Contacto

Cómo Beneficiarse de la IA en la Optimización del Retail

Jul 28, 2020 17 min.

La Inteligencia Artificial (IA) está llamando mucho la atención en retail. La razón es obvia: los retailers de hoy pueden recopilar cantidades masivas de datos sobre transacciones e interacciones con los consumidores, tanto de online como de las tiendas físicas. Al mismo tiempo, tienen que tomar miles de decisiones para alinear sus inventarios, la capacidad y el personal con la demanda siempre cambiante de los consumidores. En resumen, el retail es la combinación perfecta para la IA.

El bombo que se la ha dado a la IA en retail ha llevado a algo parecido a la “fiebre del oro”. Proveedores de aplicaciones no han tardado en colocar un adhesivo “IA Inside” en sus productos, presentando sus soluciones como más inteligentes de lo que realmente son. En el entorno de negocio, no es de extrañar que muchos minoristas estén confundidos.  ¿Se le ha dado realmente demasiado bombo a la IA, o los retailers que todavía no la han implantado corren el riesgo de cerrar?

Este documento no ofrece una previsión o una hoja de ruta sobre el futuro de la IA. Nuestro objetivo es proporcionar una descripción de cómo los retailers están aplicando la inteligencia artificial para optimizar sus negocios. Veamos primero qué es la IA y qué no.

1. La Inteligencia Artificial No Es Una Persona. Son Algoritmos.

Las compañías tecnológicas se han afanado en posicionar sus algoritmos de IA como “inteligentes”, haciéndolos parecer lo más humanos posible, incluso dándoles nombres de personas: Siri, Alexa, Einstein o Watson. Así que es importante tener en mente que la IA no es una persona, ni es un “eso” en singular.

Aún estamos muy lejos de la inteligencia artificial general que podría solventar creativamente los problemas mal definidos. En cualquier caso, estamos haciendo progresos en la IA especializada que resuelve problemas bien definidos (como algoritmos para el reconocimiento de imágenes) y combinaciones de muchos tipos de IA especializada (como los coches sin conductor).

Imagen 1: ¿Cuál es el mejor robot para lavar la ropa? La IA especializada se está convirtiendo en algo cada vez más común, y a menudo se usa para ejecutar aplicaciones que, a primera vista, no parecen especialmente inteligentes (ilustración inspirada en este excelente blog post de Ben Evans.)

Lo que hoy llamamos Inteligencia Artificial es una colección de algoritmos, nada más y nada menos. Algunos de estos algoritmos consisten en simples componentes combinados ingeniosamente para producir un razonamiento tan complejo que hasta los científicos de datos tienen dificultades para explicarlo. Otros son tan sencillos que cualquier persona que pasara dos semanas en una clase de computación podría codificarlos en un programa que siempre ganara en los juegos de “suma cero” como el tres en raya

Diferentes algoritmos de IA no son ni mejores ni peores. Solamente usan diferentes tipos de datos y se aplican para resolver diferentes tipos de problemas.

Esto significa que los retailers no necesitan la IA – lo que necesitan es usar varios algoritmos de IA en sus herramientas analíticas para completar su “antigua” tecnología como análisis estadísticos y heurísticas basadas en reglas. Además, los retailers han de seguir aprovechando la experiencia humana para definir las prioridades de negocio y solventar los problemas mal definidos o sin precedentes.

Por lo tanto, ¿cómo la aplicación pragmática de la IA puede ayudar a los retailers a optimizar sus negocios?

2. IA Entrega Decisiones de Retail más Automatizadas, Granulares y Precisas

La IA hace posible que los retailers tomen decisiones de forma más rápida y más precisas, algo que tiene un valor incalculable en una industria con millones de flujos de productos para controlar. Los algoritmos de machine learning, por ejemplo, consideran cientos de factores que potencialmente afectan la demanda al pronosticar las ventas de retail, algo que una persona que planifica la demanda no podría conseguir nunca. Pero la aplicación de la IA en retail no se limita solo a la previsión de la demanda. Los retailers pueden obtener beneficios aún más grandes al aprovechar la IA para optimizar todas sus operaciones.

Imagen 2: La previsión de la demanda es tan solo un área donde los retailers pueden aplicar la IA. Al aprovechar la IA en el merchandising y la operaciones, los retailers pueden mejorar el rendimiento y la sostenibilidad.

2.1 Inteligencia Artificial para Previsiones de Demanda en Retail más Precisas

Lo que empezó con unos pocos precursores (como RELEX), en los últimos años se ha convertido en tendencia: hoy, muchos retailers aplican el aprendizaje automático en la previsión de la demanda para pronosticar el impacto de factores, como la meteorología, en las ventas. Actualmente, los proveedores de tecnología para el retail o ya están aplicando el machine learning o se están apresurando a actualizar sus antiguos sistemas para ofrecer machine learning para la previsión de la demanda en retail.

El aprendizaje automático le da al sistema de pronóstico la habilidad de aprender automáticamente y de mejorar sus predicciones usando solo los datos, sin tener que hacer ninguna programación adicional. Debido a que los retailers generan cantidades enormes de datos, la tecnología machine learning demuestra su valor rápidamente. Cuando un sistema de machine learning se alimenta de datos – cuantos más, mejor – busca patrones. Más tarde, se pueden usar los patrones que identifica dentro de los datos para tomar mejores decisiones.

Imagen 3: El Machine Learning permite a los retailers captar el impacto de los patrones de venta recurrentes, sus propias decisiones internas y factores externos en la demanda para pronósticos a corto y largo plazo más precisos, granulares y automáticos.

El aprendizaje automático posibilita la incorporación de un amplio rango de factores y relaciones que influyen en la demanda en sus pronósticos de ventas de retail. Esto tiene un gran valor, ya que solo los datos de la meteorología consisten en cientos de factores diferentes que podrían influir en la demanda.

Cuando el aprendizaje automático se implementa correctamente, abordando los retos comunes de manera efectiva con los datos de retail, ofrece beneficios en todas las facetas y ángulos de la previsión de la demanda en retail:

  • Capturando los patrones de demanda recurrentes causados por los días de la semana y las temporadas
  • Pronosticando el impacto de las promociones, los cambios de precios, y otras decisiones internas de negocio
  • Prediciendo el impacto de la afluencia, de eventos locales, la meteorología, y otros factores externos.

En situaciones sencillas, como por ejemplo, tratar con variaciones recurrentes en la demanda, el aprendizaje automático entrega una precisión similar o ligeramente mejor que los métodos de previsión de la demanda tradicionales. Al tratar con situaciones complejas, cómo promociones solapadas o canibalización de ventas, los pronósticos basados en el aprendizaje automático superan, y mucho, los enfoques de previsión de la demanda tradicionales.

2.2 Inteligencia Artificial para unas Operaciones de Retail Más Rentables

A pesar de su importancia, la mejora de la previsión de la demanda no ofrece demasiado valor a no ser que los pronósticos se utilicen bien. La optimización de las operaciones de retail basada en las previsiones es un área en la que un enfoque pragmático de la IA entrega resultados increíbles. A menudo, el retorno de inversión de una optimización de la cadena de suministro y turnos laborales basados en los pronósticos es incluso más alto que el de la mejora de la previsión de la demanda del retail. Para un gran retailer, el ahorro de costes anuales puede alcanzar millones de euros.

2.2.1 La IA en la Optimización de los Turnos Laborales

El personal es uno de los mayores activos en retail, pero también uno de los mayores costes, ascendiendo a un 10-20% de la facturación. Consecuentemente, una planificación de los turnos laborales más precisa puede generar millones de ahorro anuales reduciendo el exceso de personal. Al mismo tiempo, una planificación de los turnos laborales más precisa aumenta la satisfacción de los empleados y la facturación al asegurar que los empleados de tienda no están saturados por la cantidad de trabajo asignado y poder así ofrecer un mejor servicio a los compradores.

La gestión automatizada de las jornadas laborales, o la optimización de los turnos laborales, es un problema con múltiples matices, demasiado complejo para que se pueda solucionar sin el uso de la IA. Se tienen que considerar simultáneamente muchas piezas móviles para conseguir resultados óptimos. Primero, los retailers tienen que usar muchos pronósticos para predecir la futura carga de trabajo con exactitud:

  • Predecir la carga de trabajo de servicio al cliente, como los empleados de caja, requiere pronósticos de afluencia de clientes.
  • Estimar la carga de trabajo de reabastecimiento en tienda, como la reposición de las estanterías, necesita visibilidad de los volúmenes de los flujos de entrada.
  • Preparar los pedidos online, como las recogidas y las entregas, requiere pronósticos de pedidos online y de línea de pedidos.

Toda esta carga de trabajo tiene que optimizarse para que cuando haya mucho trabajo de servicio al cliente, se cuente con los suficientes recursos, y se programen menos tareas para que los turnos de trabajo sean razonables.

Finalmente, los retailers tienen que poder optimizar las jornadas laborales para que coincidan con la carga de trabajo, las condiciones contractuales (cómo mínimo y máximo de horas), y regulaciones como descansos obligados y tiempos entre turnos. La optimización tiene que considerar también que no todos los empleados tienen la suficiente formación para realizar todas las tareas, y ha de recomendar los recursos mejor cualificados o capacitados para tareas específicas.

Imagen 4: La optimización de las jornadas laborales basada en la IA posibilita considerar la complejidad de la carga de trabajo, la disponibilidad del personal, y los requerimientos legales para obtener resultados óptimos.

Al aplicar la IA pragmáticamente a través de una combinación de algoritmos, el complejo problema de optimización de turnos puede solucionarse de una forma mucho más precisa que antes, y en tan sólo unos segundos. La IA hace posible satisfacer tanto las necesidades a corto plazo de crear turnos de trabajo eficaces y bien equilibrados, como la necesidad a largo plazo de asegurar que la empresa cumple con los requerimientos contractuales y legales.

El impacto económico de la gestión y optimización de las jornadas laborales es enorme: hasta un 10% de disminución de costes de personal, que se traduce en más de 10 millones de dólares anuales de ahorro para un retailer con una facturación de 1.000 millones de dólares. Al mismo tiempo, los empleados se benefician de tener una carga de trabajo equilibrada y una visibilidad de sus siguientes turnos laborales. La optimización de las jornadas laborales también permite a los responsables de tienda pasar menos tiempo haciendo la planificación manual en sus ordenadores y teléfonos, y tener mucho más tiempo para gestionar su personal de forma más proactiva. (Caso Coop Värland)

2.2.2. LA IA en la Optimización de la Cadena de Suministro

Los enfoques matemáticos y la investigación de operaciones ya llevan aplicándose en la optimización de las cadenas de suministro durante algún tiempo, pero también hay nuevas oportunidades en esta área.

La planificación de la cadena de suministro estocástica, por ejemplo, suena a exótico, pero solo trata la incertidumbre de una manera inteligente. Un ejemplo tangible es reemplazar el stock de seguridad estático para los productos frescos con la optimización de pedidos basada en la probabilidad para captar como fluctúan el volumen de la demanda y la incertidumbre a lo largo de la semana. Esto permite a los retailers de productos frescos optimizar el equilibrio entre el riesgo de mermas y el riesgo de pérdidas de ventas.

La optimización del reabastecimiento de los productos frescos conlleva resultados impresionantes. Hemos visto cómo los retailers han reducido las mermas hasta un 40% (en este estudio encontrará más información sobre la disminución de mermas y su impacto en sostenibilidad). Como el coste de las mermas de alimentos asciende a más del 1,5% de la facturación para un retailer de alimentación medio, la reducción de las mermas tiene el poder de impulsar un aumento significativo de la rentabilidad.

Imagen 5: Cuando se conoce la probabilidad de distribución de la demanda del retailer, se puede utilizar para optimizar de forma precisa los pedidos diarios de productos frescos para minimizar el coste de las mermas y las pérdidas de margen de ventas.

Otro uso valioso de la IA en la optimización de retail es el suavizado del flujo de productos, lo que garantiza niveles de inventario más constantes y evitar sobrecargas tanto en los centros de distribución, centros de preparación y entregas de pedidos, y tiendas. Esto es especialmente significativo para los retailers que han invertido en el manejo de los productos automatizado; un mayor uso de la capacidad lleva a un retorno de la inversión en robótica más rápido.

La aplicación de la IA añade un gran valor a la cadena de suministro y permite nuevas oportunidades para su optimización. La optimización del reabastecimiento de tienda para conseguir un flujo de productos más uniforme es intrínsicamente compleja. La optimización tiene que considerar el rango completo de productos que se lleva a cada tienda así como una serie de datos específicos de la tienda y del producto. Ha de tener en cuenta la demanda local para cada producto, el espacio disponible en las estanterías por producto, qué productos se colocan en un mismo pasillo en cada tienda, y la vida útil de los productos. Con la aplicación de la IA (inteligencia de enjambre, en este caso), se puede cumplir con todos los requisitos para que aumente la eficiencia tanto en las tiendas como en la red de distribución (Caso S Group)

Imagen 6: La optimización basada en IA para el reabastecimiento de tiendas permite suavizar el flujo de productos desde los centros de distribución a las tiendas, ofreciendo un uso más eficiente de los recursos y la capacidad. (línea roja 0 antes de la optimización; línea verde = después de la optimización)

Es bien sabido que el retail es: “otro día, otro desastre”. Cuando se manejan millones de flujos de productos, es probable que algo salga mal. Los planificadores han de dedicar muchísimo tiempo a gestionar las consecuencias de cada retraso en las entregas, cada problema de calidad, y cada fluctuación de la demanda inesperada en la cadena de suministro. Las perturbaciones menores recurrentes deberían ser tratadas automáticamente, preferiblemente antes de que impacten de forma negativa en las operaciones.

La buena noticia es que este tipo de alertas o excepciones bien definidas se prestan muy bien para la resolución autónoma de problemas. Usando las prioridades de negocio predefinidas y las reglas y flujos de trabajo automatizados, el software de planificación de la cadena de suministro puede tomar decisiones inteligentes por sí mismo, por ejemplo, asignación óptima de inventario a la tienda correcta o activación automática para “forzar” el stock que está a punto de caducar de forma óptima.

2.3 Inteligencia Artificial para Mejores Decisiones Comerciales en Retail

En merchandising, los algoritmos ayudan a los retailers a tener una comprensión integral de los patrones de compra de los consumidores, y luego utilizan este conocimiento para agrupar productos, consumidores, y tiendas. Por ejemplo, al hacer compras online, el portal a menudo sugiere que “también puede estar interesado en estos productos”. Estas sugerencias vienen de un motor de recomendaciones que se basa en algoritmos de IA que analizan los carros de la compra de otros consumidores.

El clústering de tiendas basado en patrones de compra local es otra aplicación de algoritmos de clasificación, en este caso, el algoritmo de K vecinos más cercanos. El clúster efectivo de tiendas respalda la capacidad del retailer para crear surtidos adaptados a la demanda local sin introducir una complejidad innecesaria en la gestión del surtido.

Los algoritmos de optimización permiten tomar decisiones de merchandising más precisas. Por ejemplo, la optimización del espacio específico de tienda, con la que se optimiza la colocación de cada producto en las estanterías y la cantidad de facings según la previsión de la demanda local y los flujos de productos entrantes. Los algoritmos basados en IA permiten a los planificadores de espacios resolver rápidamente problemas complejos de optimización con tasas de precisión extremadamente altas. Los planogramas optimizados localmente impulsan el valor tangible del negocio, reduciendo los costes de manejo de las mercancías e incrementando la disponibilidad en las estanterías y las ventas.

Finalmente, la optimización de las promociones y descuentos es una aplicación sencilla pero potente de la IA en el merchandising que utiliza modelos de elasticidad de precios para estimar cómo el precio impacta en la demanda de un producto. Los cálculos de elasticidad de precios no son un concepto nuevo, pero sin embargo, la habilidad de los sistemas de planificación actuales para realizar estos cálculos sobre la marcha por producto/tienda, combinado con una visibilidad de inventario y precisión de pronóstico sin precedentes, ha llevado este concepto a otro nivel.

La optimización de retail moderna y unificada permite un proceso de promociones y descuentos altamente automatizado que identifica de forma autónoma los productos y tiendas que se beneficiarán de los descuentos, luego recomienda los precios óptimos rebajados según la estrategia de precios del retailer. Los niveles altos de automatización hacen que los planificadores ejecuten promociones y descuentos rápidamente con poco esfuerzo y desbloquear nuevas oportunidades con precisión. La optimización de las promociones y descuentos es una actividad que vale la pena en los mercados de retail verticales donde tradicionalmente no se ha utilizado, como los supermercados.

Imagen 7: La solución para la optimización de promociones y descuentos basada en la IA de RELEX usa continuamente los datos de inventario más recientes y los cálculos de elasticidad de precios para recomendar la reducción óptima para aquellos productos que necesitan salir de la cadena de suministro.

El beneficio es claro: nuestros clientes han visto un 4,9% de crecimiento en el margen. La optimización de promociones y descuentos también reduce las molestias en las tiendas al liquidar stock de forma efectiva para hacer espacio a los nuevos productos en los cambios de surtidos y los finales de temporadas ( Caso Suomalinen).

3. La IA en la Optimización de Retail: Entrega Valor de Negocio

Cuando la IA se aplica a la optimización del retail, los resultados son increíbles: mejora los márgenes de beneficio, aumenta las ventas, reduce las mermas, y otorga un uso más efectivo del inventario y la capacidad. Los beneficios para el retailer, para sus clientes e incluso para el medio ambiente, son inmensos.

La aplicación de la IA en las operaciones de retail debe diseñarse con cuidado y de forma pragmática. Para asegurar que se obtienen todos los beneficios de la IA, el software de optimización de retail tiene que cumplir con los siguientes requerimientos:

  • Se tienen que seleccionar los algoritmos correctos basados en los datos disponibles y el tipo de problema que se tenga que resolver. Los métodos deben actualizarse continuamente a medida que la tecnología evoluciona y hay nuevos datos disponibles.
  • Los algoritmos deberían operar eficientemente y ser fiables a escala de retail, permitiendo una gestión efectiva de los millones de pronósticos de retail y de decenas de millones de flujos de productos. Si el procesamiento de datos se alarga demasiado, puede que las recomendaciones ya estén desactualizadas para cuando estén listas.
  • Todos los enfoques de IA tienen que funcionar de forma conjunta perfectamente y dar soporte a la planificación multifuncional. El mayor reto para el retailer de hoy es pasar de los silos funcionales subóptimos a decisiones unificadas y multifuncionales que impulsan la rentabilidad general.
  • El razonamiento detrás de las decisiones y recomendaciones automatizadas tiene que ser completamente transparente, permitiendo que los usuarios comprendan, confíen y, a veces, ajusten los cálculos y resultados sin tener que ser científicos de datos para hacerlo.

En cualquier caso, aunque el acceso a más datos, mejores algoritmos, y un aumento del poder de procesamiento de datos hacen que la toma de decisiones más granulares, más precisas y más automatizadas, la experiencia humana sigue siendo enormemente valiosa. Situaciones novedosas como la reciente pandemia global, que tenía pocos datos asociados desde los que crear modelos, pueden volver a suceder (lea más sobre la respuesta al impacto de la COVID-19, aquí). Escenarios de datos limitados vuelven a surgir de forma natural a medida que los retailers se revientan.

La experiencia humana es importante, por ejemplo, cuando los retailers planifican nuevos formatos de tienda o nuevos servicios. De igual manera, hay muchos temas complejos que se resuelven mejor cuando los planificadores contrastan y discuten sobre las opciones disponibles con los responsables de categoría o proveedores. Finalmente, la experiencia en planificación es esencial para trasladar la estrategia de negocio única de cada retailer a objetivos detallados que controlan como la IA optimiza los resultados.

Imagen 8: Los retailers deben combinar de forma pragmática la IA con un apoyo eficaz para la toma de decisiones humanas y conseguir unas decisiones más precisas, en tiempo, y autónomas. Un buen poder de procesamiento de datos es clave.

Para conseguir todos los beneficios de la experiencia de un planificador, los retailers necesitan amplificar la inteligencia: la capacidad de convertir los datos en información procesable y en recomendaciones. Esto también hace que el trabajo de los planificadores tenga más importancia y tenga más significado, permitiéndoles dedicar menos tiempo a la rutina de preparación de datos y más tiempo en la toma de decisiones. Esta es la razón por la que las mejores herramientas de planificación han de tener potentes análisis integrados. Esto asegura que no se pierde el tiempo cambiando entre sistemas o esperando informes cuando se necesita tomar decisiones de forma urgente.

4. Hacer las Preguntas Correctas: Cómo Evaluar Sus Opciones de IA

Con clichés como “IA es el nuevo petróleo”, compañeros tratando de impresionarles como si fueran expertos en IA, y proveedores de tecnología que etiquetan cada cálculo más allá de las hojas de cálculo como IA, puede que sea difícil saber qué es cierto y qué no cuando se habla de IA. Así que, ¿cómo pueden los retailers estar seguros de que están implementando la IA pragmáticamente para mejorar la salud de sus empresas?

La única manera de tenerlo claro es preguntarle al proveedor de tecnología las preguntas que todo el mundo en la reunión está pensando, pero nadie se atreve a hacer:

  • ¿Qué quiere decir con “esto está basado en IA”?
  • ¿Qué datos y en qué cantidad se necesitan para este trabajo?
  • ¿Cómo se usan los datos? ¿cómo impacta la calidad de los datos en los resultados?
  • ¿El nuevo método resuelve los problemas mejor que el método anterior?
  • ¿Tiene algún ejemplo para que se vea cómo funciona en la práctica?
  • ¿Puedo hablar con alguno de sus clientes que ya esté usando este enfoque?

Todos nosotros ya estamos interactuando con la inteligencia artificial a diario al usar aplicaciones de navegación, explorando las recomendaciones online de productos, o dejando que nuestro asistente de aparcamiento tome el control de nuestro vehículo. La inteligencia artificial no es magia, es ingeniería inteligente.

Como con la mayoría de las innovaciones tecnológicas, no tenemos que programar los algoritmos nosotros mismos o replicar los cálculos, pero sí que tenemos que saber cuándo funciona (y especialmente cuando no) y por qué. Un enfoque pragmático de la IA consiste en resolver problemas de negocio reales para ofrecer un valor de negocio real.

Autor

Johanna Småros

Johanna Småros

Co-founder & Group Chief Marketing Officer