 fuerzas de Porter, muestra que este segmento está poco atendido y que existe una oportunidad de negocio. Sobre esta base, se plantea una solución SaaS de machine learning que cruza datos internos del supermercado (ventas, stock, promociones) con factores externos (meteorología, calendario y estacionalidad), para anticipar la demanda de cada producto en cada tienda y periodo.

La viabilidad del negocio se contrasta con un modelo financiero a 10 años. Con un CAPEX de 25 k€, el proyecto recupera la inversión en 4,1 años y alcanza un VAN de +137 k€ y una TIR del 40%. Para el cliente, un supermercado medio podría ahorrar 29 k€, lo que supone recuperar 36 veces el coste de la suscripción.

Fresh-product stock management is one of the main challenges in food retail, especially for medium-sized supermarkets, which face the same challenges as large chains but with more limited technological and financial resources. This gap defines the business opportunity examined here: an AI solution whose technical, operational and economic feasibility is assessed throughout the project.

Traditional demand-forecasting methods (moving averages, exponential smoothing or ARIMA) work well under stable conditions but lose accuracy when demand is volatile or follows non-linear patterns, as is the case with fresh products. The economic analysis, supported by PESTEL and Porter’s Five Forces, shows that this segment is underserved and that a business opportunity exists. On this basis, this thesis proposes a SaaS machine-learning solution that combines the supermarket’s internal data (sales, stock, promotions) with external factors (weather, calendar and seasonality) to anticipate demand for each product in each store and period.

The viability of the business is tested with a 10-year financial model. With a CAPEX of €25k, the project recovers its investment in 4,1 years and reaches an NPV of +€137k and an IRR of 40% For the client, a medium-size supermarket could save €29k a year, recovering around 36 times the cost of the subscription.