Autor: Aki Ali-Vehmas, Data Scientist

El tiempo es una fuente de fluctuaciones significantes en la demanda del consumidor. Hoy podemos tener un día soleado y caluroso y mañana amanecer con un día gris y lluvioso. Pronosticar las condiciones meteorológicas no es tarea fácil y los cambios rápidos pueden hacer que los consumidores, de repente, se pongan a comprar un(os) producto(s) en concreto, o dejen de hacerlo; lo que puede resultar muy costoso para un retailer.

Debido al “efecto látigo”, los cambios meteorológicos también pueden producir fluctuaciones innecesarias en el lado del suministro: si se envía demasiado producto se pueden exceder los límites de capacidad en cada uno de los niveles de la cadena de suministro y aumentar el deterioro de los productos frescos, pero si no se envía lo suficiente, se pueden provocar pérdidas de ventas significativas.

Es importante saber que la pérdida de ventas no solo aplica a los productos que no están disponibles en stock – especialmente durante condiciones climáticas extremas, cuando es más probable que los clientes se decidan a visitar una tienda u otra basándose en la disponibilidad de algún producto clave, por ejemplo, agua embotellada durante períodos de temperaturas muy altas.

Prever el tiempo es difícil, pero si pensamos en ejemplos típicos de relaciones entre la demanda y algunos elementos meteorológicos, podemos crear modelos, y eso, es fácil; las altas temperaturas impactan en la venta de helados, las lluvias aumentan la demanda de paraguas, etc.

En cualquier caso, cuando tomamos distancia y observamos todo el surtido de productos al completo, ya no es tan fácil. A saber, ¿cómo se pueden distinguir entre los productos relacionados con el efecto tiempo y los que no? ¿cómo se mide qué productos reaccionan a qué elemento del clima (por ejemplo, temperatura, sol, nubes, lluvia, nieve) y ¿en qué medida reaccionan?

Aquí veremos algunas de las mejores prácticas en la previsión de ventas basada en las condiciones meteorológicas para que las empresas de retail puedan prepararse para las fluctuaciones relacionadas con el tiempo.

1. Construir previsiones de ventas basadas en la meteorología por encima del “baseline” (la previsión base)

Se puede hacer que el modelo de tiempo se concentre en los efectos meteorológicos independientemente de la previsión estadística base, lo que dará una visión sobre qué parte del pronóstico proviene de cada modelo. Esto lleva a varios beneficios en el uso real: los diferentes modelos y sus productos se pueden separar para, por ejemplo, cuantificar si el modelo meteorológico realmente mejora la precisión de la previsión.

Por otro lado, los diferentes modelos y sus resultados se pueden comparar de forma transparente, de modo que, por ejemplo, en el caso de que se produzca un gran aumento de la previsión basada en el clima, la subida puede ponerse en contexto para verificar si tiene sentido o no, y si el retailer debe actuar en consecuencia.

2. Observar los modelos de tiempo a diferentes niveles

Se recomienda construir un proceso de previsión de ventas basado en el tiempo, que examine los modelos iterativamente en diferentes niveles, de modo que cada producto en cada tienda obtenga el modelo que mejor se adapte a sus datos.

La combinación de SKUs en tienda es el nivel más bajo y normalmente el más preciso también. Así que, en teoría, cada producto de cada tienda puede tener un modelo diferente porque cada producto y cada tienda pueden tener comportamientos diferentes ante la meteorología. Especialmente la ubicación de la tienda puede marcar grandes diferencias. Por ejemplo: cuando se compara el efecto meteorológico sobre una gran tienda del centro de una ciudad con muchos turistas, con el de un supermercado en un lugar donde solamente se puede llegar en coche, generalmente, el impacto será mayor en la tienda de la ciudad que en el supermercado.

3. Considerar los efectos meteorológicos más sofisticados

Además de los puros datos meteorológicos, se consiguen mejores resultados cuando se consideran otros efectos meteorológicos más sofisticados. La variación del día de la semana es algo que vale la pena considerar. Además de la variación normal del día de la semana, el impacto puede variar de días entre semana a fines de semana.

Algo más a tener en cuenta: considerar las condiciones del tiempo pasadas y futuras. El efecto suele ser más fuerte, por ejemplo, en el primer fin de semana soleado de primavera que, en un fin de semana soleado en pleno verano, cuando ya ha habido muchos fines de semana soleados.

Los consumidores también tienden a planificar por adelantado en función de la previsión del tiempo, por lo tanto, en el caso de que haya una buena previsión del tiempo para el fin de semana, irán a comprar a principios de semana. Además, las no linealidades en los efectos del clima también deben ser consideradas. Por ejemplo, es posible que las altas temperaturas aumenten la demanda, pero las temperaturas extremadamente altas comienzan a disminuir la demanda, porque los consumidores se quedan en casa.

Con herramientas sofisticadas, todo el proceso, desde la obtención de datos meteorológicos hasta el cálculo de la previsión corregido por la meteorología, puede automatizarse por completo. RELEX tiene una integración incorporada a un proveedor mundial de datos meteorológicos y los datos se obtienen en función de las coordenadas de la tienda. También se puede integrar fácilmente a cualquier otro proveedor de datos meteorológicos, si es necesario.

¿Preparado para transformar su planificación en Retail?

En RELEX hemos ayudado a empresas a solucionar sus problemas en Retail –en realidad, cuanto más complejo sea el entorno, mayor será el impacto de RELEX. Para saber más, contacte con nosotros.

Contacte con nosotros para saber más