Desentrañar los retos de la previsión de la demanda en el comercio minorista

Fuente: https://progressivegrocer.com/unraveling-demand-forecasting-challenges-retail

La optimización del inventario es fundamental para el éxito del comercio minorista, ya que lo ideal es que suba y baje en función de la demanda. El reto es la variabilidad de los factores que influyen en el mercado, desde los más previsibles, como la estacionalidad y las promociones, hasta los espontáneos, como los cambios meteorológicos y los problemas mundiales. Aunque podemos estimar las necesidades basándonos en promedios y datos históricos, las previsiones exactas son difíciles de conseguir.

Principales conclusiones

Resolver los retos del forecasting es clave para liquidez y experiencia cliente.

• Factores externos complican previsión. 

• Novedades sin histórico requieren modelos avanzados. 

• Cambios rápidos en consumo pospandemia. 

• ML ajusta a nuevos hábitos. 

• Forecasts dinámicos se actualizan semanalmente.

Cuando un planificador indica que un artículo vende 213 unidades al día, es probable que se refiera a ADU (uso medio diario), haciendo hincapié en el término "medio". En realidad, las ventas diarias durante la semana o el mes pasados pueden no haber incluido un solo día con exactamente 213 unidades vendidas; en su lugar, podría tratarse de un rango como 199, 220, 233, 187, 210, 228, etc. E

sta variabilidad es la razón por la que utilizamos medias. Sin embargo, si pidiéramos exactamente la media de 213 unidades, ¿qué ocurriría? La curva de distribución de Gauss ofrece una respuesta a esta pregunta, familiar para los versados en probabilidad y estadística.

La media de 213 unidades establece el pico del gráfico, lo que representa una probabilidad del 50%. En otras palabras, la demanda real tiene la misma probabilidad de estar por debajo o por encima de esta cifra. Aceptar una probabilidad de escasez del 50% es poco práctico en el comercio minorista, ya que afecta a las ventas y a los beneficios. De ahí que la inclinación lógica sea asegurar mercancías adicionales para estar tranquilos.

La paradoja surge al aspirar a un alto nivel de disponibilidad, que requiere pedidos muy por encima de la media. Cruzar el límite del 95% de probabilidad requiere un aumento sustancial de las existencias para cada porcentaje posterior.

Las complejidades de la previsión en el comercio minorista se derivan de que las curvas de distribución natural tienen formas más intrincadas que la curva gaussiana ideal. Incluso en el caso de los productos de rápida rotación, estas curvas son asimétricas, y los artículos que se venden con menos frecuencia se desvían aún más de la forma perfecta.

Para un artículo con una media de 0,5 unidades al día, que fluctúa entre cero, una, dos o tres unidades, garantizar una disponibilidad del 98% exige hacer pedidos considerablemente superiores a la media de ventas. Sin embargo, la búsqueda de una alta disponibilidad puede conducir a un exceso de existencias, lo que puede reducir las ventas y acarrear diversas repercusiones económicas.

Sin embargo, en el ámbito del comercio minorista, el análisis de las curvas de distribución para la planificación del inventario es una rareza. El reto reside en la individualidad de estas curvas, que no sólo varían entre las SKU, sino también dentro de la misma SKU en diferentes ubicaciones. Por ejemplo, gestionar 1.000.000 de curvas para una cadena minorista con 10.000 SKU y 100 tiendas es una tarea que requiere mucho tiempo. En consecuencia, esta tarea suele abordarse con Excel, y los especialistas recurren a sus fórmulas y métodos exclusivos.

Incluso si un sistema ERP (planificación de recursos empresariales) se encarga de los cálculos, sus algoritmos suelen ser sencillos. La tendencia predominante es la de aumentar los pedidos para evitar la pérdida de ventas. Como resultado, es posible que algunos minoristas no supervisen meticulosamente la economía de su inventario, descuidando a menudo esta tarea hasta que se convierte en un problema crítico.

En la fase inicial del crecimiento de una empresa, el departamento de ventas suele ser el principal impulsor, y el modelo de planificación de la demanda suele seguir un patrón familiar: ventas medias más ajustes por estacionalidad, tendencias, campañas promocionales y un colchón de seguridad para garantizar una sólida disponibilidad y, en consecuencia, unas ventas elevadas.

Aunque esta estrategia puede lograr tasas de disponibilidad del 97% o incluso del 98%, a menudo da lugar a un exceso de existencias, lo que conlleva elevados costes logísticos y operativos. Este exceso de inventario no sólo ocupa un valioso espacio en estanterías y almacenes, sino que también afecta negativamente a las ventas globales.

A medida que los artículos designados para la venta adquieren prioridad, los clientes pueden pasar por alto otras mercancías potencialmente más rentables. Aunque la rotación puede aumentar, los márgenes de beneficio disminuyen. Además, los productos corren el riesgo de llegar al final de su vida útil, lo que obliga a darlos por perdidos e incurrir en costes adicionales.

En el caso de los productos no alimentarios, el excedente puede barajarse entre los puntos de venta y los almacenes, para acabar vendiéndose con importantes descuentos o amortizándose. Este proceso contribuye a aumentar los gastos logísticos y disminuye aún más el valioso espacio de las estanterías para productos más comercializables. A medida que se agota la capacidad de almacenamiento, las empresas se ven obligadas a iniciar proyectos de ampliación.

Aunque la fórmula para calcular las pérdidas de ventas es sencilla, determinar los costes y pérdidas globales vinculados al exceso de existencias plantea un reto más importante debido a su naturaleza diversa y no siempre evidente. La creencia común de que "al final venderemos este producto" puede ser cierta para casos aislados o SKU específicas, pero resulta inexacta cuando se aplica a toda una empresa que lidia con numerosos excesos de existencias.

El enorme volumen de datos que hay que analizar supera las capacidades de la experiencia de los empleados, la intuición y los modelos simplistas de Excel o ERP. Lograr un equilibrio entre las perspectivas de los "vendedores" y los "financieros" en esta vieja batalla requiere una metodología sólida y modelos matemáticos sofisticados.

Fortunately, AI has emerged as a powerful equalizer in this arena. AI algorithms impartially perform calculations and tactical decisions based on complex models, aiding managers in crucial strategic decisions by discerning clues and patterns within vast datasets that may elude human perception. Thus, modern companies are no longer wondering whether to implement AI for demand forecasting. The only question is the speed of decision-making and the choice of appropriate solutions. Undoubtedly, the market competition will be won by those retailers that will jump on this departing train the fastest.