Se acercan las liquidaciones de final de temporada, y el Cyberday ofrece a los minoristas la
oportunidad de deshacerse de los productos que no se vendieron a precio completo. La IA es una herramienta que permite optimizar el inventario, pero ¿están sacando el máximo provecho? En esta entrevista, Roei Raz comparte sus conocimientos sobre el proceso de automatización del inventario.
Agosto de 2023.- El año pasado, Fashion United, la principal plataforma de la industria de la moda, advirtió que en el 2023 aproximadamente el 30% de toda la ropa fabricada en el mundo se quedaría sin vender. Esto no solo supone un problema para los minoristas por las pérdidas económicas que conlleva, sino también para el planeta, dado el volumen de residuos que genera el fast fashion.
Si hace una década las grandes marcas de ropa hacían dos cambios de temporada al año, hoy el recambio se hace prácticamente una vez a la semana. Lo mismo ocurre con las liquidaciones, que cada vez son más frecuentes. Ya no es necesario esperar al final del verano para comprar gangas.
La pregunta que surge es: ¿qué hacen los minoristas con todos los productos que no lograron vender? Probablemente, un porcentaje se vende en súper liquidaciones, otra parte va a donaciones y el resto acaba en la basura. Imágenes desgarradoras de Chile muestran pilas de ropa acumulándose en el desierto de Atacama o en Alto Hospicio, en Iquique.
Conversamos con Roei Raz, vicepresidente de Ventas Globales de Onebeat, la startup que está revolucionando el paradigma del retail mediante el desarrollo de una tecnología innovadora que emplea IA y big data para la gestión de inventarios en tiempo real. Esto permite a los minoristas vender la mayor parte de sus existencias antes de las liquidaciones.
¿Es sostenible el negocio si depende de las liquidaciones?
El aumento de los descuentos puede poner en peligro la rentabilidad a corto plazo de una
empresa y su posicionamiento de marca a largo plazo. El reto del comercio minorista reside en las ventas a precio completo.
¿Se está subutilizando el potencial que ofrece la IA en el retail?
Los actuales modelos de predicción basados en IA listos pueden aprovechar los datos históricos a largo plazo y predecir variables como el sentimiento del mercado y las tendencias de la moda, que antes se limitaban a las opiniones de los expertos.
Pero la realidad es un tanto decepcionante. Aunque la planificación basada en IA ha adquirido importancia hoy en día, no ha cambiado mucho el punto de referencia de las ventas durante la temporada, ni la cuota de inventario sin vender.
¿Cuál es su teoría, dada su experiencia como consultor de importantes grupos minoristas de todo el mundo?
Llevamos más de una década estudiando este fenómeno. Al analizar los datos de los minoristas de la moda, descubrimos que del 50% de los productos en las estanterías antes del final de la temporada pertenecen a SKU que solo contribuyeron en un 5% a las ventas de la temporada.
Eso significa que los productos denominados fast movers o de rápido movimiento, representan solo un 20% de la colección, mientras que los slow movers -que comprenden el 80% restante se van acumulando con el tiempo y ocupan mayoritariamente espacio en las estanterías.
A medida que los productos de venta más rápida se venden antes de lo previsto, se agotan
rápidamente y su cuota en los lineales disminuye con el tiempo. Con la afluencia de nuevas
colecciones, las estanterías se llenan de productos más lentos, lo que deja menos espacio para la exposición de nuevos artículos. La probabilidad de que los clientes encuentren el producto que desean en su talla disminuye drásticamente.
¿Quién es responsable de estos productos no vendidos?
A simple vista, la responsabilidad podría recaer en el diseño, en quien planifica las colecciones o en quien gestiona el inventario.
El problema empieza cuando los minoristas asignan las nuevas colecciones a las tiendas. Aún carecemos de estadísticas de ventas y no podemos confiar en la intuición para predecir el índice de ventas de una combinación específica de estilo-color-talla en una tienda concreta. Una práctica habitual entre los minoristas es establecer pautas de curva de tallas para las categorías en las tiendas.
Por ejemplo, si una tienda vende en promedio dos unidades a la semana de una talla esencial de camisa, los minoristas podrían considerar esta cifra como el punto de partida para dicha talla en todas las tiendas. Sin embargo, hemos comprobado que esta cifra promedio no refleja la realidad, porque incluye tanto los pocos artículos muy populares -que pueden vender hasta diez unidades por semana, como los muchos productos más lentos que no logran vender. Empezar con un inventario excesivo en las tiendas conduce a un exceso de productos de baja rotación en las tiendas y limita la cantidad de inventario disponible para reponer los productos de alta rotación.
¿Cómo aprovechar los productos que se venden rápido en una tienda pero se mueven más despacio en otra?
Trágicamente, los mismos artículos de rotación rápida que se agotaron a principio de temporada, causando una pérdida de ventas en una tienda, acaban perdiendo margen en otras cuando se liquidan con descuentos de final de temporada.
¿A qué conclusión llegaron con su análisis?
Un simple análisis entre tiendas reveló que tenían capacidad para vender más del 50% del
inventario de baja rotación durante la temporada si la mercadería se colocaban en el momento y lugar adecuados.
Los planes de asignación de inventario se ajustan en función de las normas de SKU, según la demanda estacional real. Lo habitual es centrarse en los algoritmos de previsión convencionales, como las previsiones continuas y los objetivos dinámicos MIN-MAX.
El error consiste en suponer que la vida útil de una colección dura más de 4 a 6 semanas, y que el ritmo medio de venta de un producto típico es superior a una o dos unidades en 2 semanas. Para cuando dispongamos de estadísticas suficientes para una previsión precisa, la temporada habrá terminado, y la mayor parte del inventario habrá estado mal colocado en las tiendas.
¿Cómo podemos aprovechar la IA para salir de este ciclo?
Los minoristas que adoptaron esta nueva tecnología de Onebeat experimentaron un aumento de entre el 10% y el 20% en las ventas de temporada, disfrutando de mayores márgenes con un inventario de tienda optimizado.
Pero eso no es todo. He aquí algunos consejos valiosos para aprovechar al máximo la
automatización
1. Agrupar productos por comportamiento: El algoritmo agrupa dinámicamente los
productos en función de los patrones de demanda identificados, ajustando los objetivos
en tiempo real.
2. Similitud de productos: Conduce a una asignación más inteligente de nuevos productos, aprovechando las lecciones aprendidas del comportamiento de productos similares en temporadas anteriores.
3. Predicción de demanda extrema: Los datos de temporadas pasadas ayudan a predecir posibles cambios en la demanda y su impacto en el inventario de la tienda durante
eventos especiales o reducciones de precios.
Por último, establecer operaciones más escalables y predecibles en las que los comerciantes y quienes planifican las temporadas trabajen en armonía, obteniendo una mayor satisfacción de sus funciones.
Más información de Onebeat en: https://1beat.com/es/
