X

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

Utilizando Machine Learning para Atender la Demanda Desconocida

Jeff Warren
Vice President, Solutions Management
La actual crisis de salud afectó a 2020 y trajo desafíos con los que muchos siquiera soñaban al comienzo de este año. En el sector de supermercados, los desafíos han sido especialmente difíciles, ya que los consumidores han cambiado los patrones normales de compras semanales y han pasado a almacenar ciertos artículos o a utilizar las opciones de entrega de mercancías y compra online con retirada en la tienda (BOPIS).

Como los consumidores eligieron nuevos caminos, los retailers necesitaron cambiar la tecnología y prácticas adoptadas para acompañar el cambio inédito de comportamiento. Se observaron nuevos procedimientos operativos en todos los aspectos – incluso mano de obra, compra, previsión y merchandising – y el resultado final fue impactado; así, los márgenes de retail hicieron temblar todo el sector y borraron las mejores prácticas que se habían construido a lo largo de los años.

Para los CFOs de retail, la reflexión sobre los últimos seis meses probablemente ha llevado a la comprensión de que deben hacerse adaptaciones estratégicas para reaccionar rápidamente y compensar el aumento de los costos, mientras se sigue proporcionando el servicio que el consumidor espera.


Retailers Están Acumulando Mucho Stock

La típica jornada de compras semanal que hacía la mayoría de los consumidores fue completamente aniquilada. Algunos dejaron de concurrir en persona a las tiendas y optaron por la entrega de productos o por el BOPIS, otros siguieron yéndose de compras, pero van a la tienda con menos frecuencia y suelen comprar más cosas cuando lo hacen. Incluso después de siete meses desde el inicio de la crisis de salud, aún vemos escasez y falta de stock de artículos básicos, como artículos de papel, productos de limpieza y artículos de higiene, llevando a los consumidores a almacenar artículos cuando están disponibles. 

Esos nuevos hábitos de consumo siguieron presionando mucho la cadena de suministros. Los retailers necesitaron comprar stock adicional, lo que los obligó a cargar el costo en los balances por más tiempo, para evitar escasez siempre que posible. Tradicionalmente, los márgenes de los supermercados se basan en la elevada rotación del stock, por lo que los supermercadistas suelen vender productos a precios de retail antes de pagar la cuenta al proveedor mayorista. Con el cambio a pre-compra erosionando los márgenes tradicionales, los supermercadistas se vieron forzados a pagar por el stock bien antes que fuera vendido o incluso entregado y encargarse de ese costo hasta que las mercancías llegaran al carrito del cliente, probablemente algunos meses más tarde. En consecuencia, financiar la cadena de suministros jamás ha sido tan desafiador.


Falta de Stock Resulta en Rotación de Cliente

Muchos retailers están todavía intentando entender cuál es la cantidad de stock necesaria. Los problemas de falta de stock muchas veces resultan en consumidores insatisfechos, probablemente reduciendo aún más los márgenes y aumentando la rotación de clientes. Cuando los compradores no encuentran su marca preferida, eligen una opción diferente o acceden a la Internet para intentar encontrar exactamente lo que quieren. Si el comprador decide comprar la marca de la tienda, esto puede tener un impacto mixto para el retailer, ofreciendo un margen más elevado y preservando la tendencia de la categoría. Esencialmente, además de representar una oportunidad perdida para los retailers, la demanda no atendida en virtud de la falta de stock de la categoría representa una pérdida mucho mayor: los compradores que ven los pasillos vacíos pueden buscar otro lugar no solo para los artículos fuera de stock, sino para llenar sus carritos. Esto elimina la posibilidad de ingresos y es posible que esos clientes jamás regresen a la tienda, lo que resulta en una pérdida inmensurable de ingresos futuros.


La Píldora Mágica del Machine Learning

Con la misma cantidad de cambios en los últimos seis meses, muchos CFOs quedaron planteándose cuál será el futuro del sector. Aunque la planificación de stock en general incorpora aprendizaje de años previos, 2020 dejó a muchas compañías sin un guion a seguir. Un cambio que será una ventaja beneficiosa en los próximos años es la adopción más amplia de machine learning (ML) para optimización de stock. Muchos retailers implementaron ML que simula y prevé posibles estrategias de stock, y acto seguido, usa los resultados para identificar situaciones y parámetros de stock ideales, eliminando la necesidad de tentativa manual y error. Esto permite que los retailers reaccionen en tiempo real a los problemas y desafíos que surjan y adapten su estrategia para permitir la máxima eficiencia de la cadena de suministros, mejor previsión y asignación.

El ML también puede ayudar en el incremento de la popularidad de servicios como el BOPIS. Ajudando a identificar horarios con mayor número de retiradas, falta de stock de productos, problemas con empleados y mucho más, el ML ayuda a los retailers no tan solo a prestar un servicio BOPIS mejor, sino también a proporcionar una experiencia mejor para todos los compradores, liberando recursos. El uso de tecnologías de cómo el reconocimiento de placas de vehículo cuando los coches llegan, la separación de varios pedidos y las actualizaciones de stock en tiempo real permiten una experiencia más rápida, simple y mejorada para los consumidores.

De hoy a seis meses, será más difícil que nunca para los CFOs prever cómo se comportará el sector de alimentos, y también cómo estará el mundo. Al utilizar el ML, los CFOs estarán más bien preparados para gestionar el flujo de caja, determinar el impacto del stock en el balance patrimonial y, finalmente, proteger los ingresos. Aunque no logran prever el futuro, los CFOs pueden estar mejor preparados para el mañana, utilizando el aprendizaje y los insights de hoy.


Sepa cómo las soluciones de Oracle Retail ayudan a los retailers a equilibrar la necesidad de análisis avanzadas de retail y ciencia de retail sin incurrir en la sobrecarga significativa de inteligencia artificial y científicos de datos.

 

* BOPIS: Buy Online, Pickup in Store - Comprar en línea, Recoger en la Tienda

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.