Cas d'estudi: com una empresa de retail va reduir un 40% els costos operatius amb automatització i IA

Quan una empresa de retail de mida mitjana amb 12 botigues i una plataforma d'e-commerce va venir a nosaltres, el seu equip d'operacions estava desbordat. Processos manuals que funcionaven amb 3 botigues es trencaven amb 12. El creixement generava caos, no beneficis.

Sis mesos despres, els seus costos operatius havien baixat un 40%, l'equip feia feina de mes valor afegit i per primera vegada tenien visibilitat en temps real de tot el negoci.

Aqui expliquem exactament que vam fer.

El punt de partida

L'empresa

• Sector: Moda retail (botigues fisiques + e-commerce)
• Mida: 12 botigues, ~150 empleats, 15M€ de facturació anual
• Creixement: Expansió de 5 a 12 botigues en 18 mesos
• Stack tecnologic: Shopify (e-commerce), un sistema TPV legacy, QuickBooks, Excel (molt d'Excel)

Els problemes

1. La gestió d'inventari era un malson

Amb 12 botigues mes e-commerce, l'inventari estava escampat per tot arreu. L'equip dedicava mes de 20 hores setmanals a conciliar manualment l'estoc entre ubicacions. Les ruptures d'estoc els costaven unes 200K€/any en vendes perdudes. L'excedent d'estoc en algunes ubicacions suposava 300K€ de capital immobilitzat en producte de baixa rotació.

2. L'atenció al client no donava l'abast

El seu equip d'atenció al client de 4 persones gestionava ~800 tickets per setmana. El 60% eren preguntes repetitives: estat de comanda, politica de devolucions, informació de talles. El temps de resposta mitja era de 18 hores — massa lent per a e-commerce.

3. Els informes eren manuals i poc fiables

Cada dilluns, el responsable d'operacions passava tot el mati traient dades de 5 sistemes diferents per crear un informe setmanal. Els numeros sovint eren inconsistents perque cada sistema definia les metriques de manera diferent.

4. L'obertura de noves botigues era lenta

Obrir una nova botiga requeria 3 setmanes de configuració manual: assignació inicial d'inventari, planificació de torns, configuració del TPV i proves d'integració. Aquest coll d'ampolla limitava el seu creixement.

La solució: un enfocament en tres fases

Vam dissenyar una solució al voltant de tres automatitzacions centrals, implementades de manera incremental al llarg de 6 mesos.

Fase 1: Gestió intel·ligent d'inventari (Setmanes 1-8)

Que vam construir:

• Un data pipeline centralitzat que sincronitzava les dades d'inventari dels 12 terminals TPV i Shopify en temps real
• Un model de previsió de demanda amb IA que predia vendes per SKU, per botiga i per setmana
• Un sistema de reassignació automatitzat que suggeria (i mes tard executava) transferencies entre botigues

Enfocament tecnic:

• Ingestió de dades: connectors personalitzats sincronitzant TPV i Shopify a BigQuery cada 15 minuts
• Previsió: model XGBoost entrenat amb 2 anys de dades de vendes, incorporant estacionalitat, promocions i esdeveniments locals
• Orquestració: workflows n8n que generaven ordres de transferencia i recomanacions de compra

Resultats despres de la Fase 1:

• Ruptures d'estoc reduides un 65%
• Excedent d'estoc reduit un 45%
• Conciliació manual d'inventari: de 20 hores/setmana a 2 hores/setmana
• Recuperació estimada d'ingressos: 130K€/any per ruptures d'estoc evitades

Fase 2: Atenció al client amb IA (Setmanes 6-14)

Que vam construir:

• Un chatbot amb IA (basat en Claude) que gestionava el 60% de les consultes repetitives
• Enrutament intel·ligent de tickets que categoritzava i prioritzava els correus entrants
• Una base de coneixement que la IA utilitzava per respondre preguntes amb precisió

Enfocament tecnic:

• Integració amb el seu helpdesk (Zendesk) via API
• Construcció d'un sistema de generació augmentada per recuperació (RAG) utilitzant el cataleg de productes, la politica de devolucions, informació d'enviaments i la base de dades de comandes
• Activadors d'escalada humana: detecció de sentiment, sol·licituds complexes, clients VIP

Resultats despres de la Fase 2:

• El 55% de les consultes resoltes sense intervenció humana
• Temps de resposta mitja: de 18 hores a 3 minuts (IA) / 4 hores (huma)
• Puntuació de satisfacció del client: millora de 3,8 a 4,4 sobre 5
• Equip de suport reassignat a tasques proactives d'exit del client

Fase 3: Informes i analisi automatitzats (Setmanes 12-20)

Que vam construir:

• Un data warehouse unificat que combinava dades de tots els sistemes (TPV, Shopify, QuickBooks, Zendesk)
• Informes diaris automatitzats amb insights en llenguatge natural
• Dashboards en temps real per als responsables de botiga i la direcció

Enfocament tecnic:

• Data stack: Airbyte (ingestió) → BigQuery (warehouse) → dbt (transformació) → Metabase (visualització)
• Informes diaris automatitzats generats per un pipeline que combinava agregacions SQL amb resums escrits per IA
• Alertes per anomalies: patrons de vendes inusuals, discrepancies d'inventari, pics d'atenció al client

Resultats despres de la Fase 3:

• Informes setmanals: de 8 hores a 0 hores (totalment automatitzats)
• La direcció te acces en temps real als KPIs de totes les botigues
• Els responsables de botiga reben resums diaris de rendiment per Slack
• La detecció d'anomalies va identificar 3 problemes significatius el primer mes que haurien passat desapercebuts

Els numeros

Abans vs. Despres

Impacte en costos

• Estalvi directe en ma d'obra: 180K€/any (inventari, atenció al client, hores d'informes)
• Recuperació d'ingressos: 130K€/any (ruptures d'estoc evitades)
• Millora del flux de caixa: 135K€ puntual (reducció d'excedent d'estoc)
• Impacte total el primer any: ~445K€
• Inversió del projecte: 85K€ (implementació) + 1,5K€/mes (infraestructura)
• ROI: 5,2x el primer any

Costos operatius reduïts un 40%

L'efecte combinat de l'automatització en inventari, atenció al client i informes va reduir la despesa operativa total d'1,1M€/any a 660K€/any — una reducció del 40%.

Lliçons clau

1. Comença per les dades, no per la IA

Les primeres 3 setmanes van ser integrament dedicades a fer que les dades fluguessin de manera fiable des de tots els sistemes cap a un sol lloc. Sense dades netes i unificades, cap model d'IA hauria funcionat.

2. L'huma en el bucle es essencial al principi

El chatbot d'IA va començar en "mode suggeriment" — redactant respostes per a revisió humana. Aixo va generar confianca a l'equip d'atenció al client i va permetre detectar casos limits. Despres de 4 setmanes, vam passar a enviament automatic per a respostes d'alta confianca.

3. Els guanys rapids generen impuls

L'automatització de la conciliació d'inventari (Fase 1, Setmana 3) va ser la primera victoria. Quan l'equip d'operacions va veure com desapareixien 20 hores de feina manual, el suport per a la resta del projecte va ser immediat.

4. La gestió del canvi importa tant com la tecnologia

Dos responsables de botiga van resistir-se inicialment als nous dashboards. Vam dedicar temps a entendre el seu flux de treball i personalitzar les vistes per mostrar exactament el que necessitaven. L'adopció va arribar de forma natural quan els dashboards els estalviaven temps en comptes d'afegir fricció.

5. Construeix pensant en el manteniment

Cada automatització te documentació, monitoratge i alertes. Quan alguna cosa falla (i fallara), la solució hauria de trigar minuts, no dies. Tambe vam formar el seu equip d'IT intern per gestionar i ampliar el sistema.

L'stack tecnologic

Propers passos

L'empresa ara esta planificant:

• Marketing personalitzat: recomanacions de producte basades en IA segons l'historial de compres
• Preus dinàmics: ajustar preus segons la demanda, la competencia i els nivells d'inventari
• Automatització de l'expansió: guia simplificada per obrir noves botigues amb configuració automatitzada

Cadascun d'aquests projectes es construeix sobre les bases de dades i IA que vam establir durant els primers 6 mesos.

T'enfrontes a reptes similars? Reserva una sessió d'estrategia gratuita — analitzarem les teves operacions, identificarem oportunitats d'automatització i et mostrarem un full de ruta realista amb el retorn projectat.