Autor
Autor
Todas las industrias aspiran a fabricar el número justo de productos en el momento adecuado, pero para los minoristas esta cuestión es especialmente crítica, ya que también necesitan gestionar eficazmente el inventario de productos perecederos.
Tanto el exceso de artículos como la escasez de los mismos son situaciones perjudiciales para el negocio. (Las estimaciones sugieren que una mala gestión del inventario cuesta a los minoristas estadounidenses cerca de dos billones de dólares al año).
Mirar más allá de las ventas pasadas para predecir con exactitud las ventas futuras
Los minoristas pueden obtener enormes beneficios adicionales si gestionan los pedidos y el inventario con eficacia. Pero como esto requiere el procesamiento de data para un enorme número de unidades de mantenimiento de existencias (SKU), que a menudo incluyen productos perecederos y artículos que se piden a diario, también supone un reto importante.
Los minoristas solían confiar únicamente en el data de años anteriores para predecir las ventas futuras (y, por tanto, gestionar su inventario), pero este método sólo es útil hasta cierto punto. Sin embargo, el aprendizaje automático ha evolucionado hasta el punto de poder proporcionar modelos predictivos precisos utilizando diferentes señales en función de cómo influyen en las compras.
Predecir las ventas es complejo porque, en un periodo determinado, las compras se ven afectadas por muchos factores: el tiempo, las tendencias de compra, la normativa, los nuevos productos, los comportamientos de compra, una pandemia... Y las predicciones basadas en data registrados previamente no tienen en cuenta acontecimientos específicos, lo que hace que las ventas mensuales parezcan distribuidas uniformemente cuando es poco probable que sea así.
Por ejemplo, un artículo que se agota a menudo puede provocar una ralentización de las ventas de ese producto o categoría en particular, pero no se notará en el reports mensual. Peor aún, las malas cifras se consideran a menudo una señal del desinterés de los compradores, cuando lo cierto es lo contrario: el exceso de compra de un artículo por parte de los consumidores ha provocado que se agote.
O puede que un producto que falta en la tienda esté realmente en stock, sólo que aún no ha salido a las estanterías. Los minoristas de grandes superficies a menudo tienen dificultades para reponer existencias en tiempo real, por lo que un artículo popular al instante podría desaparecer de las estanterías muy rápidamente y, por tanto, no tener el rendimiento esperado, a pesar de estar disponible en el inventario. Esto exige una tecnología que pueda ayudar a los minoristas a alinear a la perfección la oferta y la demanda.
Utilizar el aprendizaje automático y múltiples señales para evaluar los niveles de inventario
El aprendizaje automático ofrece una solución a estos retos. Los modelos predictivos pueden pronosticar las ventas con meses de antelación utilizando una serie de señales que las afectan (estacionalidad, tendencias de consumo, niveles de precios, etc.). Para ser lo más precisos posible, es importante que los modelos utilicen más indicadores que el día, el producto y la tienda estándar que es habitual tener en cuenta.
Para ilustrarlo, un minorista podría analizar la estacionalidad para predecir las ventas del periodo siguiente. Sin embargo, el data estará sesgado porque utilizar fechas no es 100% exacto; una fecha determinada puede ser un día laborable un año, pero el fin de semana al año siguiente, haciendo que las ventas varíen mucho. Otros factores, como si esa fecha cae en festivo (Navidad, Semana Santa, etc.) o en un acontecimiento deportivo importante, también influyen en las pautas de compra de los consumidores.
La historia es similar con las señales a nivel de precios. Las promociones a nivel de tienda pueden afectar notablemente a las ventas de un producto de una categoría determinada o incluso hacer más atractiva la tienda en su conjunto.
Estos dos ejemplos ilustran por qué es necesario tener en cuenta muchas señales e indicadores diferentes para prever las ventas con precisión: una tarea que era un dolor de muelas antes de que el aprendizaje automático y los modelos avanzados artificial intelligence lo hicieran posible.
Adoptar el aprendizaje automático para la gestión de inventarios
La tecnología está ahí, pero para que los minoristas puedan utilizarla con eficacia y hacer predicciones precisas, necesitan recopilar y analizar enormes cantidades de data. Gran parte de ella se encuentra en diferentes fuentes data y puede resultar complejo tratar de procesar múltiples archivos Excel y PDF que contienen reports anteriores y planes de medios. Se necesitan grandes herramientas data para procesar esta información en el formato limpio y legible necesario para crear modelos predictivos que puedan prevenir los problemas de inventario.
Las ventas pasadas data de una tienda determinada pueden ser ‘inexactas’ debido a acontecimientos puntuales (promociones, condiciones meteorológicas adversas, congestión del tráfico, etc.). Para eliminar este sesgo, los modelos predictivos combinan las cifras de ventas pasadas con las de tiendas similares.
El otro gran reto es evitar que los artículos no estén disponibles en las estanterías mientras están en stock (causado por el hecho de que es casi imposible que los empleados controlen las estanterías en tiempo real y las repongan inmediatamente).
Existen soluciones tecnológicas que utilizan cámaras de vigilancia y sensores de peso, pero suponen una gran inversión. Sin embargo, la información fácilmente disponible, como las ventas en tiempo real a nivel de SKU, puede aprovecharse para detectar situaciones de ‘estantería vacía’. Los modelos pueden analizar el flujo habitual de ventas de un artículo, por lo que se conoce el tiempo normal entre dos ventas de un producto en una tienda determinada. Se puede recurrir a la intervención humana para revisar y resolver las anomalías estadísticas.
El análisis predictivo no es más que una de las muchas formas en que los minoristas tradicionales pueden beneficiarse del aprendizaje automático. Tienen mucho que ganar si confían en la tecnología avanzada para una mejor gestión del inventario que aumente los ingresos de las tiendas. El procesamiento de grandes cantidades de data también puede ayudarles a optimizar el surtido, ofrecer promociones más atractivas y rentables y fijar los precios de forma más eficiente.
Las herramientas bien diseñadas pueden acometer tareas complejas y laboriosas y ofrecer rápidamente reports precisos. Esta es la verdadera palanca de creación de valor de artificial intelligence en el comercio minorista: liberar a los directivos de tediosos análisis comparativos de múltiples fuentes y permitirles centrarse en la mejora continua de la experiencia del cliente.
Sobre los autores
Pascal Coggia es director general de Artefact en el Reino Unido, donde es responsable de la expansión de los productos y servicios artificial intelligence (IA) y data-driven de la empresa en la región. Socio fundador de Artefact, anteriormente trabajaba en su sede central de París, durante la cual puso en marcha las operaciones de Artefact en Dubai. Entre sus cargos anteriores se incluyen funciones de consultoría en Columbus Consulting Shift en Francia y Rocket Internet SE en el Reino Unido. Tiene un máster por la Escuela de Negocios HEC de París.
Jérôme Petit es socio consultor data en Artefact, donde trabaja en proyectos data y artificial intelligence (IA) con grandes empresas francesas de los sectores de la distribución, los bienes de consumo y los fondos de inversión. Anteriormente dirigió los equipos de estrategia de grupos de medios de comunicación franceses (Canal + y Lagardère Active) tras quince años en importantes consultoras de estrategia (OC&C, Diligence Partners y Roland Berger). Es licenciado por la École Polytechnique de Francia.
