Abriendo nuevas puertas: cómo la IA está transformando la ciencia del surtido

Tener los productos adecuados en las estanterías adecuadas de las tiendas adecuadas para los clientes adecuados suena enrevesado, ¿verdad? Sin embargo, dominar el surtido entre distintas enseñas, ubicaciones y formatos de tienda sigue siendo un enorme reto (y una oportunidad perdida) para todos los retailers. A lo largo de nuestra historia, en dunnhumby nos hemos centrado en abordar el reto del surtido, y actualmente ayudamos a muchos de los principales retailers del mundo a resolverlo.

De hecho, el marco de la ciencia de datos que establecimos hace más de 30 años ha contribuido a configurar la forma en que nuestro sector concibe el surtido en su conjunto.

La base de este marco es el principio de "amplitud sobre profundidad". Se trata de satisfacer las necesidades de los clientes, es decir, los factores que les impulsan a comprar. Si un surtido contiene cinco variedades de ketchup pero ninguna de mostaza, por ejemplo, es probable que algunos compradores queden insatisfechos. Para contrarrestar esta situación, los retailers deben asegurarse de que todos los estados de necesidad están cubiertos antes de añadir cualquier duplicación (es decir, variedad) a una gama.

Naturalmente, la ciencia de datos desempeña un papel fundamental. Además de ayudarnos a comprender las necesidades de los clientes y qué productos tienen más probabilidades de satisfacerlas, los retailers deben ser capaces de hacerlo rápidamente y a gran escala. Gracias a décadas de perfeccionamiento, las herramientas y técnicas que hemos desarrollado ahora permiten a los retailers hacerlo con solo pulsar un botón, sin ninguna intervención manual.

Por supuesto, también tenemos la mente puesta hacia el futuro. dunnhumby lleva ya algún tiempo aprovechando la inteligencia artificial (IA), lo que nos ha permitido dar algunos saltos considerables en cuanto a nuestras capacidades relacionadas con el surtido.

Con el firme propósito de ayudar a nuestros clientes a automatizar y perfeccionar sus procesos, estamos empezando a utilizar estos avances para abordar algunos de sus mayores retos. Veamos algunos casos concretos.

1. Surtidos localizados
   Los surtidos localizados no son nuevos; hace tiempo que sabemos que algunos productos funcionan mejor en unos lugares que en otros. Por ejemplo, una tienda situada en una zona menos acomodada puede necesitar un surtido sutilmente diferente al de otra situada en un lugar más próspero. Hace años que los retailers agrupan y segmentan sus surtidos teniendo en cuenta esta lógica.
   El problema es que las suposiciones generales pueden ser reduccionistas y conducir a resultados “auto-complacientes”. Después de todo, si una marca de primer nivel nunca se ha vendido en una zona menos próspera, ¿podemos estar seguros de que su rendimiento será inferior allí? Este es el tipo de pregunta que todo retailer interesado en un surtido verdaderamente centrado en el cliente necesita responder.
   Afortunadamente, los avances en IA nos han dado la capacidad de encontrar esas respuestas de forma más inteligente. Al examinar las relaciones entre productos y tiendas, los sistemas de recomendación avanzados pueden detectar relaciones y destacar oportunidades con un margen de error mucho menor. En última instancia, esto conduce a una mejor toma de decisiones y a una mejor experiencia para los clientes.
2. Planificación del espacio en las estanterías
   ¿Encajará este surtido? Crear un buen surtido no consiste sólo en seleccionar los productos adecuados, sino también en asegurarse de que caben en el lineal. Esto puede ser un proceso arduo y laborioso; los cambios en las dimensiones de los envases, los nuevos productos y los nuevos acuerdos comerciales pueden obligar a rediseñar el planograma.
   Además de ser capaz de albergar la combinación adecuada de productos, la disposición de las estanterías también debe tener sentido para los compradores. Es poco probable que los clientes reaccionen bien ante una balda con diferentes variedades del mismo producto repartidas por toda la superficie, o con grandes tarros que se tambalean en el borde superior. Por tanto, los merchandisers también deben tener en cuenta cómo perciben los clientes el lineal.
   En este caso, el papel de la IA es actuar como intermediaria. Aprendiendo de los planogramas existentes y del comportamiento de los clientes, la IA puede ayudarnos a elegir gamas que maximicen el potencial de ventas al optimizar el espacio en el lineal. Esto no solo ahorra tiempo a los gestores de las categorías, liberándoles de interminables revisiones, sino que también garantiza que los diseños sean lo más intuitivos posible para los clientes.
3. Predicciones
   Las predicciones precisas son fundamentales para cualquier retailer, pero es muy difícil que acierten. Aunque pueda parecer que se trata simplemente de sumar las ventas previstas de cada producto, nada más lejos de la realidad. Un factor clave es la transferencia de la demanda. Cuando una gama introduce productos demasiado parecidos a los que ya tiene en stock, pueden acabar comiéndose las ventas unos a otros.
   Sin embargo, con la ayuda del Machine Learning, podemos empezar a conocer la solidez de la relación entre productos similares. Los modelos predictivos muestran lo que ocurrirá con la demanda de los clientes cuando se introduzcan o retiren productos de una gama. Esencialmente, la IA nos ayuda a crear previsiones mejores y más precisas.

Para más información sobre dunnhumby Assortment, visita dunnhumby.com/dunnhumby-assortment/