Big Data | Actualmente las tiendas minoristas pierden miles de millones de dólares en ventas globales por no tener stock de los productos que los clientes desean comprar en sus tiendas. ¿Cuáles son las consecuencias de este fenómeno y qué pueden ofrecer las tecnologías de ciencia de datos para buscar soluciones viables?
Demoras en la entrega de los proveedores, ausencia de insumos para los fabricantes, problemas de logística, trabas en importaciones y hasta la crisis generada por el Covid-19. Todas son posibles causas de un problema en común: la escasez de productos de consumo masivo en las góndolas.
Las compras por “pánico” también alimentan el ya conocido problema del desabastecimiento, a partir de la sobredemanda. Sin ir más lejos, durante el primer semestre de 2020 miles de compradores preocupados por los efectos del confinamiento, concurrieron a los comercios a comprar harina, papel higiénico o alcohol en gel. A pesar de no haber demasiados obstáculos detectados en la cadena de suministro, regresaron a sus casas con las manos vacías.
Un reciente estudio de IHL Group, realizado en 600 hogares y comercios del sector Retail, evidenció que los compradores se encuentran con productos agotados (concepto conocido OOS, “out of stock” en inglés), en uno de cada tres viajes de compras. Una investigación realizada por IRI mostró que el 20% de todas las existencias agotadas permanecen sin resolverse durante más de 3 días.
De este modo, la tasa promedio de OOS es de alrededor del 8% (uno de cada 13 productos no se puede comprar en el momento exacto en que el cliente quiere obtenerlo en la tienda). No solo el OOS afecta a los minoristas, sino también a empresas de bienes de consumo, distribuidores y auditores de producto que invierten recursos para detectar faltantes.
¿Cuál es el comportamiento real de los consumidores ante esta escasez?
NielsenIQ mostró en una investigación que el 30% de los compradores visitarán nuevas tiendas cuando no puedan encontrar el producto que buscan y según números de Harvard Business Review los minoristas pueden perder el 50% de las compras previstas cuando sus clientes se enfrentan a desabastecimientos.
Se trata de un fenómeno de mercado muy preocupante, amplificado por el crecimiento del comercio electrónico y la necesidad de que los productos se encuentren disponibles para su entrega. De hecho, más del 24% de los ingresos minoristas actuales de Amazon provienen de clientes que primero intentaron comprar el producto en la tienda física.
De las soluciones tradicionales a aquellas que recurren a los datos
Claramente los problemas de stock de productos han existido durante décadas y las soluciones tradicionales de las empresas, para enfrentarlos, están presentando diversos inconvenientes, principalmente por la ausencia de análisis de datos precisos así como también por resultar soluciones puramente reactivas (y no proactivas).
Usualmente, los comercios minoristas y las empresas de bienes de consumo intentan generar un pedido excesivo de artículos, que conlleva la acumulación de stock, aumento de los costos de mantenimiento y reducción de las ganancias cuando las tiendas se ven obligadas a vender el exceso de inventario con descuentos.
Al mismo tiempo, el conteo manual de SKU (“stock keeping unit” o código de artículo) por parte de los empleados, el software de gestión o las auditorías de inventario en las diferentes tiendas dejaron de ser soluciones 100% eficientes, debido a que con tanto movimiento de consumo dentro de las tiendas algunos registros se ignoran, sin mencionar el impacto de la merma que puede ser difícil de detectar en los suministros de una tienda.
Si bien las avanzadas soluciones de robótica o monitoreo con visión por computadora, notifican rápidamente cuando un producto no está disponible, no predicen la disponibilidad efectiva de un producto.
En este complejo contexto, ¿qué aportes puede generar big data para paliar la falta de stock con una estrategia predictiva?
Las tecnologías de ciencia de datos permiten ajustar los procesos productivos y el stock necesario para atender a la demanda futura. Se trata de utilizar proactivamente las herramientas predictivas para encontrar el equilibrio en el stock, sin tener sobreproducción pero sin llegar al desabastecimiento. Una estrategia que resulta esencial para que empresas y grandes retailers puedan ser más competitivos, ya que les permite planificar, anticiparse a diversos escenarios de mercado y tomar decisiones en el presente que reporten beneficios en el futuro.
Este proceso incluye mejorar las predicciones de productos faltantes, aprender de situaciones históricas de variaciones de stock y maximizar el valor de los datos de consumo, re direccionando su operación logística de manera óptima (por ejemplo, empresas como Walmart, PepsiCo o Amazon han utilizado Big Data para mejorar la gestión de inventario y potenciar sus resultados de negocio en general).
No obstante, siempre es imprescindible monitorear los datos de manera correcta y contar con una estrategia adecuada, la cual considere:
- Análisis del “carrito” de compras: conocer qué productos suelen adquirirse juntos puede ser una tarea compleja para detectar cambios sutiles en el comportamiento de compra pero reveladores de tendencias. Predecir cómo cada consumidor aborda el ciclo de compra puede ayudar a tomar decisiones estratégicas sobre el surtido de determinados artículos, su ubicación o la forma en que puede optimizarse la venta cruzada.
- Análisis de grupos de productos: se trata de comparar las relaciones causa/efecto entre las ventas y los beneficios que se obtienen con las mismas, para planificar estrategias de almacenamiento de esos grupos de productos específicos.
- Planificación de la demanda: además del registro histórico de ventas, se deben tener en cuenta fuentes de datos externas para una predicción satisfactoria, lo cual incluye algunas variables, como la localización de las tiendas, estacionalidad, características socioeconómicas, costo de almacenamiento, tiempos de entrega, stock máximo, entre otras. Esto ayudará, en definitiva, a calendarizar y optimizar los pedidos a proveedores.
- Analítica predictiva y prescriptiva: en el análisis se recurre a un modelo de analítica predictiva que aprende de situaciones pasadas y las compara con las actuales, para predecir lo que ya pasó o accionar sobre lo que ya funcionó. Las predicciones serán útiles para la gestión de stock, permitiendo una mejor planificación. A partir de esas predicciones, también se puede encontrar la mejor estrategia de actuación: la analítica prescriptiva se basa en la optimización para simular distintos escenarios y evaluar qué acciones y decisiones darán los mejores resultados.
Nuevos desafíos potenciados por soluciones de inteligencia colectiva y crowdsourcing
¿Qué pasaría si, de repente, cientos o miles de consumidores reportaran espontáneamente la falta de stock de ciertos productos en una app colaborativa y las empresas, industrias o gobiernos en general, pudieran utilizar esos datos para una mejor planificación?
¿O, por el contrario, si estos usuarios informaran en estas plataformas en qué tiendas de una determinada ciudad se puede encontrar un producto escaso o más barato, ante una coyuntura desfavorable, ayudando a otros usuarios con el mismo interés?
El control ciudadano combinado con la tecnología no deja de ser una opción viable para proyectar un futuro próximo, donde el aprovechamiento de los datos se produzca por los registros que dejan espontánea y voluntariamente los usuarios de plataformas.
Si bien ya existen numerosas aplicaciones top-down, donde las empresas informan a los consumidores sobre productos con bajo stock, el proceso sería inverso: las apps colaborativas funcionan en un modelo bottom-up de inteligencia colectiva. Los ciudadanos son aquellos emisores y fuentes clave de información del mercado.
De este modo, se incrementa su intervención social en asuntos públicos en forma inédita y con acciones descentralizadas que anteriormente no hubieran sido posibles. Se trata de un fenómeno que, con la transformación digital, empezó a crecer en materia de control y comparación de precios de productos o servicios. Llevar esta práctica al terreno del OOS aún es muy incipiente y se cuentan algunos proyectos aislados.
Entre las iniciativas innovadoras se encuentra el caso de la escasez de leche de fórmula para bebés en Estados Unidos; la empresa Domo puso a disposición de los usuarios la plataforma Findformula, de manera que madres y padres puedan identificar en qué comercios se encuentra el producto y reportarlo en un mapa con visualizaciones sencillas.
Otra de las aplicaciones es Basket: permite que la comunidad crowdsourcing de compradores comparta en tiempo real precios de productos y su inventario y arme su cesta de comestibles tomando las mejores ofertas en cada viaje. La app ya está asociada a los principales retailers como Walmart o Target, entre muchos otros.
Por último, en el plano local puede mencionarse Kigüi, una app argentina que recompensa hasta un 60% a los consumidores por adquirir un producto con fecha de vencimiento cercana, solo con una foto del producto y el ticket. De este modo, los consumidores colaboran socialmente para evitar el desperdicio de alimentos (cabe recalcar que en 2019 un 17% del total de alimentos disponibles en todo el mundo se desperdició; mientras que el 4,8% de los alimentos perecederos que ingresó a un supermercado argentino se tiró).
El desafío para las organizaciones es, sin dudas, considerar a los consumidores como principales fuentes de datos y gestionar esta información de valor, detectando patrones ocultos que ayuden a enfrentar la escasez de productos, especialmente aquellos de primera necesidad.