Dominar la optimización del surtido: tecnologías de aprendizaje automático para el crecimiento de las ventas

Según Research and Markets, se espera que el mercado de optimización de surtido y espacio crezca de 2060 millones de dólares en 2024 a 4920 millones de dólares en 2033. Este crecimiento está impulsado por los avances tecnológicos en las tecnologías analíticas basadas en el aprendizaje automático que analizan grandes cantidades de datos y permiten tomar decisiones informadas para la optimización del surtido.

Los algoritmos de aprendizaje automático están cambiando la forma en que las empresas gestionan las operaciones minoristas y planifican su mezcla de productos. Echemos un vistazo a las formas en que el aprendizaje automático ayuda a los minoristas y a los posibles escollos de su uso.

Principales conclusiones

El machine learning ajusta surtido dinámicamente maximizando ventas y márgenes.

• Detecta preferencias locales. 

• Recomienda quitar slow movers. 

• Propone espacio extra a best sellers. 

• Se adapta a estacionalidad y clima. 

• Reduce capital inmovilizado.

La implementación de la tecnología de aprendizaje automático no es solo una novedad en el comercio minorista, sino una oportunidad para obtener la ventaja competitiva necesaria.

La optimización del surtido mediante el aprendizaje automático trasciende los análisis tradicionales utilizados para aprovechar algoritmos avanzados con el fin de examinar y dar sentido a vastos conjuntos de datos.

Esta tecnología permite a los minoristas crear la combinación óptima de productos para todas y cada una de las tiendas, teniendo en cuenta diversos factores como las preferencias de los consumidores, la demografía local de los clientes o el comportamiento de compra.

Las soluciones de aprendizaje automático se utilizan en muchas áreas del comercio minorista como parte del proceso de optimización del surtido (véase más abajo).

Como parte del proceso de racionalización de SKU, ML analiza el rendimiento de cada SKU y le permite comprender qué SKU de su cartera merece la pena mantener en su surtido y cuáles deben eliminarse. Con ML, los minoristas pueden identificar correlaciones entre productos y crear surtidos de productos más eficaces sin SKU de bajo rendimiento.

Los modelos de segmentación de clientes utilizan el aprendizaje automático para dividir la base de clientes de un minorista en grupos distintos en función de su comportamiento de compra, sus preferencias y sus datos demográficos.

Esta segmentación permite a los minoristas identificar patrones y adaptar su surtido a las necesidades y deseos específicos de los diferentes segmentos de clientes, aumentando así la satisfacción de estos.

El análisis predictivo permite a los minoristas identificar tendencias y prever la demanda futura de los clientes con un alto grado de precisión, basándose en datos históricos de ventas y también en factores externos como indicadores económicos o geográficos.

Según McKinsey, la gestión de la cadena de suministro impulsada por la inteligencia artificial puede reducir los costes en un 15 %, reducir el inventario en un 35 % y mejorar la eficiencia en un 65 %. El aprendizaje automático optimiza la cadena de suministro en todos los niveles, desde la gestión de inventario hasta la planificación de rutas de entrega.

Mediante el análisis de grandes cantidades de datos, los algoritmos determinan estrategias óptimas de reabastecimiento, reducen los costes de inventario, optimizan los niveles de existencias y recortan los costes.

Los modelos de aprendizaje automático ayudan a optimizar los precios de los productos individuales, especialmente para el lanzamiento de nuevos productos, analizando factores como la demanda de los clientes, la estacionalidad y los precios de la competencia.

Este enfoque permite a las empresas ajustar los precios de manera que se maximicen los beneficios, pero sigan siendo asequibles para los clientes.

No existe la píldora mágica en el comercio minorista. Trabajar con ML también plantea una serie de desafíos.

La calidad y la «pureza» de los datos son cruciales. La fragmentación de los datos, la inconsistencia en la recopilación de datos y las lagunas en los conjuntos de datos son los mayores retos a los que hay que hacer frente al entrenar un modelo. Es importante aprender a limpiar adecuadamente la información y entrenar los modelos para interpretar las causas más probables de las desviaciones.

La intuición humana desempeña un papel crucial en el reconocimiento de patrones y factores contextuales que el aprendizaje automático puede no percibir. La combinación de las predicciones del aprendizaje automático con los conocimientos estratégicos de los responsables de la toma de decisiones experimentados garantiza que las decisiones sobre surtidos se basen en datos y se ajusten al mercado.

Hay factores inesperados que pueden afectar a la precisión de los cálculos de los sistemas basados en el aprendizaje automático. Por ejemplo, la retransmisión de un partido de fútbol o un cambio en las condiciones meteorológicas pueden modificar significativamente la demanda de determinados productos.

Por lo tanto, un desarrollador de software debe formar al personal del minorista sobre cómo configurar correctamente el sistema y utilizar de manera eficiente los recursos y coeficientes adicionales añadiendo todos los factores posibles al modelo.

Los datos históricos en los que se basan los modelos de AA pueden quedar obsoletos rápidamente. Por ejemplo, durante la pandemia de COVID-19, el comportamiento de los consumidores cambió de manera coordinada, lo que hizo que los datos de años anteriores dejaran de ser relevantes en un instante. Del mismo modo, los datos históricos del periodo de cuarentena volvieron a dejar de ser relevantes una vez que la pandemia terminó.

LEAFIO AI Assortment Planning es una solución moderna basada en el aprendizaje automático que simplifica la creación de una estrategia de gestión de surtido y le permite gestionar categorías y grupos a diario. El software proporciona herramientas prácticas para la optimización de SKU.

El aprendizaje automático analiza el rendimiento de las ventas de cada producto en la matriz de surtido y proporciona datos precisos para comprender si un producto en particular es adecuado para el público de una tienda en particular.

El sistema genera análisis detallados y exhaustivos de optimización del surtido. Los informes implementados dentro de la solución LEAFIO AI incluyen «planificado-real», dinámica de ventas de SKU, análisis de proveedores y clientes, saldos, nuevos productos y ventas perdidas. Si una categoría o un SKU tiene margen de mejora, el sistema siempre le mostrará lo que necesita ver.

El ML se utiliza ampliamente para mejorar la planificación de surtidos. Proporciona a los minoristas información detallada sobre la optimización de SKU, segmenta a los clientes y ayuda a comprender sus necesidades locales, gestionar las cadenas de suministro y el inventario, prever la demanda y optimizar los precios.

Sin embargo, para utilizar eficazmente las soluciones de aprendizaje automático, los gestores deben garantizar una entrada de información de alta calidad y añadir tantos factores influyentes como sea posible para ajustar el modelo.