X

Información actualizada sobre casos de clientes, tendencias y mejores prácticas del mercado minorista, todo en español.

Nuevos KPIs de Retail - Parte II

Mark Lawrence
Solutions Director, Analytics and Enterprise
Soy una criatura de hábito. Hablo en serio, soy el sueño de cualquier asesino. Cuando encuentro algo que me resulta bueno, ya sea una rutina diaria, una elección de comida, un programa de ejercicios o una frase interesante, suelo usarlo hasta el límite. Hace algún tiempo terminé por adoptar la costumbre de llamar de “trifecta” al conjunto de tres cosas que mejoran si se utilizan juntas. Internamente, empleé ese término para el Oracle Retail Insights Cloud Service Suite (Home + Insights + Science cloud services) más veces de las que puedo contar, y él se manifestó externamente también. Sin embargo, me enorgullezco de poder decir que estoy progresando – y asumiendo el riesgo al usar excesivamente también otros términos favoritos que he descubierto recientemente.

Un artículo reciente publicado en Forbes se ha concentrado en las previsiones de 2019 sobre AI (inteligencia artificial) en los principales sectores, incluyendo el comercio minorista. He aquí algunos casos de uso citados en el artículo:

  • experiencia del cliente
  • gestión del stock
  • marketing dirigido
  • optimización de espacio

Aunque el artículo no lo ha mencionado, me gustaría hablar sobre: 

  • optimización de devoluciones
  • análisis de afinidad de artículos
  • transferencia de demanda
  • segmentación de clientes
  • detección de fraude
  • adquisición de nuevos clientes
  • previsión de las próximas compras

De todas formas, una mención en el artículo a la inteligencia artificial dentro de una caja de cristal fue la puerta de entrada de mis últimas frases de impacto. De hecho, la inteligencia artificial, y su primo machine learning, deberían aplicarse y emergerse siempre y para todos que sepan aprovecharlos mejor. Por ejemplo, se debería incorporar la AI en aplicaciones de comercio minoristas para soportar orgánicamente los flujos de trabajo en la medida de lo posible. Al contrario de la AI dentro de la caja negra, que exige que los científicos de datos revelen y apliquen conocimientos, la AI dentro de la caja de cristal capacita a los científicos ciudadanos y avanza hacia un objetivo común de democratización de datos. Éstos son otros dos términos que quizá yo llegue a usar en gran cantidad.

Para que la IA del retail sea la de la caja de cristal, debe también soportar a los KPIs de un minorista siempre que sea posible. 

En el post anterior Nuevos KPIs de Retail, describí cómo los KPIs esenciales para el comercio minorista están evolucionando, en gran medida con base en varias tendencias importantes:

  • La obsolescencia de los canales
  • Aumento del poder del consumidor 
  • AI/ML omnipresentes basados en big data 

Es exactamente sobre este último punto que insisto aquí.

La mayoría de las derivaciones de KPI tradicional de comercio minorista es directa, como por ejemplo, el Retorno del Margen Bruto sobre el Stock:

GMROI = Margen Bruto / Costo Medio de Stock

Pero muchos son más complejos, como el Valor del Ciclo de Vida del Cliente (CLV).

Ha sido ampliamente divulgado que el CLV medio de Starbucks es de aproximadamente US$ 25.000. Deténgase y piense: ¡un promedio de 25 mil dólares por cliente! Por lo tanto, el punto estratégico en el que ellos necesitan concentrarse no es una taza de café por US$ 5 (debo agregar que el café es excelente), sino en un CLV de US$ 25.000.

He aquí un ejemplo de una derivación de CLV muy sencilla:

CLV = Margen Bruto * Venta Meda * (Tasa de Retención / (1 + Tasa de Descuento - Tasa de Retención)

Por supuesto, esa fórmula depende totalmente del comportamiento pasado del cliente. Pero el CLV puede, y creo que debería llevarse mucho más allá de eso, aplicando AI/ML para prever comportamientos futuros.

Por ejemplo, ¿hasta qué punto influye el cliente en los medios sociales, dentro de su hogar o en su ciudad, y estimula a otros clientes a comprar? ¿Qué tal si se incluyen los datos demográficos y psicográficos más recientes de un cliente como factores? Para un minorista de bienes de consumo duraderos, el CLV previsto de una persona de 30 años puede cambiar cuando ella se casa, compra una casa o la familia crece. ¡Imagínese si el cliente de Starbucks se mudase para más cerca de una tienda concepto de Starbucks! Además, con las tendencias de mayor personalización en el comercio minorista y ofertas dirigidas, el pasado probablemente no será más un indicador tan fuerte como solía ser.

¿Y qué pasaría si, empleando la Oracle Retail Science Platform, además de explotar la flexibilidad de un cálculo del CLV más avanzado de configuración a través de la capacidad de configuración ofrecida por nuestro Innovation Workbench, logramos también convertir el CLV en segmentación de clientes más avanzada, ofertas dirigidas y una mejor previsión de efecto halo y canibalización de las promociones a través de segmentaciones más inteligentes de clientes? El valor aumenta como como una bola de nieve cuando es asociado a las evaluaciones del sentimiento del cliente de la Science Platform obtenidas en los medios sociales y mucho más – yo podría seguir hablando.

Bueno, retomando la caja de cristal, si su fórmula de CLV es algo del tipo:

o más como ésta:

... debe incorporarse en los flujos de trabajo de aplicaciones operacionales y de planificación según sea apropiado, incorporadas en análisis descriptivos, predictivos y prescriptivos relevantes y amplios, y para democratizar aún más los datos para científicos ciudadanos (¿ha visto usted lo que he hecho aquí?) debe ser puesta a disposición en los portales de Oracle Retail Home de cargos relevantes, como el Gerente de Fidelidad y el Analista de Precios.

Eche un vistazo rápido al Retail Home

Be the first to comment

Comments ( 0 )
Please enter your name.Please provide a valid email address.Please enter a comment.CAPTCHA challenge response provided was incorrect. Please try again.