La industria del Retail ha experimentado una verdadera revolución en los últimos años, gracias a la utilización de los enfoques de big data, machine learning y analytics. El uso de estos junto a herramientas tecnológicas de aprendizaje continuo se convierte en un activo estratégico que ninguna compañía puede obviar. Por lo mismo, hoy existen cada vez más empresas que están siendo gestionadas en base a la administración de datos masivos.

En el caso de las cadenas de supermercados, el correcto abastecimiento y la rotación de productos en las góndolas de los puntos de ventas físicos, que satisfagan las necesidades de los clientes, sigue siendo un proceso complejo.

Para hacer rentable cualquier punto de venta es fundamental que el cliente siempre encuentre lo que busca, asegurándole el stock y la visibilidad de los productos en las góndolas. Cuando existen problemas de gestión de inventario, se generan los quiebres de stock, que es cuando no se encuentra el producto en el lugar habitual, en su tamaño, variedad y marca deseada en la sala de venta.

¿Por qué se produce este fenómeno? Las razones tienen que ver con las malas políticas de inventario; ausencia de modelos analíticos que pronostiquen la demanda y sistemas automáticos de abastecimiento continuo; problemas de abastecimiento de parte de los proveedores (Fill Rate) y de los centros de distribución de las cadenas; inventario fantasma, que ensucia el flujo de abastecimiento y venta; y la mala reposición de productos en góndolas.

Un indicador que mide la gestión de inventarios que un punto de venta posee en el tiempo es el porcentaje de quiebres de stock, que en el caso de los países desarrollados -según diversos estudios-, en promedio, alcanza un 8%. En Latinoamérica, este indicador bordea el 15%, al igual que en Chile. Algunos expertos señalan que esta cifra revela que los problemas de la mala reposición de los productos en góndolas es el causante del 41% de estos quiebres de stock en los supermercados.

Gestión de información y analytics

Tomando como ejemplo las cadenas de supermercados, en Chile existen más de mil locales de diferentes tamaños y cadenas. Para analizar las millones de transacciones realizadas en los distintos puntos de venta en el tiempo, ya que la frecuencia y regularidad de reposición de los productos en una góndola está relacionada con los patrones de demanda de los consumidores, se hace necesario contar con tecnología especializada, repositorios de información centralizados y enfoques analíticos sofisticados que permitan descubrir los patrones de consumo de los clientes.

Por ello, es fundamental utilizar enfoques basados en big data y machine learning, los cuales han mostrado efectividad y potencial de uso, estimando de manera precisa la demanda en el tiempo y segmentando la población de clientes y puntos de venta, según sus características. Estos elementos son clave para determinar la carga de reposición en cada supermercado en cantidad y diversidad de productos, así como el personal necesario que debe realizar dicha labor.

Respecto del último punto, para las compañías resulta primordial administrar de manera eficiente el uso del recurso humano para mejorar la gestión de la reposición de productos. En este caso, se debe considerar que existe un desbalance en la distribución de la carga de reposición durante las horas de una jornada, siendo distinto para cada día de la semana y punto de venta. Por ello, es necesario diseñar enfoques basados en analytics, que permitan encontrar programaciones de turnos eficientes que se hagan cargo de los peaks y estacionalidades de la carga de trabajo y satisfaga todas las condiciones asociadas a los lugares de trabajo y a las leyes laborales. Esto se transforma en un desafío muy interesante para las compañías.

Actualmente, pese a los retos que de manera constante se presentan en la industria, para las compañías del retail es posible enfrentar de mejor manera los quiebres de stock, incorporando conceptos asociados a la inteligencia artificial y el machine learning o analytics; así como otras tendencias e innovaciones relacionadas con la transformación digital. No obstante, aún existen desafíos profesionales e intelectuales, basados en la información generada y almacenada en las empresas que deben ser resueltos.

Existen compañías que han sido hábiles en capitalizar las ventajas y beneficios que el big data, el machine learning y analytics les generan; sin embargo, muchas otras están quedando rezagadas. Si no aceleran el paso se quedarán abajo de la ola, lo que podría generarles más de algún problema en términos de rentabilidad.

Por Jaime Miranda, Director del Centro en Sistemas de Información y Ciencias de la Decisión Universidad de Chile