![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2020\/10\/PASCAL_COGGIA.jpg\")
![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2020\/11\/jerome-petit-.jpeg\")
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/08\/technative-logo.png\" "\\"logo-tecnol\u00f3gico\\""){kind=logo}
<\/span><\/div>Mirar m\u00e1s all\u00e1 de las ventas pasadas para predecir con exactitud las ventas futuras<\/h2><\/div>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 n\u00famero de unidades de mantenimiento de existencias (SKU), que a menudo incluyen productos perecederos y art\u00edculos que se piden a diario, tambi\u00e9n supone un reto importante.<\/p>\n<\/div>
Los minoristas sol\u00edan confiar \u00fanicamente en el data de a\u00f1os anteriores para predecir las ventas futuras (y, por tanto, gestionar su inventario), pero este m\u00e9todo s\u00f3lo es \u00fatil hasta cierto punto. Sin embargo, el aprendizaje autom\u00e1tico ha evolucionado hasta el punto de poder proporcionar modelos predictivos precisos utilizando diferentes se\u00f1ales en funci\u00f3n de c\u00f3mo influyen en las compras.<\/p>\n<\/div>
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 espec\u00edficos, lo que hace que las ventas mensuales parezcan distribuidas uniformemente cuando es poco probable que sea as\u00ed.<\/p>\n<\/div>
Por ejemplo, un art\u00edculo que se agota a menudo puede provocar una ralentizaci\u00f3n de las ventas de ese producto o categor\u00eda en particular, pero no se notar\u00e1 en el reports mensual. Peor a\u00fan, las malas cifras se consideran a menudo una se\u00f1al del desinter\u00e9s de los compradores, cuando lo cierto es lo contrario: el exceso de compra de un art\u00edculo por parte de los consumidores ha provocado que se agote.<\/p>\n<\/div>
O puede que un producto que falta en la tienda est\u00e9 realmente en stock, s\u00f3lo que a\u00fan no ha salido a las estanter\u00edas. Los minoristas de grandes superficies a menudo tienen dificultades para reponer existencias en tiempo real, por lo que un art\u00edculo popular al instante podr\u00eda desaparecer de las estanter\u00edas muy r\u00e1pidamente y, por tanto, no tener el rendimiento esperado, a pesar de estar disponible en el inventario. Esto exige una tecnolog\u00eda que pueda ayudar a los minoristas a alinear a la perfecci\u00f3n la oferta y la demanda.<\/p>\n<\/div>
Utilizar el aprendizaje autom\u00e1tico y m\u00faltiples se\u00f1ales para evaluar los niveles de inventario<\/p>\n<\/div>
El aprendizaje autom\u00e1tico ofrece una soluci\u00f3n a estos retos. Los modelos predictivos pueden pronosticar las ventas con meses de antelaci\u00f3n utilizando una serie de se\u00f1ales que las afectan (estacionalidad, tendencias de consumo, niveles de precios, etc.). Para ser lo m\u00e1s precisos posible, es importante que los modelos utilicen m\u00e1s indicadores que el d\u00eda, el producto y la tienda est\u00e1ndar que es habitual tener en cuenta.<\/p>\n<\/div>
Para ilustrarlo, un minorista podr\u00eda analizar la estacionalidad para predecir las ventas del periodo siguiente. Sin embargo, el data estar\u00e1 sesgado porque utilizar fechas no es 100% exacto; una fecha determinada puede ser un d\u00eda laborable un a\u00f1o, pero el fin de semana al a\u00f1o siguiente, haciendo que las ventas var\u00eden mucho. Otros factores, como si esa fecha cae en festivo (Navidad, Semana Santa, etc.) o en un acontecimiento deportivo importante, tambi\u00e9n influyen en las pautas de compra de los consumidores.<\/p>\n<\/div>
La historia es similar con las se\u00f1ales a nivel de precios. Las promociones a nivel de tienda pueden afectar notablemente a las ventas de un producto de una categor\u00eda determinada o incluso hacer m\u00e1s atractiva la tienda en su conjunto.<\/p>\n<\/div>
Estos dos ejemplos ilustran por qu\u00e9 es necesario tener en cuenta muchas se\u00f1ales e indicadores diferentes para prever las ventas con precisi\u00f3n: una tarea que era un dolor de muelas antes de que el aprendizaje autom\u00e1tico y los modelos avanzados artificial intelligence lo hicieran posible.<\/p>\n<\/div>
Adoptar el aprendizaje autom\u00e1tico para la gesti\u00f3n de inventarios<\/h2><\/div>La tecnolog\u00eda est\u00e1 ah\u00ed, 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 m\u00faltiples archivos Excel y PDF que contienen reports anteriores y planes de medios. Se necesitan grandes herramientas data para procesar esta informaci\u00f3n en el formato limpio y legible necesario para crear modelos predictivos que puedan prevenir los problemas de inventario.<\/p>\n<\/div>
Las ventas pasadas data de una tienda determinada pueden ser \u2018inexactas\u2019 debido a acontecimientos puntuales (promociones, condiciones meteorol\u00f3gicas adversas, congesti\u00f3n del tr\u00e1fico, etc.). Para eliminar este sesgo, los modelos predictivos combinan las cifras de ventas pasadas con las de tiendas similares.<\/p>\n<\/div>
El otro gran reto es evitar que los art\u00edculos no est\u00e9n disponibles en las estanter\u00edas mientras est\u00e1n en stock (causado por el hecho de que es casi imposible que los empleados controlen las estanter\u00edas en tiempo real y las repongan inmediatamente).<\/p>\n<\/div>
Existen soluciones tecnol\u00f3gicas que utilizan c\u00e1maras de vigilancia y sensores de peso, pero suponen una gran inversi\u00f3n. Sin embargo, la informaci\u00f3n f\u00e1cilmente disponible, como las ventas en tiempo real a nivel de SKU, puede aprovecharse para detectar situaciones de \u2018estanter\u00eda vac\u00eda\u2019. Los modelos pueden analizar el flujo habitual de ventas de un art\u00edculo, por lo que se conoce el tiempo normal entre dos ventas de un producto en una tienda determinada. Se puede recurrir a la intervenci\u00f3n humana para revisar y resolver las anomal\u00edas estad\u00edsticas.<\/p>\n<\/div>
El an\u00e1lisis predictivo no es m\u00e1s que una de las muchas formas en que los minoristas tradicionales pueden beneficiarse del aprendizaje autom\u00e1tico. Tienen mucho que ganar si conf\u00edan en la tecnolog\u00eda avanzada para una mejor gesti\u00f3n del inventario que aumente los ingresos de las tiendas. El procesamiento de grandes cantidades de data tambi\u00e9n puede ayudarles a optimizar el surtido, ofrecer promociones m\u00e1s atractivas y rentables y fijar los precios de forma m\u00e1s eficiente.<\/p>\n<\/div>
Las herramientas bien dise\u00f1adas pueden acometer tareas complejas y laboriosas y ofrecer r\u00e1pidamente reports precisos. Esta es la verdadera palanca de creaci\u00f3n de valor de artificial intelligence en el comercio minorista: liberar a los directivos de tediosos an\u00e1lisis comparativos de m\u00faltiples fuentes y permitirles centrarse en la mejora continua de la experiencia del cliente.<\/p>\n<\/div>
Sobre los autores<\/h2><\/div>Pascal Coggia es director general de Artefact en el Reino Unido, donde es responsable de la expansi\u00f3n de los productos y servicios artificial intelligence (IA) y data-driven de la empresa en la regi\u00f3n. Socio fundador de Artefact, anteriormente trabajaba en su sede central de Par\u00eds, durante la cual puso en marcha las operaciones de Artefact en Dubai. Entre sus cargos anteriores se incluyen funciones de consultor\u00eda en Columbus Consulting Shift en Francia y Rocket Internet SE en el Reino Unido. Tiene un m\u00e1ster por la Escuela de Negocios HEC de Par\u00eds.<\/p>\n<\/div>
J\u00e9r\u00f4me 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 distribuci\u00f3n, los bienes de consumo y los fondos de inversi\u00f3n. Anteriormente dirigi\u00f3 los equipos de estrategia de grupos de medios de comunicaci\u00f3n franceses (Canal + y Lagard\u00e8re Active) tras quince a\u00f1os en importantes consultoras de estrategia (OC&C, Diligence Partners y Roland Berger). Es licenciado por la \u00c9cole Polytechnique de Francia.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
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 n\u00famero de unidades de mantenimiento de existencias (SKU), que a menudo incluyen productos perecederos y art\u00edculos que se piden a diario, tambi\u00e9n supone un reto importante.<\/p>\n<\/div>
Los minoristas sol\u00edan confiar \u00fanicamente en el data de a\u00f1os anteriores para predecir las ventas futuras (y, por tanto, gestionar su inventario), pero este m\u00e9todo s\u00f3lo es \u00fatil hasta cierto punto. Sin embargo, el aprendizaje autom\u00e1tico ha evolucionado hasta el punto de poder proporcionar modelos predictivos precisos utilizando diferentes se\u00f1ales en funci\u00f3n de c\u00f3mo influyen en las compras.<\/p>\n<\/div>
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 espec\u00edficos, lo que hace que las ventas mensuales parezcan distribuidas uniformemente cuando es poco probable que sea as\u00ed.<\/p>\n<\/div>
Por ejemplo, un art\u00edculo que se agota a menudo puede provocar una ralentizaci\u00f3n de las ventas de ese producto o categor\u00eda en particular, pero no se notar\u00e1 en el reports mensual. Peor a\u00fan, las malas cifras se consideran a menudo una se\u00f1al del desinter\u00e9s de los compradores, cuando lo cierto es lo contrario: el exceso de compra de un art\u00edculo por parte de los consumidores ha provocado que se agote.<\/p>\n<\/div>
O puede que un producto que falta en la tienda est\u00e9 realmente en stock, s\u00f3lo que a\u00fan no ha salido a las estanter\u00edas. Los minoristas de grandes superficies a menudo tienen dificultades para reponer existencias en tiempo real, por lo que un art\u00edculo popular al instante podr\u00eda desaparecer de las estanter\u00edas muy r\u00e1pidamente y, por tanto, no tener el rendimiento esperado, a pesar de estar disponible en el inventario. Esto exige una tecnolog\u00eda que pueda ayudar a los minoristas a alinear a la perfecci\u00f3n la oferta y la demanda.<\/p>\n<\/div>
Utilizar el aprendizaje autom\u00e1tico y m\u00faltiples se\u00f1ales para evaluar los niveles de inventario<\/p>\n<\/div>
El aprendizaje autom\u00e1tico ofrece una soluci\u00f3n a estos retos. Los modelos predictivos pueden pronosticar las ventas con meses de antelaci\u00f3n utilizando una serie de se\u00f1ales que las afectan (estacionalidad, tendencias de consumo, niveles de precios, etc.). Para ser lo m\u00e1s precisos posible, es importante que los modelos utilicen m\u00e1s indicadores que el d\u00eda, el producto y la tienda est\u00e1ndar que es habitual tener en cuenta.<\/p>\n<\/div>
Para ilustrarlo, un minorista podr\u00eda analizar la estacionalidad para predecir las ventas del periodo siguiente. Sin embargo, el data estar\u00e1 sesgado porque utilizar fechas no es 100% exacto; una fecha determinada puede ser un d\u00eda laborable un a\u00f1o, pero el fin de semana al a\u00f1o siguiente, haciendo que las ventas var\u00eden mucho. Otros factores, como si esa fecha cae en festivo (Navidad, Semana Santa, etc.) o en un acontecimiento deportivo importante, tambi\u00e9n influyen en las pautas de compra de los consumidores.<\/p>\n<\/div>
La historia es similar con las se\u00f1ales a nivel de precios. Las promociones a nivel de tienda pueden afectar notablemente a las ventas de un producto de una categor\u00eda determinada o incluso hacer m\u00e1s atractiva la tienda en su conjunto.<\/p>\n<\/div>
Estos dos ejemplos ilustran por qu\u00e9 es necesario tener en cuenta muchas se\u00f1ales e indicadores diferentes para prever las ventas con precisi\u00f3n: una tarea que era un dolor de muelas antes de que el aprendizaje autom\u00e1tico y los modelos avanzados artificial intelligence lo hicieran posible.<\/p>\n<\/div>
Adoptar el aprendizaje autom\u00e1tico para la gesti\u00f3n de inventarios<\/h2><\/div>La tecnolog\u00eda est\u00e1 ah\u00ed, 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 m\u00faltiples archivos Excel y PDF que contienen reports anteriores y planes de medios. Se necesitan grandes herramientas data para procesar esta informaci\u00f3n en el formato limpio y legible necesario para crear modelos predictivos que puedan prevenir los problemas de inventario.<\/p>\n<\/div>
Las ventas pasadas data de una tienda determinada pueden ser \u2018inexactas\u2019 debido a acontecimientos puntuales (promociones, condiciones meteorol\u00f3gicas adversas, congesti\u00f3n del tr\u00e1fico, etc.). Para eliminar este sesgo, los modelos predictivos combinan las cifras de ventas pasadas con las de tiendas similares.<\/p>\n<\/div>
El otro gran reto es evitar que los art\u00edculos no est\u00e9n disponibles en las estanter\u00edas mientras est\u00e1n en stock (causado por el hecho de que es casi imposible que los empleados controlen las estanter\u00edas en tiempo real y las repongan inmediatamente).<\/p>\n<\/div>
Existen soluciones tecnol\u00f3gicas que utilizan c\u00e1maras de vigilancia y sensores de peso, pero suponen una gran inversi\u00f3n. Sin embargo, la informaci\u00f3n f\u00e1cilmente disponible, como las ventas en tiempo real a nivel de SKU, puede aprovecharse para detectar situaciones de \u2018estanter\u00eda vac\u00eda\u2019. Los modelos pueden analizar el flujo habitual de ventas de un art\u00edculo, por lo que se conoce el tiempo normal entre dos ventas de un producto en una tienda determinada. Se puede recurrir a la intervenci\u00f3n humana para revisar y resolver las anomal\u00edas estad\u00edsticas.<\/p>\n<\/div>
El an\u00e1lisis predictivo no es m\u00e1s que una de las muchas formas en que los minoristas tradicionales pueden beneficiarse del aprendizaje autom\u00e1tico. Tienen mucho que ganar si conf\u00edan en la tecnolog\u00eda avanzada para una mejor gesti\u00f3n del inventario que aumente los ingresos de las tiendas. El procesamiento de grandes cantidades de data tambi\u00e9n puede ayudarles a optimizar el surtido, ofrecer promociones m\u00e1s atractivas y rentables y fijar los precios de forma m\u00e1s eficiente.<\/p>\n<\/div>
Las herramientas bien dise\u00f1adas pueden acometer tareas complejas y laboriosas y ofrecer r\u00e1pidamente reports precisos. Esta es la verdadera palanca de creaci\u00f3n de valor de artificial intelligence en el comercio minorista: liberar a los directivos de tediosos an\u00e1lisis comparativos de m\u00faltiples fuentes y permitirles centrarse en la mejora continua de la experiencia del cliente.<\/p>\n<\/div>
Sobre los autores<\/h2><\/div>Pascal Coggia es director general de Artefact en el Reino Unido, donde es responsable de la expansi\u00f3n de los productos y servicios artificial intelligence (IA) y data-driven de la empresa en la regi\u00f3n. Socio fundador de Artefact, anteriormente trabajaba en su sede central de Par\u00eds, durante la cual puso en marcha las operaciones de Artefact en Dubai. Entre sus cargos anteriores se incluyen funciones de consultor\u00eda en Columbus Consulting Shift en Francia y Rocket Internet SE en el Reino Unido. Tiene un m\u00e1ster por la Escuela de Negocios HEC de Par\u00eds.<\/p>\n<\/div>
J\u00e9r\u00f4me 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 distribuci\u00f3n, los bienes de consumo y los fondos de inversi\u00f3n. Anteriormente dirigi\u00f3 los equipos de estrategia de grupos de medios de comunicaci\u00f3n franceses (Canal + y Lagard\u00e8re Active) tras quince a\u00f1os en importantes consultoras de estrategia (OC&C, Diligence Partners y Roland Berger). Es licenciado por la \u00c9cole Polytechnique de Francia.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
La tecnolog\u00eda est\u00e1 ah\u00ed, 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 m\u00faltiples archivos Excel y PDF que contienen reports anteriores y planes de medios. Se necesitan grandes herramientas data para procesar esta informaci\u00f3n en el formato limpio y legible necesario para crear modelos predictivos que puedan prevenir los problemas de inventario.<\/p>\n<\/div>
Las ventas pasadas data de una tienda determinada pueden ser \u2018inexactas\u2019 debido a acontecimientos puntuales (promociones, condiciones meteorol\u00f3gicas adversas, congesti\u00f3n del tr\u00e1fico, etc.). Para eliminar este sesgo, los modelos predictivos combinan las cifras de ventas pasadas con las de tiendas similares.<\/p>\n<\/div>
El otro gran reto es evitar que los art\u00edculos no est\u00e9n disponibles en las estanter\u00edas mientras est\u00e1n en stock (causado por el hecho de que es casi imposible que los empleados controlen las estanter\u00edas en tiempo real y las repongan inmediatamente).<\/p>\n<\/div>
Existen soluciones tecnol\u00f3gicas que utilizan c\u00e1maras de vigilancia y sensores de peso, pero suponen una gran inversi\u00f3n. Sin embargo, la informaci\u00f3n f\u00e1cilmente disponible, como las ventas en tiempo real a nivel de SKU, puede aprovecharse para detectar situaciones de \u2018estanter\u00eda vac\u00eda\u2019. Los modelos pueden analizar el flujo habitual de ventas de un art\u00edculo, por lo que se conoce el tiempo normal entre dos ventas de un producto en una tienda determinada. Se puede recurrir a la intervenci\u00f3n humana para revisar y resolver las anomal\u00edas estad\u00edsticas.<\/p>\n<\/div>
El an\u00e1lisis predictivo no es m\u00e1s que una de las muchas formas en que los minoristas tradicionales pueden beneficiarse del aprendizaje autom\u00e1tico. Tienen mucho que ganar si conf\u00edan en la tecnolog\u00eda avanzada para una mejor gesti\u00f3n del inventario que aumente los ingresos de las tiendas. El procesamiento de grandes cantidades de data tambi\u00e9n puede ayudarles a optimizar el surtido, ofrecer promociones m\u00e1s atractivas y rentables y fijar los precios de forma m\u00e1s eficiente.<\/p>\n<\/div>
Las herramientas bien dise\u00f1adas pueden acometer tareas complejas y laboriosas y ofrecer r\u00e1pidamente reports precisos. Esta es la verdadera palanca de creaci\u00f3n de valor de artificial intelligence en el comercio minorista: liberar a los directivos de tediosos an\u00e1lisis comparativos de m\u00faltiples fuentes y permitirles centrarse en la mejora continua de la experiencia del cliente.<\/p>\n<\/div>
Sobre los autores<\/h2><\/div>Pascal Coggia es director general de Artefact en el Reino Unido, donde es responsable de la expansi\u00f3n de los productos y servicios artificial intelligence (IA) y data-driven de la empresa en la regi\u00f3n. Socio fundador de Artefact, anteriormente trabajaba en su sede central de Par\u00eds, durante la cual puso en marcha las operaciones de Artefact en Dubai. Entre sus cargos anteriores se incluyen funciones de consultor\u00eda en Columbus Consulting Shift en Francia y Rocket Internet SE en el Reino Unido. Tiene un m\u00e1ster por la Escuela de Negocios HEC de Par\u00eds.<\/p>\n<\/div>
J\u00e9r\u00f4me 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 distribuci\u00f3n, los bienes de consumo y los fondos de inversi\u00f3n. Anteriormente dirigi\u00f3 los equipos de estrategia de grupos de medios de comunicaci\u00f3n franceses (Canal + y Lagard\u00e8re Active) tras quince a\u00f1os en importantes consultoras de estrategia (OC&C, Diligence Partners y Roland Berger). Es licenciado por la \u00c9cole Polytechnique de Francia.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
Pascal Coggia es director general de Artefact en el Reino Unido, donde es responsable de la expansi\u00f3n de los productos y servicios artificial intelligence (IA) y data-driven de la empresa en la regi\u00f3n. Socio fundador de Artefact, anteriormente trabajaba en su sede central de Par\u00eds, durante la cual puso en marcha las operaciones de Artefact en Dubai. Entre sus cargos anteriores se incluyen funciones de consultor\u00eda en Columbus Consulting Shift en Francia y Rocket Internet SE en el Reino Unido. Tiene un m\u00e1ster por la Escuela de Negocios HEC de Par\u00eds.<\/p>\n<\/div>
J\u00e9r\u00f4me 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 distribuci\u00f3n, los bienes de consumo y los fondos de inversi\u00f3n. Anteriormente dirigi\u00f3 los equipos de estrategia de grupos de medios de comunicaci\u00f3n franceses (Canal + y Lagard\u00e8re Active) tras quince a\u00f1os en importantes consultoras de estrategia (OC&C, Diligence Partners y Roland Berger). Es licenciado por la \u00c9cole Polytechnique de Francia.<\/p>\n<\/div><\/div><\/div><\/div><\/article>