Mientras que las aplicaciones prácticas de la inteligencia artificial/aprendizaje automático (IA/ML) ya han ocupado un lugar destacado en el sector minorista, desde la planificación de la demanda hasta la gestión de inventario, la fijación de precios durante el ciclo de vida y más, la moda de nivel medio puede estar rezagada en comparación con las grandes empresas.
Ya sea que la pandemia haya redefinido gran parte del panorama minorista o simplemente haya acelerado la transformación inevitable, los resultados son innegables: los patrones de compra de los consumidores han cambiado para siempre. Y ningún sector de la economía minorista ha sido más afectado que la moda de nivel medio.
Es justo suponer que la venta minorista de moda nunca volverá a la mezcla de ventas previa a la COVID dominada por las compras en tiendas físicas, ni veremos picos de ventas en línea similares a los puntos más altos de los cierres. Siempre habrá un segmento probado y verdadero de consumidores que prefieren la experiencia táctil de buscar entre los estantes de sus tiendas favoritas y probarse prendas antes de comprar. Mientras que otros clientes, especialmente los millennials y la Generación Z, evitan los centros comerciales locales a favor de comprar ropa de moda a través de sitios web y aplicaciones móviles.
A su vez, ahora estamos presenciando un entorno omnicanal fluido en el que muchos minoristas de moda están luchando por navegar y «obtener los números correctos» tanto para las ventas en tiendas como en línea: pedidos a proveedores, inventario disponible, asignación de centros de distribución/tiendas, además de envío eficiente y cumplimiento de la compra en línea y recogida en tienda (BOPIS, por sus siglas en inglés). Cuando estas funciones principales se desequilibran, los clientes se frustran con la falta crónica de productos, retrasos en la entrega y otras ineficiencias, hasta que finalmente prestan atención a los competidores. Al mismo tiempo, el exceso o mal uso del inventario puede erosionar rápidamente el margen crucial del minorista.
En respuesta, los minoristas de moda innovadores están replanteando su enfoque, introduciendo un nuevo concepto de planificación de la demanda omnicanal: un enfoque integral y fluido para comprender la demanda y equilibrar la asignación de inventario en ambos canales, tanto en tiendas físicas como en línea. Dominar esta optimización multicanal comienza con el análisis y procesamiento adecuados de todos los datos disponibles: ventas en tiendas, ventas en línea, precios y promociones, días festivos y eventos, tráfico en línea, datos demográficos de los clientes, incluso posibles efectos de los patrones climáticos locales, entre una gran cantidad de otras variables relevantes.
Vea también: Academia y gobierno, los eslabones débiles de la inteligencia artificial en México
Identificar todos estos datos dispares e interpretar sus efectos en la demanda del consumidor sería una tarea hercúlea para los humanos y las hojas de cálculo manuales solamente. En su lugar, los algoritmos de inteligencia artificial/aprendizaje automático (IA/ML) ya han demostrado un valor revolucionario para los minoristas, al proporcionar la agilidad y la escala necesarias para mantenerse al día en un mercado de moda de nivel medio cada vez más competitivo.
¿Cuáles son algunos de los beneficios iniciales que una solución impulsada por IA puede proporcionar a un minorista de moda omnicanal?
Aumentar los sistemas de datos existentes: contrariamente a algunas ideas erróneas, las soluciones de IA/ML no necesitan requerir una costosa «eliminación y reemplazo» de la infraestructura de datos heredada. Incorporados en conjunto, pueden mejorar los sistemas comunes de planificación de recursos empresariales (ERP) actuales, como SAP, JDA y Oracle, para hacerlos más inteligentes. Una vez que la solución de inteligencia artificial haya absorbido todos los datos relevantes, generará una señal de demanda unificada a la que se puede hacer referencia como una única fuente de verdad para la asignación y el reabastecimiento omnicanal.
Planificación de compras de pretemporada: los minoristas de nivel medio en particular planifican sus compras de pretemporada manualmente. Cuando los compradores humanos toman decisiones enmarcadas en voluminosas hojas de cálculo (lo que se complica aún más por las difíciles de manejar cadenas de suministro actuales y los prolongados plazos de entrega) son propensos a pedir cantidades subóptimas. Muy pocas unidades de un SKU popular pueden provocar desabastecimientos tempranos: pérdida de ventas, márgenes e ingresos. Al mismo tiempo, los pedidos excesivos, el exceso de inventario y los costos adicionales de mantenimiento que consumen ganancias pueden eventualmente requerir fuertes rebajas para sacar las mercancías al mercado, al tiempo que inmovilizan capital que podría ser mejor invertido en otra parte. Otra aplicación emergente de previsión de IA/ML permite a los compradores sincronizar con precisión los pedidos de pretemporada con la demanda proyectada de los consumidores, respaldada por información basada en datos.
Gestión de inventario proactiva: la tecnología de vanguardia AI/ML está desempeñando un papel cada vez más importante en la eliminación de las costosas conjeturas al ordenar y asignar productos de moda entre canales, así como en el reabastecimiento de productos básicos de uso diario. Guiados por pronósticos de demanda impulsados por IA/ML, los minoristas pueden tomar decisiones de planificación de inventario mejor informadas que minimicen los riesgos inherentes asociados con el comercio minorista de moda y, al mismo tiempo, aumenten las ganancias.
Optimización/consistencia de precios: el cambio radical en los hábitos de compra omnicanal de los clientes ha complicado las estrategias de precios tradicionales. Los minoristas que tradicionalmente se han basado en estrictas reglas de rebajas (que en algunos casos pueden incluso ser anteriores a Internet) ahora reconocen la necesidad de estructuras de precios matizadas para obtener un mayor margen tanto en las ventas en tienda como en línea. Esto representa una excelente oportunidad para que las soluciones de IA centradas en datos más granulares (ventas en tiempo real, patrones de compra en línea, inventario disponible y otros tipos de seguimiento) determinen el precio óptimo del ciclo de vida de cada SKU y, al mismo tiempo, equilibren las opciones para vender esos artículos en un precio más elevado a través del canal online. En resumen, donde la demanda omnicanal ha aumentado significativamente la complejidad de los precios, el análisis de datos avanzado detrás de la IA ha puesto orden en el caos.
Si bien las aplicaciones prácticas de la inteligencia artificial/aprendizaje automático (IA/ML) ya han tomado protagonismo en el sector minorista, desde la planificación de la demanda hasta la gestión de inventario, pasando por la fijación de precios del ciclo de vida y más, la moda de nivel medio puede todavía estar intentando ponerse al día con las grandes empresas. El entorno omnicanal fluctuante de hoy en día es una oportunidad ideal para que este sector desatendido explore el aprovechamiento de estas herramientas de ciencia de datos de próxima generación para agilizar las operaciones de principio a fin, fortalecer sus identidades de marca y fomentar aún más la lealtad esencial entre sus bases de clientes.
