Saltar al contenido principal

Guía de configuración rápida

Poned en marcha Eaternity Forecast en vuestra cocina en cuatro sencillos pasos. Esta guía cubre el proceso de configuración desde el contacto inicial hasta la recepción de vuestras primeras predicciones.

Visión general​

Cronograma​

FaseDuraciónActividades clave
Configuración1-2 semanasIntegración, importación de datos, configuración
Entrenamiento1-2 semanasLa red neuronal aprende vuestros patrones
Pruebas1 semanaValidar predicciones, recopilar comentarios
ProducciónContinuoPredicciones diarias para planificación

Tiempo total hasta las primeras predicciones: 2-4 semanas dependiendo del método de integración

Requisitos previos​

Antes de comenzar, aseguraos de tener:

  • ✅ Identificado vuestro sistema de punto de venta/planificación de recursos empresariales y el método de acceso a datos
  • ✅ Designada una persona de contacto del equipo
  • ✅ Confirmados al menos 30 días de datos históricos de ventas disponibles
  • ✅ Contactado con Eaternity para comenzar la incorporación

Paso 1: Integración del sistema​

Elegid vuestro método de integración según vuestra configuración técnica.

Opción A: Integración con Necta (la más rápida)​

Ideal para: Clientes existentes de Necta

Proceso de configuración:

  1. Contactad con el gestor de cuenta de Necta

    Asunto del correo: "Activar integración de Eaternity Forecast"
    Incluir: Nombre de vuestra empresa e identificador de cuenta de Necta

  2. Configuración de Eaternity

    • Nuestro equipo recibe notificación de Necta
    • Configuramos la conexión (no se requiere ninguna acción por vuestra parte)
    • Los datos históricos se importan automáticamente de la base de datos de Necta

  3. Verificación

    • Recibís un correo de confirmación cuando la conexión está activa
    • Iniciad sesión en Necta para verificar que aparece el módulo Forecast
    • El estado de importación de datos históricos es visible en el panel de control

Cronograma: 3-5 días laborables

Opción B: Integración directa mediante interfaz de programación de aplicaciones​

Ideal para: Sistemas personalizados de punto de venta/planificación de recursos empresariales con recursos técnicos

Proceso de configuración:

  1. Revisar la documentación de la interfaz de programación de aplicaciones

  2. Implementar puntos finales de datos

    Crear puntos finales para:

    Exportación de datos de ventas (Obligatorio):

    POST /api/forecast/sales
    {
      "date": "2024-01-15",
      "items": [
        {
          "name": "Pasta Carbonara",
          "quantity": 45,
          "service_period": "lunch",
          "category": "Main Course"
        }
      ]
    }

    Importación de datos históricos (Configuración inicial):

    POST /api/forecast/sales/bulk
    {
      "start_date": "2023-10-01",
      "end_date": "2024-01-15",
      "items": [...]
    }

  3. Configuración de autenticación

    Coordinad con el equipo de Eaternity:

    • Recibid credenciales de interfaz de programación de aplicaciones
    • Configurad autenticación OAuth 2.0 o clave de interfaz de programación de aplicaciones
    • Probad la conexión con el entorno de pruebas

  4. Pruebas

    Validar integración:

    # Probar autenticación
    curl -X POST https://api.eaternity.org/v1/forecast/auth \
      -H "Content-Type: application/json" \
      -d '{"api_key": "your_api_key"}'

    # Probar envío de datos de ventas
    curl -X POST https://api.eaternity.org/v1/forecast/sales \
      -H "Authorization: Bearer your_token" \
      -H "Content-Type: application/json" \
      -d '{"date": "2024-01-15", "items": [...]}'

  5. Importación de datos históricos

    Importar en masa vuestros datos históricos:

    • Exportad datos de ventas de vuestro punto de venta/planificación de recursos empresariales (CSV, JSON o Excel)
    • Transformad al formato requerido usando los scripts proporcionados
    • Enviad a través del punto final de importación masiva
    • Monitorizad el progreso de importación en el panel de control

Cronograma: 2-4 semanas dependiendo de la complejidad

Opción C: Carga manual​

Ideal para: Fase de configuración inicial u operaciones más pequeñas

Proceso de configuración:

  1. Descargar plantilla de datos

    Solicitad la plantilla al soporte de Eaternity:

    • Hoja de cálculo Excel con campos obligatorios
    • Datos de ejemplo para referencia
    • Fórmulas de validación para verificar la calidad de los datos

  2. Exportar datos de ventas del punto de venta

    Extraer datos históricos:

    • Mínimo 30 días (más de 90 días recomendado)
    • Cantidades a nivel de artículo, no solo ingresos
    • Marcas de tiempo de fecha para cada transacción

  3. Formatear datos

    Columnas requeridas:

    date | item_name | quantity_sold | service_period | price | category

    Ejemplo:

    2024-01-15,Pasta Carbonara,45,lunch,14.50,Main Course
    2024-01-15,Caesar Salad,32,lunch,9.00,Starter
    2024-01-15,Grilled Salmon,28,lunch,18.50,Main Course

  4. Subir al portal

    • Acceded al portal de carga seguro (enlace proporcionado por el coordinador)
    • Subid el archivo CSV/Excel formateado
    • Verificad la vista previa de datos antes de confirmar
    • Recibid correo de confirmación cuando el procesamiento esté completo

  5. Configurar cargas recurrentes

    Para predicciones continuas:

    • Programa de carga semanal (se recomienda los lunes)
    • Exportad los datos de ventas de la semana anterior
    • Cargad a través del portal o protocolo seguro de transferencia de archivos
    • 15-30 minutos por semana

Cronograma: 1 semana para la configuración inicial

Paso 2: Importación de datos históricos​

Preparación de datos​

Verificar la calidad de los datos:

Ejecutad estas comprobaciones antes de importar:

✅ Comprobación de integridad:

  • Sin fechas faltantes en el rango
  • Todos los artículos del menú rastreados de forma consistente
  • Períodos de servicio claramente etiquetados

✅ Comprobación de precisión:

  • Las cantidades coinciden con las porciones reales servidas
  • Las marcas de tiempo de fecha son correctas (cuidado con problemas de zona horaria)
  • Sin entradas duplicadas para el mismo artículo/fecha

✅ Comprobación de consistencia:

  • Mismos nombres de artículos en todas las fechas
  • Nombres de categorías estandarizados
  • Etiquetas de período de servicio consistentes

Ejemplo de comprobación de calidad:

import pandas as pd

# Cargar vuestros datos
df = pd.read_csv('sales_data.csv')

# Comprobar fechas faltantes
date_range = pd.date_range(start=df['date'].min(), end=df['date'].max())
missing_dates = date_range.difference(pd.to_datetime(df['date']))
print(f"Fechas faltantes: {missing_dates}")

# Comprobar nombres de artículos inconsistentes
item_variations = df.groupby('item_name')['item_name'].count()
print(f"Total de artículos únicos: {len(item_variations)}")

# Comprobar entradas duplicadas
duplicates = df[df.duplicated(['date', 'item_name', 'service_period'])]
print(f"Entradas duplicadas: {len(duplicates)}")

Proceso de importación​

  1. Enviar datos históricos

    Mediante vuestro método elegido:

    • Necta: Importación automática desde datos existentes
    • Interfaz de programación de aplicaciones: Punto final de importación masiva
    • Manual: Portal de carga

  2. Validación de datos

    El equipo de Eaternity revisa:

    • Conformidad del formato de datos
    • Métricas de calidad
    • Evaluación de integridad
    • Cualquier anomalía o problema

  3. Recibir informe de validación

    En 2 días laborables:

    • Puntuación de calidad de datos
    • Problemas encontrados y recomendaciones
    • Aprobación para proceder o solicitudes de correcciones

  4. Correcciones (si es necesario)

    Abordar cualquier problema:

    • Reformatear datos según los comentarios
    • Completar información faltante
    • Resolver inconsistencias
    • Volver a enviar para validación

Volumen de datos esperado​

Mínimo para entrenamiento básico:

  • 30 días de datos históricos
  • Todos los artículos del menú rastreados
  • Al menos 50 cubiertos/día de media

Recomendado para entrenamiento óptimo:

  • Más de 90 días de datos históricos
  • Variación estacional representada
  • Eventos especiales y festivos incluidos

Ideal para precisión avanzada:

  • Más de 180 días (6 meses)
  • Ciclo estacional completo
  • Datos meteorológicos disponibles
  • Calendario de eventos incluido

Paso 3: Entrenamiento del modelo​

Proceso de entrenamiento​

Una vez importados los datos históricos, el entrenamiento de la red neuronal comienza automáticamente.

Fase 1: Reconocimiento inicial de patrones (Días 1-3)

El modelo aprende:

  • Patrones diarios básicos
  • Tendencias de popularidad de artículos
  • Diferencias de períodos de servicio
  • Variaciones de día de la semana

Fase 2: Aprendizaje avanzado de características (Días 4-7)

El modelo identifica:

  • Ciclos semanales y mensuales
  • Tendencias estacionales (si hay datos suficientes)
  • Correlaciones meteorológicas
  • Patrones de impacto de eventos

Fase 3: Optimización (Días 8-14)

El modelo refina:

  • Precisión de predicción
  • Calibración del intervalo de confianza
  • Manejo de valores atípicos
  • Adaptación a cambios de menú

Monitorización del entrenamiento​

Panel de progreso:

Acceded al estado del entrenamiento a través de:

  • Actualizaciones por correo electrónico (resumen diario)
  • Interfaz del panel de control (tiempo real)
  • Notificaciones de Slack (opcional)

Métricas clave mostradas:

  • Porcentaje de progreso del entrenamiento
  • Precisión actual en el conjunto de validación
  • Fecha de finalización esperada
  • Cualquier problema o advertencia

Ejemplo de informe de entrenamiento:

Progreso del entrenamiento: 65% completado
Error porcentual absoluto medio actual: 18,2% (objetivo: menos del 15%)
Artículos entrenados: 42/65
Finalización esperada: 25-01-2024
Estado: En camino

Qué sucede durante el entrenamiento​

No necesitáis hacer nada, pero entended lo que está pasando:

  1. Preprocesamiento de datos

    • Normalización de cantidades
    • Extracción de características (día de la semana, estacionalidad, tendencias)
    • Integración de datos meteorológicos
    • Alineación del calendario de eventos

  2. Configuración de la arquitectura del modelo

    • Capas de transformadores configuradas
    • Mecanismos de atención inicializados
    • Codificación temporal establecida
    • Procesamiento multicapa preparado

  3. Iteraciones de entrenamiento

    • El modelo aprende de patrones históricos
    • Validación contra datos reservados
    • Optimización de hiperparámetros
    • Regularización para evitar sobreajuste

  4. Validación de precisión

    • Comparación con el punto de referencia del pronosticador humano
    • Calibración del intervalo de confianza
    • Análisis de errores e identificación de patrones
    • Selección final del modelo

Paso 4: Comenzar a pronosticar​

Primeras predicciones​

Cronograma: 2-4 semanas después de comenzar la configuración

Notificación:

  • Alerta por correo electrónico cuando las primeras predicciones están listas
  • El panel de control muestra estado "Activo"
  • Predicciones disponibles a través de interfaz de programación de aplicaciones o interfaz

Conjunto de predicción inicial:

  • Próximos 7 días pronosticados
  • Todos los artículos del menú activos incluidos
  • Intervalos de confianza para cada predicción
  • Métricas de precisión histórica mostradas

Acceder a las predicciones​

A través de la interfaz de Necta (Clientes de Necta):

  1. Iniciad sesión en el módulo de planificación de Necta
  2. Navegad a la sección "Previsión de demanda"
  3. Ved las predicciones diarias por artículo
  4. Exportad a hojas de cálculo de planificación

A través de interfaz de programación de aplicaciones (Integraciones personalizadas):

# Obtener predicciones para fecha específica
curl -X GET "https://api.eaternity.org/v1/forecast/predictions?date=2024-01-20" \
  -H "Authorization: Bearer your_token"

# Respuesta
{
  "date": "2024-01-20",
  "day_of_week": "Saturday",
  "predictions": [
    {
      "item_name": "Pasta Carbonara",
      "predicted_quantity": 52,
      "confidence_interval": {
        "lower": 45,
        "upper": 59
      },
      "accuracy_last_30_days": 92.3
    }
  ]
}

A través del panel de control (Acceso manual):

  1. Iniciad sesión en el panel de control de Forecast
  2. Seleccionad el rango de fechas
  3. Ved la tabla de predicciones
  4. Descargad la exportación en formato CSV

Comprender vuestras primeras predicciones​

Componentes de la predicción:

Cada pronóstico incluye:

  1. Cantidad predicha: Número más probable de porciones
  2. Intervalo de confianza: Rango de demanda esperada (límite inferior a superior)
  3. Métrica de precisión: Cuán fiables han sido las predicciones recientemente
  4. Factores: Factores clave (clima, día de la semana, eventos)

Ejemplo de predicción:

Artículo: Pasta Carbonara
Fecha: Sábado, 20 de enero de 2024
Cantidad predicha: 52 porciones

Intervalo de confianza: 45-59 porciones
  - Límite inferior (percentil 10): 45
  - Límite superior (percentil 90): 59
  - Nivel de confianza: 80%

Precisión histórica: 92,3% (últimos 30 días)

Factores clave:
  - Fin de semana (sábado): +20% frente a la media de días laborables
  - Temperatura: 8°C (demanda normal de invierno)
  - No se detectaron eventos especiales

Más información sobre intervalos de confianza →

Integración del flujo de trabajo diario​

Proceso recomendado:

  1. Revisión matutina (5-10 minutos)

    • Comprobad las ventas finales de hoy frente a la predicción de ayer
    • Revisad el pronóstico de mañana
    • Anotad cualquier variación sorprendente

  2. Planificación (15-20 minutos)

    • Usad las predicciones para pedidos de ingredientes
    • Ajustad las cantidades de preparación según los pronósticos
    • Considerad los intervalos de confianza para la planificación del margen de reserva

  3. Comentarios (opcional, 2-3 minutos)

    • Anotad cualquier factor no previsto (eventos inesperados, cambios meteorológicos)
    • Informad de errores de predicción superiores al 30% para ayudar a mejorar el modelo
    • Enviad comentarios a través del panel de control o por correo electrónico

Ved la Guía de implementación para el flujo de trabajo detallado →

Fase de validación y pruebas​

Semana 1: Modo de observación​

Objetivo: Comprender cómo se comparan las predicciones con vuestro pronóstico actual

Actividades:

  • Revisad las predicciones diarias pero no cambiéis el proceso actual todavía
  • Comparad las predicciones de Forecast con vuestros pronósticos existentes
  • Anotad cualquier patrón o sorpresa
  • Rastrear la precisión de las predicciones

Métricas a rastrear:

| Artículo      | Real | Vuestro pronóstico | Pronóstico IA | Vuestro error | Error IA |
|---------------|------|-------------------|---------------|--------------|----------|
| Pasta Carb.   | 48   | 55                | 52            | +14,6%       | +8,3%    |
| Ensalada César| 30   | 28                | 31            | -6,7%        | +3,3%    |

Semana 2: Enfoque híbrido​

Objetivo: Comenzar a incorporar predicciones en la planificación

Actividades:

  • Usad las predicciones para el 25-50% de los artículos del menú
  • Mantened el pronóstico manual para artículos de alto riesgo inicialmente
  • Comparad los resultados entre pronósticos manuales y de inteligencia artificial
  • Desarrollad confianza en la precisión de las predicciones

Formación del equipo:

  • Revisad los intervalos de confianza con el personal de cocina
  • Discutid cómo manejar los límites superior/inferior
  • Practicad el ajuste para factores conocidos que no están en los datos

Semana 3-4: Despliegue completo​

Objetivo: Usar predicciones para todos los artículos del menú

Actividades:

  • Confiad en las predicciones para la planificación diaria
  • Usad los intervalos de confianza para decisiones de margen de reserva
  • Rastrear la reducción real de desperdicios
  • Calcular el ahorro de costes

Indicadores de éxito:

  • Reducción de la sobreproducción
  • Calidad de servicio mantenida (sin agotamientos de existencias)
  • Tiempo ahorrado en pronósticos manuales
  • Confianza del equipo en el uso del sistema

Resolución de problemas de configuración​

ProblemaSolución rápida
Falla la importación de datosVerificad codificación UTF-8, fechas en formato AAAA-MM-DD, sin filas en blanco
Falla la autenticación de interfaz de programación de aplicacionesVerificad que la clave de interfaz de programación de aplicaciones no tenga espacios extra, usad HTTPS
Las predicciones parecen imprecisasAsegurad más de 30 días de datos, permitid 2 semanas de entrenamiento
No aparece la integración de NectaBorrad la caché, verificad la activación del módulo con Necta

Para soluciones detalladas, ved Resolución de problemas de integración.

Obtener ayuda​

Correo electrónico: forecast@eaternity.org

Tipo de problemaTiempo de respuesta
Crítico (sistema caído)4 horas
Problemas de integración24 horas
Preguntas sobre datos/funcionalidades48 horas - 1 semana

Lista de verificación: Configuración completa​

✅ Integración

  • Conexión con punto de venta/planificación de recursos empresariales establecida
  • Autenticación configurada y probada
  • Flujo de datos verificado

✅ Datos históricos

  • Mínimo 30 días importados
  • Validación de datos aprobada
  • Puntuación de calidad superior al 80%

✅ Entrenamiento

  • Entrenamiento de red neuronal completado (100%)
  • Precisión de validación cumple los objetivos
  • Todos los artículos del menú entrenados

✅ Predicciones

  • Primeras predicciones recibidas
  • El equipo puede acceder a través de interfaz o interfaz de programación de aplicaciones
  • Intervalos de confianza comprendidos

✅ Preparación del equipo

  • Persona de contacto formada
  • Personal de cocina informado sobre el uso de predicciones
  • Integración del flujo de trabajo planificada
  • Proceso de comentarios establecido

Próximos pasos​

Una vez completada la configuración:

  1. Comenzar el uso diario

    • Incorporad las predicciones en el flujo de trabajo de planificación
    • Rastrear la precisión y la reducción del desperdicio de alimentos
    • Informad de cualquier problema o resultado inesperado

  2. Proporcionar comentarios

    • Programad la primera llamada de seguimiento mensual
    • Compartid observaciones y preguntas tempranas
    • Sugerid mejoras o solicitudes de funcionalidades

  3. Optimizar el uso

  4. Monitorizar el rendimiento

    • Rastrear el ahorro de costes de la reducción de desperdicios
    • Medir el tiempo ahorrado frente al pronóstico manual
    • Documentar historias de éxito para caso de estudio

Ved también​