Cómo Morrisons Redujo el Retraso en Informes de Datos en un 99% con BigQuery y Looker

Morrisons opera en el Reino Unido desde 1899 y hoy sirve a nueve millones de clientes por semana en 500 supermercados y 1.600 tiendas de conveniencia Morrisons Daily. Su cadena de suministro es inusualmente compleja: la empresa opera sus propias granjas y mataderos, lo que le permite controlar la frescura desde el campo hasta la estantería. Ese nivel de integración vertical significa que las operaciones de Morrisons dependen de datos precisos y oportunos — previsiones de demanda precisas, niveles de inventario en tiempo real y ciclos rápidos de retroalimentación de clientes son esenciales para tener el producto correcto en la estantería correcta en el momento correcto.

El problema era la pila de datos. Morrisons almacenaba sus datos operacionales en una base de datos local que no podía conectarse a sistemas en la nube por razones de seguridad. Antes de que pudiera ejecutarse cualquier análisis o modelo de ML, los datos tenían que exportarse manualmente. Los informes se producían diariamente en el mejor caso. El Director de Datos, Peter Laflin, describió la limitación fundamental: si no puedes acceder a los datos en tiempo real, siempre estás construyendo algoritmos con un día de retraso respecto al mundo real.

Morrisons migró a BigQuery como almacén de datos central, seleccionándolo específicamente por su integración nativa con Vertex AI, donde los ingenieros de ML de la empresa construyen modelos de previsión de demanda. Cada venta en todas las tiendas de Morrisons fluye ahora directamente a BigQuery, con pipelines de datos que actualizan automáticamente los paneles de Looker cada 15 minutos. Looker sustituyó a una herramienta de BI heredada porque su capa semántica redujo significativamente la carga de modelado de datos sobre los analistas, permitiendo publicar nuevos paneles con rapidez. Un gerente de tienda puede ahora mirar un panel para ver exactamente qué productos están disponibles en ese momento y qué necesita pedir para mantener el stock. Los empleados incluso pueden convertir informes a archivos de audio usando NotebookLM con Gemini 2.0 para consumirlos mientras se desplazan.

Con BigQuery completamente alimentado en tiempo real, Morrisons construyó una función Product Finder orientada al cliente en su aplicación. En Semana Santa, cuando las promociones estacionales reorganizan temporalmente la distribución de las tiendas, el Product Finder recibió 50.000 visitas al día. Los clientes escriben el nombre de un producto, Gemini 1.5 Pro interpreta la búsqueda y la asocia a un código de producto, BigQuery devuelve disponibilidad y ubicación en el pasillo, y Cloud Run entrega el resultado en segundos. La misma pila de Gemini y BigQuery procesa ahora en tiempo real todos los comentarios de clientes entrantes, resumiendo las tendencias de sentimiento en todo el negocio para que los equipos puedan responder de inmediato.

Laflin describe el antes y el después como el día y la noche. Los ingenieros de ML ya no mantienen infraestructura — el modelo de servicio gestionado de Vertex AI les permite centrarse completamente en el desarrollo de modelos. El equipo de datos puede ahora explorar nuevos problemas de previsión en días en lugar de semanas, ya sea prediciendo los volúmenes de ventas de la próxima semana, identificando clientes propensos a comprar un producto determinado u optimizando la red de distribución para reducir la kilometría.