Innovación Con Adaptación En Las Ventas, Hacia Las Tiendas Inteligentes
Mar 22, 20216 minutes read
La última década ha venido marcada por una gran evolución tecnológica y con ello integrando grandes cambios en la manera como se venían desarrollando ciertas actividades, por ejemplo, las relaciones personales o la interacción de unos con otros, en el aspecto laboral se ha logrado implementar diversas tareas con gran éxito de manera remota, optimizar o automatizar procesos que normalmente nos puede demandar más complejidad; y así un sin número de actividades que por muy trivial o compleja que sea la tecnología ha llegado para inyectar el plus que nos dinamice el crecimiento.
En este caso particular nos vamos a detener un poco en el comercio online y físico, su auge y crecimiento junto con la tecnología.
Mantener la ventaja competitiva es una de las tareas más desafiantes de todos los gerentes o dueños de negocio, analizar todas las aristas del mercado y no sucumbir ante una mala decisión o un gigante que acapare el mercado son algunos de los retos que se deben enfrentar día a día.
Durante el reciente Congreso de Wharton sobre comercio titulado “Comercio Electrónico” uno de sus panelista habla sobre los recursos del medio móvil, las redes sociales e instrumentos de medición que juegan un papel muy importante en el presente y futuro del comercio. De acuerdo con Dave Larkins, vicepresidente de NetPlus Marketing de Conshohocken, en Pensilvania, y uno de los creadores de la cibertienda The Colony, "la movilidad será un elemento fundamental del comercio, más en caso de las compras online". La tecnología móvil no ha alcanzado su máximo potencial y su continua evolución adecua al comercio con mejores formas para dirigirse al cliente de forma personalizada, según donde viva o haga sus compras con regularidad, ofertas y promociones directas sobre productos de su interés. Por ejemplo las redes sociales de ámbito geográfico específico, como Foursquare, que piden simplemente a sus usuarios que compartan con los amigos sus preferencias de comercio, son consideradas otra forma de que las marcas entren en las comunidades, añadió.
El consumidor se adecuó a esperar ese valor añadido que le proporciona la marca de manera online, esa creatividad e integración con la que le brinda la precisa información del producto que necesita en los diferentes medios que frecuenta, aclarando dudas al instante y viendo experiencia de primera mano con reseñas de otros usuarios, además de diferentes mecanismos de pago o la facilidad del pago a un solo click.
Las tiendas físicas o negocios minoristas (retailers) ante este auge no pueden quedarse relegadas y una alternativa se viene preparando y ajustando para este tipo de tiendas físicas con una gran apuesta tecnológica e innovadora a la hora de hacer compras. El objetivo es automatizar las tiendas, instaurar tiendas sin cajeros ni molestas filas a la hora de pagar los artículos adquiridos, donde prime la comodidad, practicidad y el buen nombre de los clientes a la hora de hacer las compras.
Varias compañías en Europa, Asia y América especializadas en automatización de procesos por medio del Aprendizaje de máquina y la Inteligencia Artificial, vienen realizando fuertes alianzas comerciales poniendo a punto este tipo de tecnología.
Una de las primeras entregas de esta tecnología se estrenó en San Francisco, Donde en un área no menor a los 500 metros cuadrados una de estas tiendas, formada con diversos artículos de la canasta familiar, repartiendo 27 cámaras a lo largo del techo relacionadas con un software alimentado de gran cantidad de datos de comportamiento.
Los usuarios o compradores solo tendrían que descargar e instalar una aplicación móvil donde se registrarían, no más extraño que llenar datos personales y un registro de pago. La tienda no cuenta con chequeos en la entrada ni en la salida, las cámaras serán las encargadas de identificar al comprador, los artículos que toma, los que ojea y los que el mismo lleva consigo y su cuenta será automáticamente debitada cuando los compradores salgan de la tienda. Las cámaras van registrando los movimientos, velocidad, zancada y mirada de los compradores, la tienda sabe cuándo miro un póster y por cuánto tiempo, sabe si disminuyo la velocidad, agarró una barra de chocolate y la volvió a poner, sabe si está frente a los cereales, pero el rostro está puesta en las palomitas de maíz, en fin toda esta información puede llevar a predecir y prevenir un robo en las tiendas. Una vez que el sistema decida que ha detectado un posible comportamiento de robo, un empleado de la tienda recibirá un mensaje de texto y se conducirá a "una conversación o persuasión educada".
Walmart, el minorista más grande del mundo, 120 de las 4,700 tiendas estadounidenses, los compradores también pueden escanear artículos, incluyendo frutas y verduras, usando la cámara en sus teléfonos inteligentes y pagarlos usando los dispositivos. Cuando los clientes se retiran, un empleado verifica sus recibos y realiza una "verificación puntual" de los artículos que compró.
Los puntos de autopago han sido comunes en los supermercados y otras tiendas.
Sensores y herramientas de análisis predictivo para anticipar mejor cuándo se necesitarán más cajeros.
Sensores en los estantes ayudan a contar automáticamente las galletas, chips y refrescos que los compradores sacan y guardan en sus bolsas.
Los compradores escanean un código en sus teléfonos para ingresar y, una vez dentro, escanean los artículos que desean comprar. La tienda abre la puerta de salida después de haber pagado a través de sus teléfonos.
Por otro lado se puede pensar que el crecimiento la tecnología sin cajero podría perjudicar a la fuerza laboral; por ejemplo hay casi cinco millones de trabajadores de ventas minoristas en Estados Unidos. Pero como está concebido esta tecnología, lo principal no es buscar que los propietarios de tiendas reemplacen a los trabajadores. El objetivo es cambiarles el rol, potenciar esas funciones, sus trabajadores podrían deambular más por las tiendas, sumando calidad a la experiencia del cliente con la esperanza de atraerlos de vuelta al comercio minorista. La tecnología y estos grandes avances nos llaman a implementar nuevos servicios, haciendo que las compras sean más divertidas, innovadoras, hacer que valga la pena salir a comprar fuera de línea.
Estas empresas buscan poner al servicio de minoristas la tecnología para competir con los gigantes de la industria. Uno de ellos, AiFi, está trabajando en la tecnología de pago sin cajero que, según dice, será lo suficientemente flexible y asequible para que los minoristas familiares o más chicos y los puntos de venta grandes puedan usarla. En Estados Unidos, los capitalistas de riesgo han invertido 100 millones de dólares en la puesta en marcha de empresas de automatización en el sector minorista en cada uno de los dos últimos años, frente a los 64 millones de dólares en 2015, según Pitchbook, una empresa de datos financieros.
"Hay una sensación de fiebre del oro sobre esto", dijo Alan O'Herlihy, director ejecutivo de Everseen, una compañía irlandesa que trabaja con minoristas en tecnología de pago automatizado que utiliza inteligencia artificial.
La gestión de los inventarios es una realidad que viven los negocios que se dedican a la producción o comercialización de bienes tangibles y sus gerentes deben enfrentarse a diario al desafío de cómo gestionarlos de forma óptima, es decir garantizar la disponibilidad de bienes para atender la demanda de los clientes, pero al mismo tiempo mantener los niveles de inventarios en niveles razonables. UnplashLas empresas que optimizan sus inventarios logran beneficios como reducción de costos, recuperación de capital de trabajo, mejoras en ventas por reducción de agotados, fidelización de los clientes y menores pérdidas por daños u obsolescenciaUna forma de optimizar los inventarios es través de la mejora en los pronósticos de la demanda, lo que consiste en estimar la demanda futura probable para un producto o un servicio, usualmente esta actividad también es conocida con el término de planeación de la demanda, siendo esta última un proceso que comienza con los pronósticos pero no está limitada sólo a esto. En la medida en que una empresa aumenta los niveles de precisión de sus pronósticos, sus niveles de inventarios pueden ajustarse y puede percibir los beneficios de este cambioPara realizar procesos de pronósticos, han existidos por años los métodos estadísticos tradicionales y siguen siendo usados hoy en día, estos métodos usan datos del pasado para pronosticar el futuro (La práctica común es usar datos de dos o más años); se pueden construir series de tiempos para pronosticar ventas, aunque estos modelos no son del todo precisos debido a cambios en la demanda y la volatilidad del mercado. Es por eso que las actividades de realización de pronósticos están sido complementadas con técnicas de machine learningEs importante tener en consideración que no siempre se cuenta con toda la información para pronosticar todos los productos, por esto es importante determinar que tan viable es pronosticar con precisión un producto antes de iniciar un proyecto de este tipo. Se debe analizar que se disponga de los datos mínimos requeridos: Precios históricos y cantidades de ventasDirectorio de productos y tiendasCampañas de mercadeoExcedentesApoyándose en modelos estadísticos el aprendizaje automático usa fuentes de información externas e internas para realizar predicciones más precisas y basadas en datos. Los motores de machine learning pueden usar información como reportes de ventas, encuestas de mercadeo, indicadores macroeconómicos, señales de social media, pronósticos del clima y demás. Las compañías que están incorporando machine learning en sus sistemas existentes están logrando mejoras de entre el 5 y el 15 % en la confiabilidad de sus pronósticos (alcanzando precisiones de hasta el 95%). Adicionalmente eliminan actividades como reajustes manuales y calibraciones de los modelos, sin embargo es importante aclarar que estos métodos requieren alta disponibilidad de datos de buena calidad y poder de computo. Algunos de los casos en que los modelos de machine learning tienen un mejor desempeño que los modelos tradicionales donde:Los patrones de la demanda son volátilesSe deben realizar escenarios de planeación de corto y medio plazoSe tienen productos con ciclo de vida cortoExisten muchos modelos de Machine learning y aunque no existe uno que se ajuste a todas las situaciones, algunos de los más eficientes y más usados para la realización de pronósticos son: Regresiones linealesÁrboles aleatoriosPotenciación del gradiente (Gradient boosting)Deep learning
Predecir o estimar el precio de venta de una vivienda puede ser de gran ayuda a la hora de tomar decisiones importantes tales como la adquisición de casa propia o de un bien raíz como vehículo de inversión. También puede ser una herramienta importante para una agencia de venta de propiedades, ya que le permitirá estimar el valor de venta de los inmuebles que para ellos en este caso son activos. Tener una estimación del valor de la vivienda permite aumentar la capacidad de negociación, tanto para el comprador como para el vendedor. Además, tener este conocimiento sirve como herramienta comparativa para evaluar proyecciones de crecimiento en diferentes sectores residenciales.En DataSource.ai hemos realizado una competición en data science donde los participantes podían descargar un dataset con información acerca de ventas que se han hecho en el pasado, y tratar de estimar el valor de un nuevo inmueble para la venta.El objetivo de esta competencia fue crear un modelo de aprendizaje automático que permita predecir el precio de los apartamentos para Argentina y Colombia, pero puede aplicarse estos mismos modelos para otros países o incluso ciudades, dadas las principales variables que describen estas propiedades, como lo son: el área, la cantidad de baños, la ubicación, etc.En esta caso de estudio iremos por los siguientes puntos:Definición del problemaAdquiriendo los datos (dataset)Configuración y requerimientos de la competiciónElección de un modelo ganadorDesplegar una API en producción Desplegar el modelo en una app visual (Streamlit)Definición del problemaDad la introducción anterior, donde hablábamos de la importancia de poder predecir los precios de un inmueble, y las ventajas competitivas que esto nos da, el problema que queremos afrontar en este caso es una tarea de Regresión, donde tenemos un listado de inmuebles que se han vendido en el pasado, con las características que lo definen, tales como: el área, la cantidad de baños, la ubicación, etc. Así que debemos predecir un valor continuo. Adquiriendo los datosEl conjunto principal de datos contiene información de los departamentos/apartamentos en venta en Argentina y Colombia durante el periodo 2019 – 2020. “datos provistos por properati” Si deseas ver los datasets que esta plataforma proporciona puedes encontrarlos aqui:https://www.properati.com.co/data/, estos datos son abiertos, por lo cual agradecemos a Properati por tomarse el trabajo de abrir sus datos!DataSource.ai hizo una limpieza y preparación previa de los datos necesarios para la competición.Definimos las siguientes características:Id = Identificador único del inmueblepais = Pais donde se encuentra el inmuebleciudad = Ciudad donde se encuentra el inmuebleprovincia_departamento = provincia o departamento donde se encuentra el inmuebleproperty_type = Tipo de propiedad (En nuestro caso solo es Apartamento)operation_type = Tipo de negocio (venta)rooms = Número de ambientes (salas)bedrooms = Número de habitacionessurface_total = Area total en m2currency = moneda en dolaresprice = precio del inmuebleNota: Para Colombia se aplicó una TRM de $3.633 COP para calcular el precio en USDEl dataset se dividió de la siguiente manera:train_apartmentos.csv corresponde al 80% de los datos, con este conjunto entrenaras el modelo de machine learning. test_aparmentos.csv corresponde al 20% de los datos, con este conjunto de datos vas a predecir la columna price. A diferencia del conjunto Train, el dataset Test no contiene los datos de la columna price, estos los debes predecir con tu modelo.Configuración y requerimientos de la competiciónPara poder configurar las competiciones, necesitaremos los siguientes lineamientos:Fecha de inicio de la competiciónFecha de finalización de la fase pública: en este periodo evaluamos los modelos basados en una primera subdivisión de los datosFecha de finalización de la fase privada: en este periodo evaluamos los modelos basados en una segunda y última subdivisión de los datos que permite evitar el overfittingLa descripción de los detalles de la competiciónLas reglas de la competiciónLa métrica de evaluación de los modelos. Esta métrica está sujeta al tipo de problema que se va a resolverLos premios a entregar a los competidores que logren los mejore puntajesLos datos en formato csv y con las correspondientes subdivisionesElección de un modelo ganadorUna vez finalizada la competición estos han sido los 5 primeros lugaresCada uno de ellos nos ha enviado el código fuente con sus respectivas soluciones, y hemos elegido uno de ellos para desplegarlo en producción. Desplegar una API en producción Este es un screenshot del código que usamos para desplegar una API en nuestros propios servidores, y poder atender peticiones vía HTTPProbablemente no entiendas mucho al respecto, no te preocupes, tenemos los ingenieros para realizar todo este proceso de deployment a producción de los modelos ganadores. Lo importante es lo que viene a continuación. Digamos que hipotéticamente tu empresa tiene una plataforma web, a la cual quieres conectar estas predicciones, y cada vez que necesites hacer una predicción solo debes ingresar las características del inmueble rellenando un formulario, y que obtenga dichas predicciones. Pues bien, esa es la intención de esta API, que el formulario que rellenas en tu página web se comunique automáticamente y vía API con nuestro servidor, e inmediatamente devolver el precio de predicción de venta. Vamos a realizar la simulación usando Postman. Aqui podemos ver que en la parte superior estamos enviando los datos a una URL con la siguiente estructura: https://mlendpoints.com/real-state-price-forecast/predictEste es el endpoint en el que hemos subido el código mostrado anteriormente. Luego en el Body estamos enviando unas características acerca del inmueble al que le queremos predecir el valor final, o precio de venta. El cual está ubicado en Argentina, tiene un total de 4 habitaciones, 2 habitaciones y 3 baños, y tiene una superficie de 137 mts2. Dadas estas características y usando uno de los modelos ganadores, el resultado lo obtenemos en la parte inferior, con un valor estimado de venta de $402.473 usd. Aquí es donde radica el poder de Machine Learning con un modelo desplegado a producción, podemos hacer predicciones sobre la marcha!Desplegar el modelo en una app visual (Streamlit)Como paso final y adicional, podemos simular una plataforma visual, donde por medio de un formulario se obtienen los resultados de la predicción. En este caso estamos usando Streamlit. Veamos el resultado: Puedes acceder al siguiente link y jugar un poco con los parámetros de predicciónEn la barra izquierda tenemos los parámetros del modelo, para poder hacer las predicciones. Tales como pais, rooms, bethrooms, etc. Y en la parte central tenemos el Score del modelo, los parámetros especificados en la izquierda y el resultado de la predicción del precio. Para estas características, por ejemplo, el precio final es de $314.011 usd (son parámetros diferentes al anterior, por ello el precio cambio)ConclusionComo puedes ver, con las competiciones abarcamos todo el proceso de machine learning, y lo hacemos de la mano contigo tratando de solucionar un problema específico con data science. Si quieres aprender más sobre las competiciones, puedes leer este artículo, y también puedes agendar una consulta gratis con nuestros expertos en data science.
Imaginemos una empresa manufacturera de productos de belleza con más de 50 tiendas y, que a su vez, cada tienda utilice sus representantes de ventas para realizar la distribución de la tienda de forma manual y calcular la cuota de inventario de la tienda (esto para más de 1000 referencias); en consecuencia, se dedican solamente 10 minutos por cada hora de trabajo en venta activa o solucionando las dudas de los clientes. Este caso de uso, esta enfocado en ayudar a las empresas a mejorar su distribución de referencias para todas las tiendas y de esta forma evitar quedar sin existencias o tener sobreabastecimiento de algunos productos en determinadas tiendas, también a predecir cuándo y cómo abastecer cada tienda. Una de las formas de solucionar estos problemas, es usando algoritmos de predicción de demanda, combinando datos internos, perfilación de clientes y datos públicos como clima y feriados, para estimar los volúmenes de demanda en diferentes lugares donde se necesite el abastecimiento. Además, los representantes de ventas mientras realizan su trabajo con el cliente están recopilando datos con dispositivos que le permiten a la empresa en tiempo real responder algunas preguntas como: ¿Están las referencias correctamente distribuidas en cada categoría y grupo?, ¿Qué referencia no se ha distribuido correctamente?, ¿Se ejecuta correctamente la distribución en cada tienda?. Con estos métodos sería posible aumentar hasta en un 150% la actividad de los representantes para que estén disponiblesen venta activa y fidelizando al cliente, también se reduce hasta en un 50% el tiempo de auditoria que se utiliza para la comprobación del inventario y la recopilación de datos. La recopilación de los datos nos permite hacer un análisis de los productos que tienen gran potencial de ventas, calcular pedidos de reposición de mercancía y aumentar o disminuir su inventario; además de corregir errores para mejorar la distribución, aumentar los ingresos, crear modelos de inteligencia artificial que tomen estas decisiones por si solos y de esta forma aumentar la eficiencia en su compañía.
El avance y el auge de nuevas tecnologías y algoritmos en el sector de Data science, ha dado cabida a muchas aplicaciones y casos de uso para todo clase de industria. Así aprovechando al máximo los recursos y procesos que son indispensables para optimizar y tener resultados deseados. Este caso de uso estará enfocado en el sector comercial específicamente ventas, donde nuestras variables principales serán el precio y las promociones. Estas son algunas de las variable que comúnmente son manejadas en todo tipo de empresa sea pequeña, mediana o grande. Independientemente del tamaño, todas tienen la oportunidad de sacar provecho a los datos. Así, estos pueden ser colectados, analizados y presentados para tomar decisiones importantes, ya sea fijar el precio correcto, levantar una oferta, ofrecer ciertos productos y sobre todo saber el momento idóneo para implementar cierta estrategia. Todo esto puede ser manejado mediante técnicas, algoritmos y modelos para predecir y tomar decisiones administrativas que lleven a la compañía al siguiente nivel.crédito de imagen: Mike PetrucciSi bien es cierto la tecnología ha avanzado a tal punto que la mayoría de personas posee consigo un dispositivo móvil para acceder a Internet. Así, con el tiempo se ha notado un crecimiento de empresas que ofrecen sus productos online. De esta manera el público puede ver ofertas y comprar productos en diferentes partes del mundo. Esto es una gran ventaja para los clientes, pero también para los negocios en sí. Actualmente, existen algoritmos que tienen en cuenta la preferencia de los clientes para ofertar productos e incluso comparar precios entre el mismo nicho de mercado. Esto es fácil de observar cuando buscamos tickets para ir de viaje o simplemente buscas un artículo para el hogar.Las empresas que tienen presencia en Internet y están asociadas al mercado de ventas en su gran mayoría manejan e-commerce como puntos de ventas online. Sin embargo, no todos usan data science para dar ventaja a sus negocios. Por otra parte, empresas usan modelos de predicción para ajustar precios y promociones. Así empresas como Darwing Pricing LLC provee a sus clientes un servicio novedoso de precios y promociones que se ajustan automáticamente según la locación. Para esto , ellos usan algoritmos de inteligencia neuronal de redes para darnos un modelo en tiempo real de precios y promociones. De esta manera las empresas pueden producir campañas de promociones más efectivas y aumentar su productividad en más de un 50%. Adicionalmente, las empresas utilizando estas herramientas tendrán más tiempo para enfocarse al servicio al cliente.Data science, específicamente áreas como machine learning y AI (artificial intelligence) han contribuido enormemente en los negocios comerciales. Veamos algunas estadísticas, resultados y estudios de algunas empresas que han aplicado machine learning o AI entre el año 2017 y 2020. Para el año 2017 McKinsey nos dio a conocer que empresas comerciales en USA ahorraron más del 19% usando análisis de datos. Así mismo, Target company ahorro entre 15-30 % de sus ganancias usando modelos de machine learning.Otra fuerte y reconocida empresa es Amazon, la cual usa machine learning en muchos de sus productos. De esta manera el 55% de sus ventas son manejadas por recomendaciones de modelos de machine learning. Así mismo, Netflix se está ahorrando alrededor de un 1 billón por año solo usando este tipo de modelos. Todo esto es posible debido a que muchos procesos son optimizados de tal forma que las ventas, precios y promociones son totalmente efectivas. Forbesnos provee con información muy útil acerca de cómo las empresas son revolucionadas por el uso de AI (artificial intelligence) y machine learning. Por ejemplo, el hecho que muchas empresas se ahorran entre un 40% y 60% de sus costos. Además, predicen que para el actual año 2020 empresas B2B invertirán un 30% de sus recursos en AI. De esta manera, las empresas estarán más enfocadas en su productividad y efectividad. A medida que la tecnología avanza, las empresas tendrán más oportunidades de usar modelos de machine learning o AI en sus procesos. Esto es evidenciado en la gran inversión que el sector retail ha hecho y hará para los próximos años. Según, estudios hecho por Global Market Insight, este sector invertirá 8 billones para el año 2024. Esto nos da un panorama muy claro de la importancia y la proyección que tienen las empresas hacia el manejo de los datos. Por otra parte nos podríamos preguntar, si todo este dinero está dirigido a precios y promociones. Como podemos imaginarnos no, pero estas variables ocupan un importante porcentaje en la inversión de las empresas. Veamos un poco como las empresas usan AI (artificial intelligence) en sus diferentes áreas según un estudio creado por IBM.85% in supply chain planning85% in demand forecasting79% Customer intelligence75% Marketing, advertising and campaign management73% Pricing and promotion73% Store operationsQue beneficio tiene este sector de retail en invertir en las áreas previamente mencionadas?. Se estima que para el año 2022 este sector ahorrará 340 billones cada año aproximadamente. Esto, acorde a la encuesta hecha por Capgemini.Adicionalmente, no nos olvidemos que muchas aplicaciones de machine learning y AI para empresas de ventas están enfocadas a la seguridad y servicio al cliente como veremos más adelante. Qué pasaría si nuestro negocio no se encuentra en Internet? , como podríamos sacar provecho de la ciencia de los datos para nuestro negocio. Pues bien, existen aplicaciones de reconocimiento de imágenes y registro facial para saber si un producto fue recogido o no. Adicionalmente, se podría saber si un cliente tiene más preferencia por ciertos productos que otros e incluso saber la satisfacción del servicio. Forbesnos presenta un claro ejemplo de esto, donde nos muestra como Wallmart implementó un modelo de reconocimiento de imágenes para determinar la satisfacción de sus clientes. Por otro lado, el reconocimiento de imágenes y cierto modelos de aprendizaje nos proveen el servicio de seguridad para nuestros productos. Esto, especialmente en lugar físicos donde hay un gran volumen de personas. De esta manera poder evitar cualquier pérdida en el negocio.Como todos sabemos los precios y ofertas dependen de muchos factores. Tales, como procesos, inventario, mercado entre muchos otros. Para cada uno de ellos, existen herramientas en ciencia de los datos para administrar y sacarle provecho a cada uno de estas variables. De esta manera poder impactar directamente en los precios en tiempo real. Un ejemplo muy común es aplicar machine learning o algoritmos de inteligencia artificial para evitar desperdicios en procesos de fabricación y poder reducir los precios de venta. Además, podríamos analizar el tiempo y lugar donde las personas compran. Determinando también la frecuencia de compra para poder lanzar estrategias oportunas. Finalmente, podemos concluir que cualquier empresa de diferente tamaño y sector comercial, puede hacer uso de herramientas de ciencias de los datos para tomar decisiones efectivas y poder impactar en procesos, productos y estrategias para conseguir resultados deseados. Así, empresas no lanzarán campañas a ojos cerrados sino fundamentándose en un análisis de datos.
Danilo Galindo
Mar 22, 2021
Join our private community in Discord
Keep up to date by participating in our global community of data scientists and AI enthusiasts. We discuss the latest developments in data science competitions, new techniques for solving complex challenges, AI and machine learning models, and much more!