Proyectos de geoanalytics, location intelligence, customer analytics y simulación de movilidad para organizaciones que toman decisiones con datos.
unica360 ha desarrollado proyectos de geoanalytics y location intelligence para
organizaciones líderes en retail (IKEA, Coca-Cola, Holaluz), banca y seguros (CaixaBank,
BNP Paribas), gran consumo, inmobiliario, sector público (MITMA, ISTAC, Segittur, gobierno
de México) y energía (Iberdrola). Los casos cubren site selection, segmentación de clientes
con geodatos, simulación de movilidad peatonal, enriquecimiento de modelos de riesgo y
planificación urbana, en Europa y en países LATAM.
Casos de éxito por sector
Retail / Expansión de red en franquicia
Expansión de franquicia de idiomas
Cliente: Kids&us (enseñanza de idiomas para niños)
Problema
Necesitaban elegir ubicaciones para sus franquiciados que maximizaran a la vez el acceso al público objetivo y el número de franquicias viables.
Modelo de valoración de ubicaciones con indicadores microterritoriales (densidad de niños, renta, tráfico peatonal), competencia y canibalización, y una herramienta de geomarketing para los equipos de expansión, marketing y franquiciados.
350
centros abiertos en España
70
centros internacionales
1 cierre en España y 4 internacionales
Retail / Fitness
Predicción de facturación de nuevos centros
Cadena de gimnasios líder (+400 centros)
Problema
Querían reducir la proporción de centros nuevos que abrían sin llegar a ser rentables.
Modelo de IA que predice la facturación de cada ubicación posible a partir de 20 variables (público residencial y laboral, hábitos deportivos, presión competitiva, canibalización), accesible para negocio mediante una aplicación de mapping.
30
centros abiertos en un año
12%
más de facturación por centro nuevo
28%
reducción en la tasa de centros nuevos no rentablesla tasa de centros nuevos no rentables
Análisis del histórico de oferta enriquecido con datos de entorno, que confirmó qué predice la aparición de vivienda en el mercado: presencia de residentes europeos, densidad de población, cercanía a transporte y equipamientos, y perfil sociodemográfico.
Modelo que detecta zonas con hasta 4 veces más probabilidad de generar oferta que la media
15
Sucursales abiertas
10
ceraron con ese criterio
Inmobiliario
AVM, descriptivos automáticos y cualificación de leads
Querían dirigir sus campañas de retención a los clientes rentables con más riesgo de fuga, pero sus datos internos no bastaban para identificarlos bien.
Enriquecimiento del cliente con indicadores que sus datos internos no recogen —renta, hábitos de movilidad, tipo de vivienda, presencia de hijos, estilo de vida— para mejorar el rendimiento de los modelos de predicción de fuga.
Los modelos enriquecidos capturan varios puntos más de las fugas reales que los basados solo en datos internos.
Sobre 1M de pólizas de 400€, evitar la fuga del 1% de las rentables compensa el coste del enriquecimiento por 100.
Banca & Fintech
Enriquecimiento de scoring crediticio y AVM con variables territoriales. Clientes referenciables
Enriquecimiento de cada farmacia con variables de su entorno y un modelo que identifica qué caracteriza a las más rentables (turismo, renta, tipo de barrio, centralidad) y puntúa el potencial de cada cliente posible, descartando los que ya eran clientes.
1.100
nuevos clientes de alto valor
21%
más de facturación
26% más de margen, frente a solo un 6% de coste logístico añadido.
E-commerce / Gran consumo
Retención en e-commerce de alimentación
Cadena de gimnasios líder (+400 centros)
Problema
Perdían muchos clientes en el segundo y tercer pedido y necesitaban subir la repetición de compra.
Identificación, con datos de entorno, del perfil de hogar que más repite —parejas senior en vivienda unifamiliar, municipios de baja densidad y renta media-alta—, rediseño de los territorios comerciales hacia esas zonas y una herramienta que indica a los comerciales dónde captar.
De 48% a 69%
Subida de la tasa de repetición de compra en el nuevo público objetivo.
E-commerce
Segmentación de red de distribución y targeting de campañas
Simulación de movilidad basada en agentes: reconstrucción de la red viaria real, generación de una población sintética con agendas a partir de encuestas de uso del tiempo y simulación de millones de rutas peatonales y de vehículos.
Mapa de tráfico peatonal por tramo, día y hora:
r² = 0,72
correlación muy alta frente a los conteos manuales en 35 puntos de la ciudad.
Sector público (AAPP)
Demanda de equipamientos deportivos
Cliente: Diputaciones de Barcelona y Bizkaia
Problema
Necesitaban medir la cobertura real de los equipamientos deportivos entre municipios y estimar la demanda de nuevas instalaciones.
Estimación de la práctica deportiva por microterritorios a partir de encuestas, machine learning y análisis espacial, combinada con un modelo de vulnerabilidad socioeconómica y un análisis de la cobertura actual, con aplicación de mapping y generador de informes de entorno.
90%
Reducción del tiempo dedicado a valorar nuevos proyectos y a responder a las demandas de los municipios.
Smart city & Sector público
Análisis y simulación de movilidad para planificación urbana, PMUS, peatonalización y gemelos digitales
Error en estimaciones de movilidad vs métodos tradicionales
-70%
Tiempo de análisis frente al método anterior
Energía / Riesgo
Predicción de mora en el alta
Cliente: Comercializadora de electricidad y gas (anonimizado)
Problema
Con márgenes ajustados, cada impago erosionaba la rentabilidad. Necesitaban anticipar la probabilidad de mora en el mismo momento del alta del cliente.
Enriquecimiento de cada solicitud con indicadores del territorio —renta de la zona, atracción turística, características de la vivienda, índices comerciales— con alta capacidad predictiva sobre el riesgo de impago.
Reducción del 32% en la tasa de mora de los nuevos clientes
Los segmentos de máximo riesgo (zonas turísticas de renta baja) superaban el 10% de mora frente a menos del 1% en los de menor riesgo.
Energía & Riesgo
Optimización territorial de red comercial y captación. Clientes referenciables
Sistema de IA que clasifica automáticamente los documentos y decide cuándo hace falta revisión humana, sobre una arquitectura en cloud que permite escalar a coste controlado, con un panel para ajustar precisión y cobertura.
El 85,6% de los documentos se clasifica por IA con un 94,8% de precisión.
El 14,4% restante lo revisa el equipo con un 98,4% de precisión.
Legaltech & Operacional
Clasificación automáticas de notificaciones jurídicas y extracción de entidades