Por el Dr. Luis Wilbert, Graduado del Doctorado de ZLC y el Dr. Yasel Costa, Profesor de ZLC.
La novedad vende, y cualquier vendedor cuyos productos estén sujetos en cierto modo a la moda debe retirar continuamente líneas que han dejado atrás su pico de ventas y sustituirlas por nuevas propuestas – aunque éstas apenas se distingan funcionalmente de aquellas a las que sustituyen.
En algunas firmas de “fast fashion” – Zara es el caso de manual – esto implica la sustitución de casi todas las líneas cada temporada y, a menudo, dentro de la misma temporada. Más frecuentemente, en lo que podría denominarse mercados de “slow fashion “(como Puma, Nike o Adidas), la colección incluirá artículos que sólo se almacenarán durante una temporada, pero también una base de artículos NOS (Never Out of Stock) que seguirán ofreciéndose a lo largo de muchas temporadas. No obstante, este surtido NOS también debe renovarse. El vendedor debe decidir qué líneas reemplazar y cuáles conservar para la temporada o temporadas siguientes. Ello puede suponer seleccionar unos cientos de líneas nuevas/de sustitución entre varios miles de posibilidades. Para complicar aún más las cosas, debido a los plazos de producción y envío, estas decisiones deben tomarse incluso meses antes del inicio de la nueva temporada, cuando las previsiones de demanda son inherentemente inciertas.
El objetivo, obviamente, es maximizar los beneficios. Las ventas de una línea de moda (suponiendo que tenga éxito) suelen aumentar desde su lanzamiento hasta alcanzar un máximo, para luego descender hasta una demanda más bien baja (pero aún rentable) y, finalmente, desvanecerse. Lo ideal es introducir la nueva línea antes de que las ventas del artículo existente se desplomen severamente, para mantener un alto nivel general de ventas en esa categoría.
Pero el surtido incluirá a menudo varias referencias (SKUs) muy similares, y la nueva línea propuesta puede ser muy parecida en apariencia a la que sustituye. El vendedor quiere limitar el solapamiento de productos, pero debe plantearse la sustitución de productos y estimar el grado probable de Transferibilidad de Ventas (ST por sus siglas en inglés). Esto funciona en ambos sentidos. Si se retira una SKU, ¿qué proporción de su demanda se transferirá a otras líneas bastante similares? o si se introduce una nueva SKU, ¿cuánta de la demanda es realmente nueva y cuánta ha sido canibalizada por las ventas de otras líneas similares? ST también abre la posibilidad de que el vendedor pueda simplificar su oferta sin una pérdida significativa de ventas retirando selectivamente alguna referencia de un grupo de SKU muy similares y exponiendo otra. Esto se suele denominar “agrupación de riesgos”.
Para la tesis de mi Doctorado, he modelado un marco que incluye la Transferibilidad de Ventas en este proceso de toma de decisiones. El trabajo ha sido muy útil gracias a Adidas, que ha proporcionado datos exhaustivos sobre los cambios de surtido en la vida real.
El modelo propuesto consta de tres etapas secuenciales. La primera es un cálculo de la Transferibilidad de las Ventas. Los productos similares se agrupan por atributos. Existe una jerarquía de atributos – ¿Son los artículos pantalones cortos, camisas o zapatos? ¿Se agrupan por grupo de edad, sexo, función, etc.? Pero lo que nos interesa para nuestros objetivos son las diferencias más sutiles, probablemente visuales, dentro de un grupo de productos similares, que harían que un consumidor considerara una línea como un sustituto aceptable de otra – en este caso, agrupamos los artículos por sus colores primarios, aunque se podría adoptar el mismo enfoque con otras características. Para determinar esto, aplicamos el aprendizaje automático (“machine learning”) a 32 características en 18.000 imágenes de artículos (lo que dio buenos resultados, aunque hubo algunas dificultades para distinguir entre los zapatos destinados a diferentes sexos), y a continuación podemos crear una Medida del Índice de Semejanza Estructural, que debería proporcionar una medida de la Transferibilidad de Ventas dentro de cada “clúster” de productos similares.
En la segunda fase he creado un modelo de demanda que refleja tanto la estacionalidad como el Ciclo de Vida del Producto. Obviamente, no disponemos de datos sobre la demanda de la nueva SKU propuesta, pero sí sobre la línea que va a ser sustituida, y siempre que tengamos una buena previsión de la ST, podemos convertir esos datos históricos en una previsión razonablemente sólida para la nueva línea. Al fusionar los datos históricos de una SKU y la previsión para su sustitución, obtenemos una demanda prevista casi estable, aunque se derive de dos artículos diferentes. Todo ello contribuye a un sólido modelo de optimización que determina una estrategia óptima de surtido, maximizando los ingresos y reduciendo al mismo tiempo los riesgos derivados del error de predicción de la demanda.
Por cortesía de Adidas, pudimos comparar las previsiones de demanda de este modelo con las realizadas con los enfoques más tradicionales habituales en el sector, a las que igualó o superó, por ejemplo, mostrando una mejora del 18% con respecto a los escenarios que dependían únicamente de datos históricos. Esto equivale a unos ingresos totales máximos de 57,7 millones de unidades, un 78% más que la predicción de referencia y sólo un 13% por debajo del surtido con mejores resultados de la temporada.
Así pues, el enfoque ha tenido éxito y, en principio, no hay razón por la que no pueda adaptarse a otros negocios, como los supermercados, y agruparse utilizando diferentes características, quizá no visuales, en diferentes tipos de artículos (por supuesto, tienen que ser características que el cliente pueda tener en cuenta al hacer su comparación). Muchos vendedores no quieren ofrecer productos excesivamente similares, y este trabajo ayuda a resolver el reto de, en primer lugar, identificar qué es semejanza y, a continuación, decidir qué artículos de un clúster de semejanza pueden eliminarse sin perder mercado, o sin que esa pérdida supere el ahorro que supone no tener esa SKU, ahorro que puede aplicarse a otros ámbitos.
Para más Información, contactar con el Dr. Yasel Costa en [email protected]
