Una de las embotelladoras de bebidas más grandes del mundo pone el machine learning a trabajar en distintas áreas del negocio, y así da a sus equipos de ventas de campo, marketing y comerciales una dirección más clara en el día a día.
El resultado es una organización más eficaz y eficiente, con Wizeline como socio. Nuestros ingenieros de datos y machine learning diseñan y ponen en producción piezas clave de esa fábrica de IA, ayudan a automatizar la producción de modelos y actúan como socios que dan su opinión sobre el rumbo que la empresa le dará a la IA.
DE UN VISTAZO
- Industria: Bienes de consumo empacados, embotellado y distribución de bebidas
- Desafío: Lograr que una organización con IA madura produzca mejores modelos más rápido, para que quienes venden, fijan precios y hacen promociones entiendan mejor su trabajo
- Oferta de Wizeline: Equipos integrados de ingeniería de datos, machine learning, IA y diseño de producto que trabajan dentro del área de crecimiento del cliente
- Resultados destacados: Cerca de 60 Wizeliners en la cuenta, frente a uno en enero de 2025. Un agente que creó el equipo redujo de semanas a días la creación de features para los modelos. Demos interactivas en la feria interna de IA de la empresa.
LA FÁBRICA DE IA DE LA EMBOTELLADORA LE DA A SU GENTE MEJOR INFORMACIÓN PARA ORIENTAR SU TRABAJO
Como es de esperar, los ingresos de una embotelladora dependen de miles de momentos pequeños. Un vendedor en una tienda de barrio que decide qué ofrecer, el dueño de una tienda que hace el pedido de la próxima semana, un equipo de marketing que elige cuándo lanzar una promoción, el empaque, la ubicación en el punto de venta, todos los matices de la logística y mucho más.
Con buen criterio, nuestro cliente se obsesiona con estos momentos. Para que el negocio funcione lo mejor posible, cada uno de esos momentos debería apoyarse en la mejor información posible, así que se propuso construir lo que sus equipos llaman una «fábrica de IA».
Casi todo lo que produce la fábrica son herramientas para el personal y las áreas internas de la embotelladora.
Por ejemplo, las misiones guiadas le dan a la fuerza de ventas de campo unos pocos objetivos para cada visita, a partir de lo que vende esa tienda en particular y de lo que probablemente va a necesitar. Los pedidos sugeridos aparecen en la app de pedidos del comercio, calculados según el ritmo de consumo y la estacionalidad.
Las herramientas de revenue growth management les dicen a los equipos de marketing y comerciales cuándo es probable que una promoción, una campaña o un cambio de precio dé resultado. El reconocimiento de imágenes analiza fotos de los refrigeradores de las tiendas para confirmar que los productos estén donde los compradores de verdad los van a ver. Y los asistentes conversacionales permiten que los empleados le hagan preguntas a los datos de la empresa en lenguaje sencillo.
Cada una de estas herramientas sale de la misma línea de producción de IA. Lo que podría considerarse la «última etapa» de esa línea es lo que hace que la fábrica mejore con el tiempo. Cada proyecto se vincula con métricas North Star de go-to-market, atención al cliente, crecimiento y desempeño. Equipos específicos de pruebas y evaluación (la última etapa de la línea) hacen pruebas A/B para empezar a medir el retorno real de cada inversión en IA.
Como esas pruebas son continuas, cada ciclo le da al siguiente modelo mejor evidencia para aprender, y la eficiencia se acumula en vez de volver a cero con cada proyecto.
CÓMO FUNCIONA LA FÁBRICA
Feature store. Los ingenieros de datos convierten datos crudos en features de datos: los KPIs y elementos de datos de los que puede aprender un modelo de machine learning.
Entrenamiento de modelos. Esas features entrenan modelos de segmentación, predicción y optimización.
Despliegue. Los modelos entrenados se publican como APIs y se integran en las aplicaciones de ventas, pedidos y planificación que los llaman.
Medición. Los resultados se prueban contra métricas de negocio y alimentan el siguiente ciclo.
CAPAS DE APRENDIZAJE: CÓMO LOS INGENIEROS DE DATOS E IA/ML DE WIZELINE HICIERON QUE LA FÁBRICA PRODUJERA NUEVOS MODELOS MÁS RÁPIDO
Nuestro cliente, la embotelladora, podría considerarse un «usuario avanzado de IA».
Tiene en su plantilla a matemáticos y especialistas en machine learning que prefieren entrenar sus propios modelos en lugar de depender de librerías listas para usar, así que los ingenieros de datos e IA de Wizeline trabajan con ese mismo estándar.
Heriberto Perez Peñuelas, nuestro director de tecnología en la cuenta, agrupa los modelos en tres familias. «Los modelos de segmentación [podrían] clasificar una base de clientes en niveles específicos, como VIP y estándar. Los modelos de predicción podrían leer datos de tendencia y estacionalidad para pronosticar el comportamiento de compra de los próximos meses. Los modelos de optimización simulan escenarios reales para responder preguntas como qué tamaño de flota se necesita para abastecer a cierto grupo de clientes en una zona geográfica.»
Los tres tipos de modelo dependen del feature store que los hace posibles, y en él concentró nuestro equipo su trabajo de I+D.
Además de entregar productos, los ingenieros de Wizeline se propusieron crear herramientas y técnicas que mejoraran la forma en que la fábrica produce modelos. El machine learning sigue haciendo la mayor parte del trabajo de la fábrica, pero ahora la IA moderna y los agentes automatizan parte de la construcción de ese mismo machine learning. Perez Peñuelas los llama «agentes que pueden tener un impacto [exponencial] en el negocio[, al enfocarse en los propios modelos de machine learning]», una forma de verlo que comparten también los líderes de negocio del lado del cliente.
DENTRO DE LA I+D: CINCO COSAS QUE CREÓ EL EQUIPO
Un agente para crear features. Una «feature» es, en esencia, un elemento de datos curado del que aprende un modelo, como cuánto suele vender una tienda de cada marca de bebida o la estructura de precios y promociones que orienta una nueva campaña. Los datos crudos se convierten en features de primera generación, que se combinan en features de segunda generación. Armar un conjunto de cinco le tomaba semanas al equipo. El agente lo hace en días.
Enrutamiento de consultas para «habla con tus datos». En lugar de mandar cada pregunta a un sistema de generación aumentada por recuperación (RAG), el asistente primero usa procesamiento de lenguaje para entender qué se le pregunta y luego elige una consulta SQL directa, una búsqueda RAG u otro método.
Decisiones gobernadas a partir de una ontología. El equipo trabaja para basar las decisiones automatizadas en una ontología del negocio con reglas de gobierno, y no en una herramienta genérica, porque las decisiones de precios y abastecimiento de la embotelladora son críticas para el negocio y deben poder auditarse y explicarse.
Un estándar para construir modelos. Un framework que fija cómo se construye y documenta cada modelo: su funcionalidad, las librerías que usa y su lógica de negocio.
Un juego para entender la fábrica. Para la feria interna de IA de la empresa, el equipo creó un juego de dimensionamiento de flota en el que los jugadores entregan un número fijo de cajas en un tiempo límite y equilibran el tamaño de la flota con el costo. El personal de negocio aprende el machine learning que hay detrás de las predicciones, y los ingenieros aprenden los KPIs que sigue el negocio.
EL EQUIPO ACTÚA COMO UN SOCIO CON CRITERIO PROPIO. ES PARTE DE SU CULTURA, Y ASÍ WIZELINE SUBIÓ LA VARA.
A medida que el equipo trabajaba en cada vez más proyectos, empezó a ver la línea de producción misma como algo que podía mejorar.
«Como hemos participado en todos estos proyectos, se nos han ocurrido ideas para hacer más eficaz esta cadena de procesos», dijo Perez Peñuelas. «Hemos ideado estándares y agentes que automatizan parte de esta línea de producción.»
El framework para construir modelos es el ejemplo más claro. El equipo lo propuso por iniciativa propia, a partir de prácticas que los Wizeliners habían visto funcionar en otras empresas.
Proponer cambios en la forma de trabajar de un cliente tan sofisticado generó resistencia al principio. «Cuando empezamos, fue muy difícil y había resistencia, pero nos ganamos su confianza simplemente haciendo un gran trabajo [de forma constante en este ámbito]», dijo Fer Rosas Mercado, responsable de delivery de Wizeline. Hoy el cliente le da al equipo margen para decidir cómo llegar a un resultado y espera que el equipo lo plantee cuando vea un camino mejor.
«Si estuviera en una cena [y quisiera explicar lo genial que es esta alianza], de eso hablaría: no de todos estos proyectos por separado, sino de cómo estamos mejorando el funcionamiento interno de esa fábrica de IA.»
Esa confianza también se nota en cómo la embotelladora presenta la IA al resto de la empresa.
Hace poco, el área de datos y analítica organizó una feria interna de IA abierta a toda la organización. Ahí, los equipos de Wizeline en la fábrica de IA presentaron demos interactivas de dimensionamiento de flota, reconocimiento de imágenes y asistentes conversacionales. Demos como el juego de dimensionamiento de flota convierten la I+D de la fábrica en algo concreto que el personal de negocio puede probar por sí mismo.
Los directivos de Wizeline también presentan al cliente los avances del programa y hacia dónde creen que debería ir la IA de la embotelladora.
LA CLAVE DEL ÉXITO ES QUE EL EQUIPO SE ELIGE POR SU "CAPACIDAD DE STORYTELLING", Y PASÓ DE UN INGENIERO A CERCA DE 60
Cuando la embotelladora empezó a trabajar con Wizeline, nos esforzamos por darle algo más que capacidad técnica. «Quieren storytellers de verdad», dijo Rosas Mercado.
Por cultura, nuestro cliente espera que cada ingeniero entienda la épica de negocio que hay detrás del modelo o agente que construye, y que explique el trabajo según su impacto en el negocio. Ese requisito define la composición del equipo. Junto con machine learning, IA generativa para agentes, diseño de producto e ingeniería de datos, la cuenta depende de lo que Rosas Mercado llama «super skills»: storytelling, comunicación, autogestión y gestión del cambio a medida que los modelos pasan del sandbox a producción.
La relación empezó con un solo Wizeliner y llegó a 25 personas al cierre de su primer trimestre, durante un periodo intenso de construcción. Desde entonces se convirtió en un equipo más grande y estable que trabaja en toda la fábrica, desde la ingeniería de datos hasta las APIs que llaman las aplicaciones.
Hoy a los stakeholders del cliente les preocupa otra cosa: no perder a la gente de ese equipo, porque la consideran difícil de reemplazar.
CERCA DE 60 WIZELINERS
Integrados en el área de crecimiento de la embotelladora en septiembre de 2026, frente a un solo ingeniero en enero de 2025.
En los últimos dos años, casi todo lo que se ha escrito sobre IA empresarial se ha centrado en cómo empezar: qué pruebas de concepto hacer y cómo controlar su costo. Nuestro trabajo con esta embotelladora muestra lo que cambia cuando la IA ya forma parte de la operación diaria. Su gente depende de modelos todos los días, así que la velocidad y la disciplina de los equipos que producen esos modelos pasan a ser, en sí mismas, un límite para el negocio.
En eso encontró su lugar nuestro equipo.
Automatizamos la etapa más lenta de la línea de producción de la embotelladora y escribimos estándares para construir y documentar sus modelos. También explicamos el trabajo en términos de negocio y llevamos los avances de la fábrica al resto de la empresa con demos y presentaciones del liderazgo. Nada de eso reemplazó la experiencia del cliente. Al contrario, le dio a un equipo interno sólido más capacidad y una mirada externa sobre cómo se podía hacer el trabajo, y hoy la embotelladora espera que tengamos una postura y la defendamos.
Creemos que ese es el tipo de alianza que necesitan las organizaciones con IA madura. Si tu organización ya opera con IA y quieres que esa IA mejore con cada ciclo, busca un socio que trabaje tanto en la fábrica como en sus productos, y que te diga con claridad cuando hay una mejor forma de construir.
Wizeline integra equipos de ingeniería de datos y machine learning que construyen y mejoran sistemas de IA dentro de la operación de grandes empresas. Conoce las capacidades de ingeniería e IA de Wizeline o explora más historias de clientes.
