CÓMO EL ANÁLISIS AVANZADO AYUDA A LOS MINORISTAS A MEDIR LA DISPONIBILIDAD CORRECTA DE PRODUCTOS


Los minoristas se están beneficiando de las nuevas técnicas de aprendizaje automático y de las analíticas avanzadas para mejorar la disponibilidad de productos en sus tiendas

Para cualquier minorista, quedarse sin stock es costoso y calcular las pérdidas que esto ocasiona es simplemente imposible. Obviamente, medimos el producto que está agotado, pero no sabemos si el cliente quería comprar mucho más y se fue a un competidor donde realizó la compra completa. Es decir, el minorista no solo experimentó pérdidas de ventas en el producto que estaba agotado (OOS), sino también en toda la cesta que el cliente podría haber comprado. Por lo tanto, el costo total de las ventas perdidas será imposible de saber.


Claramente, los minoristas buscan tener la mayor disponibilidad de productos posible. Entonces, si la disponibilidad del producto es del 90%, nueve de cada diez clientes obtendrán el producto que buscan. Nuestra investigación muestra que el 28% termina sus compras sin comprar el producto OOS, alrededor del 18% compra a un competidor y otro 17% compra un producto sustituto más barato.


Quedarse sin stock sale caro, pero tener demasiado del mismo también. Aunque es común que los minoristas compren demasiado inventario con el único propósito de evitar quedarse sin existencias, ese inventario cuesta dinero; 1) es simplemente costoso tener efectivo atado al inventario, 2) es posible que los productos antiguos se tengan que vender con un descuento y 3) en algunos casos, los productos caducan y serán destruidos. De dos males, estar sin stock es más caro que tener exceso de stock, pero obviamente se trata de alcanzar el equilibrio perfecto entre ambos.



LA IA ESTÁ REVOLUCIONANDO LA CADENA DE SUMINISTRO GRACIAS A LAS TECNICAS DE PREDICCIÓN DE LA DEMANDA
Quedarse sin stock es más caro que tener sobre stock

Al analizar las razones por las que no hay existencias, hay varios factores que son los más importantes. Obviamente, los pronósticos de demanda deficientes cuentan de manera significativa ya que todas las adquisiciones serán erróneas, pero hay otro factor que obtiene una puntuación más alta. La mayoría de los escenarios de OOS se deben simplemente a un almacenamiento deficiente en los estantes, es decir, el producto está en algún lugar del fondo y el personal no se ha dado cuenta de que se está terminado en el estante. Reparar esos dos sin duda aumentará la tasa de disponibilidad del producto, pero ¿cuánto? ¿Y cuál es la tasa de disponibilidad actual?


Aquí es donde comienza otro problema; la mayoría de los minoristas no tienen idea de cuál es la tasa real de disponibilidad de sus productos y no saben cómo medirla correctamente. Y si la tasa de disponibilidad actual se desconoce o se calcula incorrectamente, ¿cómo pueden saber los minoristas si las correcciones de su cadena de suministro están teniendo algún impacto? Tener pronósticos de demanda más precisos, comprar sofisticados sistemas automáticos de reabastecimiento de tiendas y contratar más personal para abastecer los estantes no tiene valor si no se puede medir el impacto. La mayoría de los minoristas se sorprenderían al saber que la disponibilidad de sus productos es mucho menor de lo que realmente piensan.


El aprendizaje automático y el análisis predictivo están demostrando ser una parte importante para conocer la tasa de disponibilidad real y calcularla correctamente. Mediante el uso de técnicas predictivas de monitoreo de disponibilidad, los minoristas pueden rastrear la disponibilidad de todos los productos y no se perderán ningún evento OOS, y realmente sabrán por cuánto tiempo el producto está agotado.



CONTAR CON TECNICAS DE APRENDIZAJE AUTOMÁTICO SIMPLIFICA LA TAREA DE MUCHOS MINORISTAS
PREDICCIÓN PARA MONITOREO DE LA DISPONIBILIDAD DE PRODUCTOS

Para los productos 1 y 2 es un ejercicio bastante sencillo. Si el producto 1 normalmente se vende uniformemente a lo largo del día, pero un día las transacciones se detienen por completo alrededor de las 17:15, el producto se considera agotado. Del mismo modo, el producto 2 también se vende normalmente durante todo el día, pero un día no se vendió nada hasta las 13:50, se considera agotado durante ese período. Esto es fácil de medir, pero los datos rara vez son tan simples como parecen.


El Producto 3 se muestra como un escenario muy familiar; se vende durante todo el día, pero tiene lagunas en los datos de transacción. ¿Cómo pueden saber los minoristas si el producto estaba agotado o si no había ningún cliente comprando el producto en ese momento? Como se mencionó anteriormente, una de las razones principales de los eventos OOS es que el personal no notó el estante vacío, lo que provocó un evento OOS incluso si la tienda tenía inventario en la parte posterior. Como muestra el patrón de transacción para el producto 3, existe la posibilidad de que el producto no estuviera en el estante durante algunos de los intervalos a lo largo del día, y luego los estantes se abastecieron tan pronto como el personal se dio cuenta.


Saber si no hubo clientes comprando el producto durante esos intervalos o si no estaba en el estante es importante para medir la tasa de disponibilidad correcta. Al utilizar análisis predictivos para comprender los patrones y el comportamiento en los datos de transacciones, los minoristas pueden predecir con precisión cuándo los productos no están realmente en los estantes. Esta práctica es fundamental para construir una comprensión de la situación actual y establecer medidas de mejora.


Los sistemas automáticos de reabastecimiento de tiendas pueden utilizar esta información para mejorar los modelos de pronóstico utilizados para un reabastecimiento más preciso y oportuno. Una vez que los minoristas puedan medir las diferentes modificaciones dentro de la cadena de suministro y el impacto que tiene en las tasas de OOS, pueden comenzar a mejorar.


xxx


La IA está teniendo un gran impacto en la optimización de la cadena de suministro dentro del comercio minorista. A medida que más y más minoristas adoptan la ciencia de datos y el análisis avanzado, las cadenas de suministro mejoran. Y también lo hace el resultado final como se detalla aquí arriba.





 



En Sumo Analytics somos pioneros en el desarrollo e innovación de sofisticadas técnologías de previsión impulsadas por IA. Puede que tenga dudas, pero modernizar los sistemas de previsión y planificación de la demanda puede ser muy fácil al realizarlo con un enfoque adecuado. Los beneficios potenciales son significantes, tales como, una planificación superior y automatizada, sistemas personalizados con las necesidades de cada organización, y por último, una planificación de la demanda más eficiente y resciliente.