A medida que avanza la era digital, los minoristas implementan cada vez más las tecnologías de machine learning en el comercio minorista para obtener una ventaja competitiva muy necesaria.
Desde la previsión de la demanda y la gestión de la cadena de suministro hasta la fijación dinámica de precios, el análisis del comportamiento de los clientes, la detección del fraude y la estimación del valor del ciclo de vida del cliente, los algoritmos de ML se utilizan para diversas tareas en las empresas minoristas.
Las promesas son claras: campañas de marketing rentables y específicas, mayor satisfacción del cliente, estrategias de precios optimizadas, cadenas de suministro eficientes y, en definitiva, máximos beneficios. Sin embargo, ¿por qué escuchamos a veces el escepticismo de los minoristas ante esta tecnología de vanguardia?
Aquí me gustaría profundizar en el fascinante mundo de la tecnología del aprendizaje automático. Esto le ayudará a comprender mejor cómo funciona y, lo que es más importante, por qué a veces no funciona como esperamos y qué pasos hay que dar para maximizar los beneficios de las soluciones basadas en el ML.
Expectativas frente a realidad
Cuando las empresas empiezan a implantar software basado en IA, suelen esperar enormes beneficios instantáneos, procesos totalmente automatizados y algoritmos que produzcan resultados mucho más precisos que los de planificadores experimentados y modelos estadísticos.
Sin embargo, un artículo de Harvard Business Review sobre las trampas de los algoritmos de fijación de precios nos trae algunos ejemplos curiosos de modelos de ML que producen resultados inesperados, como un armario de 14.000 dólares en Wayfair o el aumento de los precios de Uber en un 400% durante periodos de disturbios colectivos.
Es poco probable que las empresas previeran estos resultados cuando implantaron los sistemas de aprendizaje automático. Además, la decepción es casi inevitable si el retorno de la inversión tarda en llegar. Entonces, ¿cuál es el problema?
Intuición humana frente a precisión mecánica
La intuición humana sigue desempeñando un papel crucial en el sector minorista. Los gerentes experimentados pueden reconocer patrones y factores contextuales que el ML podría pasar por alto. Por ejemplo, un repunte repentino de las ventas podría sugerir inmediatamente algún acontecimiento a un humano, mientras que a una máquina le costaría entender la causa.
Además, los algoritmos de aprendizaje automático no suelen tener en cuenta las acciones futuras previstas. Las estrategias de los minoristas suelen implicar cambios como la aplicación de normas de servicio, la formación del personal, la renovación de las tiendas (mejorando el diseño y la distribución o ampliando el aparcamiento) o estrategias de marketing que no se reflejan en los datos históricos. Como resultado, los modelos de ML, que son inherentemente retrospectivos, pueden fallar a la hora de predecir el impacto de estas iniciativas futuras.
El reto del cambio
La rapidez con la que cambia el mundo presenta otro reto importante para el aprendizaje automático en el sector minorista. Los datos históricos, en los que se basan los modelos de ML, pueden quedar obsoletos rápidamente.
La pandemia de COVID-19, por ejemplo, cambió radicalmente el comportamiento de compra, haciendo irrelevantes los datos de años anteriores. Del mismo modo, los datos de los años de la pandemia se volvieron irrelevantes en el cambiante mundo posterior a la cuarentena.
El cambio climático, los conflictos locales y las tendencias económicas también introducen nuevas variables que los datos del pasado no reflejan.
Recopilar, limpiar y actualizar este conjunto de datos diversos y siempre cambiantes es una tarea monumental. Para cuando se procesan los datos, es posible que ya sea necesario actualizarlos, lo que disminuye la eficacia de los modelos de aprendizaje automático.
El dilema de los datos
El aprendizaje automático en el sector minorista se nutre de información como la IA generativa o el procesamiento del lenguaje natural. Se basa en grandes cantidades de datos recopilados para desarrollar algoritmos y hacer predicciones. Sin embargo, a menudo es necesario mejorar la calidad y el alcance de los datos.
La mayoría de los minoristas tienen acceso a conjuntos básicos como datos históricos de ventas, inventario y precios. Pero, otros muchos factores que influyen significativamente en la demanda y las ventas, como las tendencias del mercado o los vastos datos de los clientes, no se captan.
Un ejemplo tiene que ver con la gestión del inventario. Supongamos que una tienda tiene un producto en stock, pero no se vende. Los algoritmos podrían considerar este artículo invendible y recomendar excluirlo del surtido.
Sin embargo, ¿qué ocurre si el producto está agotado? La mayoría de los algoritmos de aprendizaje automático no pueden tener en cuenta estos detalles. Tardamos unos cuantos años en entrenar nuestros modelos para que detectaran tales anomalías y las tuvieran en cuenta.
La conclusión es obvia. El aprendizaje automático en el comercio minorista es algo más que acceder a grandes datos. La calidad y la "pureza" de estos datos también son cruciales. Su proveedor de software debe ser capaz de ayudar a limpiar la información y entrenar los modelos para interpretar las causas más probables de desviación.
Influencias contextuales del Machine Learning en el comercio minorista
Los minoristas se han vuelto expertos en prever la demanda teniendo en cuenta factores predecibles como la estacionalidad y las vacaciones. La tecnología moderna permite controlar fácilmente los precios de la competencia a través de los canales en línea. Sin embargo, el comportamiento de los consumidores está influido por otras muchas variables.
He aquí sólo un brillante ejemplo. Las promociones de los minoristas suelen coordinarse con los fabricantes que proporcionan apoyo de marketing.
Si un fabricante lleva a cabo una importante campaña publicitaria en televisión, puede aumentar la eficacia de la promoción, pero si la siguiente campaña carece de este impulso publicitario, los resultados serán diferentes. Por desgracia, las bases de datos de los minoristas no suelen incluir detalles sobre estos esfuerzos de marketing externos, lo que da lugar a modelos de datos incompletos.
Las condiciones meteorológicas, por ejemplo, también influyen en la demanda de productos específicos. Del mismo modo, los grandes acontecimientos como los partidos de fútbol pueden desencadenar picos de ventas en las ciudades anfitrionas y en todo el país a través de la retransmisión en línea.
Una vez más, surge la importancia de un apoyo y una orientación de calidad por parte de su proveedor de software. Deben configurar adecuadamente el sistema y formar a su personal sobre cómo utilizar eficazmente las entradas y los ratios adicionales.
¿Cuál es la conclusión?
El uso del aprendizaje automático en el sector minorista abre interesantes oportunidades para la industria. Puede aportar información valiosa y agilizar la mayoría de los procesos. Sin embargo, las limitaciones temporales ponen de manifiesto que no es una solución válida para todos.
El éxito del aprendizaje automático en el comercio minorista depende de la calidad y la exhaustividad de los datos que procesa, así como de su capacidad para adaptarse a condiciones y matices contextuales que cambian rápidamente. Y el factor más crítico aquí es seleccionar un sistema y un proveedor que comprenda a fondo los matices únicos de su negocio y sus productos.
En esencia, el aprendizaje automático en el comercio minorista es una herramienta que, cuando se utiliza adecuadamente y junto con la experiencia humana, puede mejorar las experiencias de los clientes y agilizar las operaciones minoristas. Sin embargo, para revolucionar el sector minorista, las empresas y los proveedores de software deben seguir innovando e integrando diversas fuentes de datos para aprovechar el potencial del aprendizaje automático.
¿Tienes alguna pregunta?
¿Tiene alguna duda sobre la automatización u optimización del comercio minorista? Póngase en contacto con nuestros expertos para obtener soluciones.
Jane Medwin
LEAFIO Co-Founder, Retail Optimization Expert
