¿Qué productos debe almacenar?

Una nueva técnica para ayudar a los minoristas a mejorar la planificación del surtido.

¿Qué productos debe almacenar?
Resumen.

Elegir los productos adecuados para almacenar es increíblemente importante y, a menudo, igualmente difícil de lograr. En esta pieza, los autores ofrecen un nuevo enfoque para la planificación de surtidos. El enfoque se basa en la idea de que la mayoría de las veces los clientes no buscan comprar productos específicos, sino que buscan un paquete de atributos. Por ejemplo, cuando los clientes consideran comprar un televisor, piensan en el tamaño de la pantalla, la resolución, el precio, la pantalla LCD o plasma y la marca. El nuevo método utiliza las ventas de productos existentes para estimar la demanda de sus diversos atributos y, a continuación, utiliza esas estimaciones para pronosticar la demanda de nuevos productos potenciales sobre la base de sus atributos. Esta técnica puede ayudar a los minoristas a hacer un mejor trabajo para reemplazar a vendedores lentos, comprender si es probable que los clientes se conformen con otra opción si no encuentran su producto ideal, y personalizar los surtidos.


Hacer que el surtido de productos sea correcto no es fácil, sin embargo, es absolutamente crítico para el éxito minorista. A diferencia de la gestión de inventarios y los precios, donde los minoristas tienen muchos datos y herramientas analíticas para guiar la toma de decisiones, la optimización de surtidos sigue siendo mucho más arte que ciencia. Y hacer la llamada equivocada puede ser desastroso. Considere estos ejemplos:

  • Tras una encuesta en la que los clientes dijeron que deseaban tiendas menos desordenadas, Walmart presentó Project Impact, en 2008, eliminando el 15% de los SKU que transportaba. Las ventas disminuyeron significativamente, y se vio obligado a revertir la mayoría de los cambios.
  • Super Fresh, propiedad de la tienda de comestibles A&P, dejó de llevar muchos de sus productos secos de venta baja para permitir una expansión de las ofertas frescas. Pero los productos eliminados resultaron ser esenciales para los clientes; cuando no pudieron encontrarlos, llevaron su negocio a otro lugar, y el minorista entró en bancarrota.
  • Un minorista de artículos para el hogar utilizó datos demográficos para localizar sus surtidos y satisfacer mejor los gustos de los clientes. Comenzó con ropa de cama de moda y estaba encantado de ver un aumento de ingresos del 18%. Pero cuando aplicó los datos a la categoría de baño de moda, los ingresos no se movieron. Desalentado, el minorista abandonó el esfuerzo.
  • Cuando el nuevo CEO de un minorista de neumáticos cambió su surtido de neumáticos de bajo precio a otros más caros, aprendió de la manera difícil que el precio importaba a sus clientes. El CEO fue reemplazado después de dos años, y su sucesor restauró la mayoría de los productos que habían sido eliminados.

Al igual que tantos cambios de estrategia de surtido, estos movimientos fueron en gran medida actos de fe. Es fácil detectar a los perros en su surtido, por supuesto, los datos de ventas le dirán eso, pero está lejos de ser obvio con qué vendedores lentos deben ser reemplazados por. Y siempre existe la preocupación persistente de que un vendedor lento que elimines podría ser un producto importante para algunos de tus mejores clientes, lo que les induce a defectar a la competencia. Como todos los minoristas saben, elegir el mejor surtido es un acto de equilibrio; cualquier cambio puede tener efectos de ondulación.

Muchas herramientas de software afirman apoyar la planificación de surtidos, ayudando a los minoristas a decidir qué combinación de productos maximizará las ventas. Sin embargo, con muy pocas excepciones, carecen de la capacidad de predecir la demanda de nuevos productos o de estimar cuánta demanda transferiría a otros productos si se bajara un vendedor lento. Las herramientas no hacen más que facilitar un proceso de planificación manual que se basa en el juicio de los administradores para los insumos clave. No hacen nada para reducir el riesgo inherente a cada decisión de surtido de productos.

Para abordar esta deficiencia, hemos desarrollado una técnica que hace que la planificación de surtidos sea mucho más científica. Está arraigado en nuestra observación que la mayoría de las veces los clientes no compran productos; compran un paquete de atributos. Piensa en la última vez que compraste un televisor. ¿Dijiste, «Quiero TV X»? ¿O pensaste en el tamaño de la pantalla, la resolución, el precio, la pantalla LCD frente a plasma y la marca? Nuestro enfoque utiliza las ventas de productos existentes para estimar la demanda de sus diversos atributos y luego utiliza esas estimaciones para pronosticar la demanda de nuevos productos potenciales. Armados con estos datos, los minoristas pueden probar sus corazonadas más científicamente.

Nuestro enfoque es especialmente útil para los minoristas en los segmentos de productos duros y comestibles; es menos aplicable en el segmento de prendas sensibles a la moda, donde los productos cambian rápidamente. Actualmente, los minoristas de comestibles utilizan la abundancia de datos disponibles del mercado para identificar posibles adiciones: los SKU que no llevan que se venden bien en otros minoristas. Pero las investigaciones que llevamos a cabo muestran que nuestro enfoque basado en atributos tiene un menor margen de error.

También ayuda a los minoristas a obtener información sobre las siguientes preguntas:

  • ¿Podemos mejorar nuestro surtido reemplazando productos de venta lenta por otros nuevos? ¿Cuál es la demanda probable de los nuevos artículos potenciales?
  • Si los clientes no encuentran su producto ideal, ¿cuál es la probabilidad de que sustituyan a otro?
  • ¿Cómo cambiarán las ventas si aumentamos o disminuimos el número de productos que transportamos?
  • ¿Tiene sentido la localización (personalizar los surtidos por clúster o tienda)? Si es así, ¿para qué categorías? Si decidimos crear clústeres de tiendas con diferentes surtidos, ¿cuántas deberíamos crear y qué criterio debemos usar para crearlas?

Al centrarse en los atributos de los productos, los minoristas pueden maximizar el número de clientes que dicen «Eso es exactamente lo que quiero» o «Este producto puede no ser lo que idealmente me gustaría, pero está lo suficientemente cerca, y lo compraré». Veamos ahora el proceso, usando dos ejemplos en venta al por menor de piezas de automóviles: el departamento de neumáticos de una cadena (un proyecto de investigación que realizamos) y la división de apariencia química de otra (un trabajo de consultoría). Si bien el proceso se describe aquí paso a paso, de hecho es multidimensional y altamente iterativo; gran parte del análisis es manejado por un modelo informático, que produce las recomendaciones finales.

Comprender qué atributos importan más a los clientes

El uso de nuestro método todavía requiere un cierto juicio sobre qué atributos son importantes para los consumidores y cómo esas preferencias podrían influir en sus decisiones de compra si no encuentran su primera opción. Los pasos a continuación pueden ayudar a los minoristas a abordar esas preguntas.

Identifique qué atributos son importantes para los clientes.

La mayoría de los minoristas ya piensan en sus productos en términos de atributos y pueden identificar fácilmente aquellos que importan en su categoría. Pueden incluir precio, marca, tamaño, sabor y color.

Cuando comenzamos nuestro proyecto de investigación sobre neumáticos, el gerente de categoría del minorista nos dijo que los atributos importantes para los neumáticos eran la marca, la garantía de kilometraje y el tamaño. El minorista ofreció varias marcas anunciadas a nivel nacional que el gerente creía que los clientes consideraban intercambiables. Los agrupamos como marcas nacionales. El minorista también ofreció tres marcas de casas de diferente calidad y precio, que llamaremos House 1 (la marca premium), House 2 (nivel medio) y House 3 (gama baja). Se ofrecieron varias garantías de kilometraje, pero el minorista creía que los consumidores consideraban que muchos eran equivalentes. Por lo tanto, agrupamos las garantías de kilometraje en tres niveles: Bajo (15,000 a 40.000 millas), Medio (40,001 a 60.000 millas) y Alto (más de 60.000 millas).

Las cuatro marcas y los tres niveles de garantía de kilometraje implicaban 12 combinaciones de garantía de marca que teóricamente el minorista podría ofrecer, pero algunas tenían poco sentido, como una garantía de alto kilometraje en una marca de bajo precio. Sólo se ofrecieron seis combinaciones (en orden decreciente de calidad): National High, National Media, Casa 1 Alta, Casa 2 Alta, Casa 2 Media y Casa 3 Baja.

Es fácil detectar a los perros en su surtido, pero está lejos de ser obvio con qué vendedores lentos deben ser reemplazados.

El tercer atributo clave para neumáticos, tamaño, incluye el tipo (por ejemplo, radial), y si es para un turismos o algún otro tipo de vehículo. Los neumáticos vienen en 64 tamaños, lo que significa que había 384 SKU posibles que el minorista podría haber llevado (64 tamaños × 6 combinaciones de garantía de marca). Pero sólo llevaba 105 en la mayoría de las tiendas. El recuento variaba a lo largo de la cadena, principalmente de acuerdo con el tamaño de la tienda. Los surtidos variaban también, pero la mayoría de las tiendas llevaban los SKU más populares.

Dar cuenta de lo que harán los clientes si no ofrece su producto preferido.

La disposición de los clientes a comprar otro producto si no encuentran su primera opción es una entrada crucial cuando un minorista considera dejar caer artículos. Su voluntad depende en gran medida del atributo. Los clientes probablemente no sustituirán una talla de vestido por otra, pero podrían comprar la azul si el rojo no está en el surtido. Del mismo modo, la gente no va a comprar un neumático de 14 pulgadas para una rueda de 15 pulgadas, pero podrían sustituir una marca y una combinación de garantía de millas por otra. Así que en la construcción de un surtido, los minoristas deben tener en cuenta el hecho de que si los clientes no encuentran su artículo ideal, algunos de ellos comprarán la siguiente opción mejor y otros no. En nuestro ejemplo de neumáticos, estábamos interesados en el porcentaje de clientes que cambiarían por un nivel de calidad si su primera opción fuera no disponible y el porcentaje que se reduciría.

Analizar ventas actuales y potenciales por atributo

Ahora descubriremos qué tan bien se venderían los artículos que no lleves actualmente y cómo añadirlos a tu mezcla de productos afectaría a las ventas generales. Aquí es donde entra la ciencia.

Reúne los datos de ventas de un período reciente.

Comienza con lo que sabes: las ventas unitarias de los SKU que llevas actualmente y la parte que corresponde a cada combinación de garantía de marca en el total de ventas. Esta es la base del modelo. Por lo general, nos fijamos en datos recientes de seis meses a un año.

En el proyecto de neumáticos, hemos recopilado los datos de ventas por SKU de cada tienda durante un período reciente de seis meses. La Figura 1, que muestra los datos de una tienda para 15 de los 64 tamaños de neumáticos, representa los datos brutos para nuestro análisis. (Los datos han sido modificados para proteger la información propietaria.)

¿Qué productos debe almacenar?

Prever la demanda de todos los SKU potenciales.

El hecho de que algunos SKU tuvieran ventas de un solo dígito sugiere que su sustitución podría aumentar los ingresos, pero el reto era averiguar qué SKU nuevos se venderían mejor. El primer paso es utilizar los datos de ventas para prever la demanda total de cada tamaño de neumático si se ofrecen todas las combinaciones de garantía de marca.

Para ilustrar, veamos el tamaño F. (Consulte la Figura 2.) Tenga en cuenta que el minorista actualmente lleva el tamaño F en cuatro de las seis combinaciones de garantía de marca. Comenzamos sumando las acciones de ventas totales disfrutadas por cada una de las combinaciones ofrecidas en talla F (7,7% + 2,6% + 19,2% + 57,5%). Eso nos dice la parte de la demanda total de tamaño F que el minorista está capturando actualmente (87%). En otras palabras, el minorista está perdiendo teóricamente las acciones de ventas asociadas a las dos combinaciones que no ofrece: National Medium, 2%, y House 3 Low, 11%.

¿Qué productos debe almacenar?

Para calcular la demanda total del tamaño F, simplemente dividimos las ventas totales para el tamaño F por la proporción de demanda capturada: 1.204 ÷ 87% = 1.384. Una vez que conocemos la demanda total de talla F, podemos estimar la demanda de cualquier SKU de ese tamaño, multiplicando la demanda total del tamaño por el porcentaje de ventas de la combinación de garantía de marca. Por ejemplo, House 3 Low tiene una cuota global del 11%; la aplicación de ese porcentaje a 1.384 nos da una previsión de 152 unidades para la Casa 3 Baja en tamaño F.

Refinar el pronóstico.

Este cálculo sólo nos lleva a una previsión precisa, ya que verás si pronosticas las ventas de un artículo que realmente llevas. Determinamos arriba que si se ofrecieran todas las combinaciones para el tamaño F, las ventas totales serían 1.384 unidades. Así, la demanda de House 2 Medium, el más vendido del minorista, se estima en 796 (1.384 x 57,5%). Las ventas reales, sin embargo, fueron bastante más bajas: 763 unidades.

Una de las razones de la discrepancia es que las acciones de ventas están influenciadas por el surtido ofrecido. House 2 High y Medium se ofrecieron en casi todos los tamaños, lo que elevó sus cuotas de ventas totales en relación con las combinaciones de garantía de marca ofrecidas en menos tamaños.

Para corregir estas discrepancias, necesitamos modificar las acciones de ventas de garantía de marca para minimizar la diferencia media (lo que los estadísticos llaman la desviación absoluta media) entre las estimaciones y las ventas reales. Este proceso altamente iterativo se realiza utilizando una herramienta de optimización como Excel Solver. Básicamente, la herramienta conecta los valores de prueba de los números de cuota de garantía de marca en los cálculos de estimación de la demanda de todos los SKU actuales y observa lo cerca que están las previsiones resultantes de las ventas reales. A continuación, ajusta los valores de las acciones para acercar las previsiones y se repite hasta llegar a los valores compartidos que minimizan la suma de todas las discrepancias con respecto a los SKU ofrecidos. Es exactamente la forma en que obtienes una receta para gafas: ¿Comienza con una lente de prueba, prueba una lente diferente, mejor o peor? , ajuste y repita hasta que no haya más mejoras.

Este proceso dio lugar a acciones de demanda «más ajustadas» para las seis combinaciones de garantía de marca: 2,4%, 1,1%, 1,5%, 6,7%, 18,6% y 69,6%. (Consulte la Figura 3.) Compare las acciones de demanda con las acciones de ventas reales, y comienza a surgir una imagen dramáticamente diferente del surtido óptimo.

¿Qué productos debe almacenar?

Tenga en cuenta que las previsiones, aunque cercanas a las ventas reales, no son perfectamente precisas. Dos factores contribuyen a los errores de previsión: Primero, hay fluctuaciones aleatorias en las ventas. Y en segundo lugar, suponemos que la demanda de un SKU es igual a la demanda del tamaño multiplicado por la cuota de garantía de marca es imperfecta, ya que las acciones de las combinaciones de garantía de marca pueden variar según el tamaño. (Por ejemplo, la demanda era mayor para neumáticos de gama baja en tamaños que se adaptan a coches más antiguos y menos costosos que en otros tamaños).

Una vez determinados los valores de las acciones que mejor se ajustan, se puede estimar la demanda para todos los SKU potenciales. (Consulte la figura 4.)

¿Qué productos debe almacenar?

Cuenta para operar hacia arriba y hacia abajo.

Ahora consideremos otra arruga: sustitución. Los cálculos que describimos anteriormente no tienen en cuenta explícitamente el hecho de que los clientes podrían estar dispuestos a comprar una combinación de garantía de marca diferente si no se ofrece su opción preferida. Por ejemplo, el minorista sospechaba que la cuota de ventas del 57,5% de House 2 Medium no significaba necesariamente que más de la mitad de sus clientes prefirieran esta combinación; podrían haberse liquidado por ella porque su opción preferida, la más barata House 3 Low, no se ofreció. Una pista de que esto podría ser el caso era que cuando House 3 Low se ofreció en un tamaño dado, superó a House 2 Medium en alrededor de seis a uno.

Haciendo las cosas aún más complicadas, el grado en que los clientes comercian hacia arriba y hacia abajo puede no ser el mismo para todos los niveles de calidad. Si crees que ese es el caso de los SKU que son especialmente importantes para tu empresa, debes tener en cuenta esto en tus cálculos. Para el proyecto de neumáticos, asumimos que las fracciones de los clientes que negociarían hacia arriba o hacia abajo eran iguales para todas las combinaciones de garantía de marca, con la excepción de los clientes que cambiaban de House 3 Low a House 2 Medium. (Esas dos combinaciones de garantía de marca representaron más de dos tercios de las ventas).

Así que nuestro modelo ahora requiere nueve parámetros: las seis acciones de garantía de marca y tres parámetros de sustitución, que incluyen la fracción de clientes que cambian un nivel de calidad, que comercian por debajo de un nivel de calidad y que cambian de House 3 Low a House 2 Medium. Como antes, utilizamos una herramienta como Excel Solver que conecta los valores de prueba para las acciones y las fracciones, calcula las estimaciones de demanda y ve lo cerca que están las previsiones resultantes de las ventas reales. Ajusta las acciones y fracciones para acercar las previsiones, y se repite hasta que no haya más mejoras. Los resultados finales: 35% de los clientes que no pudieron encontrar House 3 Low en el surtido en su tamaño cambiarían y comprarían House 2 Medium. Para otros niveles de calidad, el 2% se comerciaría al alza y el 1% negociaría hacia abajo si no pudieran encontrar lo que buscaban.

Esto no es tan simple como identificar los 100 principales SKU generadores de ingresos y llamarlo un surtido.

Una vez que conozca las fracciones de los clientes que negocian hacia arriba o hacia abajo, puede tener en cuenta la sustitución en sus estimaciones de demanda. Considere Casa 2 Mediano en tamaño F. Debido a que la Casa 3 Low no se ofrece en este tamaño, tome la estimación de la demanda para la Casa 2 Mediana y agregue a ella la de Casa 3 Baja multiplicada por la fracción de clientes que negociarían hacia arriba. Para el tamaño A, en cambio, tanto la Casa 2 Medium como la Casa 3 Low están en el surtido, por lo que no se incluye ningún valor para la demanda de sustitución en la estimación de House 2 Medium.

Busquen profecías autocumplidas.

Ahora considere este escenario familiar: un minorista cree que sus clientes no quieren comprar un determinado tipo de producto (o el minorista no quiere llevarlo). Así que la compañía ofrece una cantidad limitada y por lo tanto no vende mucho de ella, al parecer confirmando la suposición original de que los clientes no lo quieren. Pero al final, el surtido refleja los productos que el minorista quiere llevar en lugar de aquellos que sus clientes quieren comprar, una propuesta arriesgada. Uno de los beneficios de nuestra técnica es que permite a los minoristas detectar tales situaciones.

Por ejemplo, al comparar la demanda estimada y las ventas reales en el minorista de automóviles, encontramos un resultado sorprendente: House 3 Low tenía una cuota de ventas del 11%, pero nuestras estimaciones situaban la demanda en un pujante 69,6% de las ventas totales. La baja cuota de ventas se produjo porque el minorista ofreció este neumático de muy bajo precio en sólo unos pocos tamaños y, por lo tanto, no vendió muchos. Pero como muestran los datos, cuando los clientes tenían una opción entre House 3 Low y House 2 Medium, preferían fuertemente la primera. Este patrón persistió en toda la cadena. Había nueve tamaños en los que se ofrecieron House 3 Low y House 2 Medium, y en todos los casos, House 3 Low vendió a House 2 Medium en ventas totales en cadena, en más de siete a uno.

El minorista ofreció una selección limitada de la llanta más barata porque sus gerentes pensaban que podían comerciar con clientes hasta la Casa 2 Medium a un precio más alto. Pero tuvieron éxito en la venta ascendente sólo el 35% de las veces. De hecho, nuestro modelo muestra que al ignorar la cuota estimada del 69,6% de House 3 Low, la empresa estaba perdiendo el 45% de sus ventas potenciales (el 65% del 69,6% de los clientes que quieren House 3 Low y no comercian al alba).

Nuestro enfoque es superior al convencional, que requiere que los minoristas adivinen cómo los atributos influyen en la demanda.

Para obtener más información sobre este hallazgo, tabulamos el ingreso promedio en el área servida por cada tienda y la usamos para crear la Figura 5, que muestra que la proporción de la Casa 3 Low más barata y la falta de voluntad para comerciar estaban inversamente correlacionadas con los ingresos. En otras palabras, cuanto menor sea el ingreso promedio de la zona a la que sirve una tienda, más preferían sus clientes los neumáticos menos caros y menos dispuestos a comerciar hasta los más caros.

¿Qué productos debe almacenar?

Optimizar el surtido

Ahora describiremos cómo utilizar nuestro modelo para decidir qué SKU existentes y nuevos constituirían un surtido óptimo.

1. Decida si desea maximizar los ingresos o las ganancias.

La medida de beneficio más natural en un contexto minorista es el margen bruto total, normalmente los ingresos menos el costo de los bienes vendidos. Las escuelas de negocios y los economistas predican la maximización de las ganancias, pero los minoristas también se preocupan por los ingresos, en parte porque Wall Street observa esa métrica de cerca. Tanto en el ejemplo del neumático como en el caso de la apariencia química, que veremos más adelante, el objetivo era maximizar los ingresos.

2. Decida sobre los precios de los SKU potenciales.

Para optimizar un surtido, debes saber cuántos ingresos (o margen) generaría cada SKU. Los precios son una entrada clave en este cálculo. Los precios de los SKU existentes son conocidos, por supuesto. Si los precios de los nuevos SKU no están disponibles, obtén estimaciones comparando los atributos de los SKU actuales con los de los nuevos potenciales.

En el ejemplo del neumático, observamos que los precios de un tamaño determinado disminuyeron consistentemente desde la combinación más alta de garantía de marca (National High) a la más baja (House 3 Low). Aplicamos esas reducciones para estimar los precios de los SKU no transportados.

3. Decida sobre los surtidos finales.

A continuación, calcule los ingresos potenciales de cada SKU multiplicando sus ventas unitarias previstas por su precio minorista.

Ahora tiene los datos que necesita para comenzar a crear su surtido. Comienza con el SKU que generaría los mayores ingresos o beneficios para la tienda o la cadena. A continuación, añade el SKU que produciría el segundo mayor aumento en los ingresos. Sigue añadiendo SKU hasta que alcancéis el número máximo de SKU que quieras transportar, digamos, 100 de un posible universo de 400.

No se equivoquen: esto no es tan simple como identificar los 100 SKU que generan ingresos principales y llamarlo un surtido. Debido a la sustitución de la demanda, cada vez que añades un SKU al surtido, tienes que ajustar tus cifras para tener en cuenta la forma en que ese nuevo SKU afecta a la demanda de los que ya has añadido. El proceso, obviamente, es altamente iterativo.

Cuando aplicamos este proceso para crear una gama óptima de SKU de neumáticos en toda la cadena para el minorista de piezas de automóviles, descubrimos que 47 de los 105 SKU deberían ser reemplazados. (No es sorprendente que muchos de los SKU de reemplazo propuestos fueran House 3 Low.)

El minorista implementó parcialmente nuestras recomendaciones: añadió 10 SKU nuevos y eliminó otros 10. Una de las razones para la implementación parcial fue que el minorista no pudo encontrar proveedores para producir los 47 SKU nuevos propuestos.

Realizamos un seguimiento de las ventas después de la implementación y descubrimos que incluso este ajuste parcial del surtido aumentó los ingresos en un 5,8% y el margen bruto en un 4,2%, lo que representa una mejora significativa. Nuestro análisis de surtido también llevó al minorista a aumentar ligeramente el precio del neumático más barato y bajar el del neumático más caro, aumentando las posibilidades de que los clientes cambiaran.

La belleza de nuestro enfoque es que le permite ver cómo los ingresos varían con la amplitud del surtido. La figura 6 muestra cómo los ingresos del minorista de neumáticos están influenciados por el número de SKU del surtido. La línea superior muestra los ingresos si cada tienda tenía su gama óptima, mientras que la línea inferior da los ingresos para un único surtido óptimo para la cadena. Gráficos como este se pueden utilizar para cambiar el espacio de estantería asignado a las categorías con el fin de aumentar las ventas. También pueden ayudar a los minoristas a evitar los errores cometidos por Walmart y Super Fresh, lo que redujo su amplitud de surtido con resultados desastrosos.

¿Qué productos debe almacenar?

Localización del surtido

Crear surtidos localizados es complicado. Un minorista necesita comprender cómo la demanda difiere entre las tiendas y luego crear surtidos que se adapten a los gustos específicos de la tienda. A la mayoría de los minoristas les resulta demasiado complicado llevar un surtido único para cada tienda; en su lugar, crean clústeres de tiendas que usan el mismo surtido. En tales casos, deben decidir cuántos clústeres crear, sobre qué base se deben formar (por ejemplo, ingresos o condiciones meteorológicas) y qué variedad utilizar en cada grupo.

Nuestra técnica basada en atributos es una excelente manera de responder a estas preguntas, como podemos ver en un estudio de la categoría de apariencia química que realizamos para un minorista de autopartes que contaba con cientos de tiendas. Los productos químicos de apariencia incluyen una variedad de líquidos y pastas utilizados para lavar, encerar, brillar, pulir y proteger automóviles. En el estudio se identificaron seis atributos de los productos en la categoría: la superficie del automóvil a tratar, lo que se debe hacer, el modo de aplicación, el tamaño del paquete, la marca y el nivel de calidad (bueno, mejor o mejor). El minorista estaba ansioso por entender cómo los patrones de demanda diferían entre las tiendas y luego utilizaba esa información para localizar sus surtidos. Consideró como máximo cinco grupos, creyendo que no sería viable desde el punto de vista operacional tener más de cinco surtidos.

Aplicamos el método descrito anteriormente para estimar las acciones de demanda para los distintos niveles de atributos, utilizamos esas estimaciones para prever la demanda de nuevos SKU potenciales y generamos un surtido que maximiza los ingresos para cada tienda.

Usando los surtidos que habíamos generado, creamos clústeres de tienda. Comenzamos el proceso asumiendo que cada tienda representaba un clúster. A continuación, identificamos las dos tiendas que sufrirían la menor reducción de ingresos si se vieran forzadas a compartir el mismo surtido y combinarlas para crear un clúster de dos tiendas. Repetimos el proceso, identificando las dos siguientes tiendas que podrían compartir mejor un surtido o agregando una tercera tienda a las dos que ya habíamos combinado, lo que resultara en la menor reducción de ingresos. Seguimos adelante, cada vez reduciendo el número de clústeres de almacenes en uno, hasta que nos quedamos con un solo clúster de todas las tiendas. Esto nos dio números de ingresos para todos los niveles de localización, que van desde un único surtido para toda la cadena hasta un surtido individual para cada tienda.

La Figura 7 muestra los ingresos de cinco opciones de localización, que van de uno a cinco clústeres de tiendas, ajustados para que los ingresos de un único surtido 100. Como puede ver, los rendimientos de agregar clústeres de tienda disminuyen, lo que llevó al minorista a implementar la solución de dos clústeres.

¿Qué productos debe almacenar?

Los datos también revelaron que uno de los dos clústeres, que representaba aproximadamente un tercio de las tiendas de la cadena, vendía niveles mucho más altos de productos relacionados con las tiras. Ese grupo tenía una etnia distintiva, que el minorista llamó urbano/bilingüe. Así que los surtidos de estas tiendas presentaban más productos relacionados con los llantas, y el minorista creó carteles que llamaban la atención sobre ellos.

Después de realizar un seguimiento de las ventas durante seis meses, encontramos que los ingresos de la cadena en la categoría de apariencia-químicos subió un 3,5%. Esta ganancia fue resultado tanto de la localización como de la mejora del surtido base. Además, el nuevo surtido y la nueva señalización ayudaron al minorista de otra manera: había estado perdiendo ventas a la competencia en las tiendas urbanas/bilingües, pero después de los cambios, comenzó a mostrar aumentos en las ventas de tiendas comparables para la categoría. Creemos que este enfoque basado en la demanda de clústeres es superior al enfoque convencional, que requiere que los minoristas adivinen cómo los atributos de las tiendas influyen en la demanda. Los análisis no se han aplicado en gran medida a la planificación de surtidos, especialmente a nivel operativo para decidir qué SKU llevar. Nuestro método utiliza análisis para obtener información sobre los atributos de producto que sus clientes prefieren en cada tienda y, a continuación, crear surtidos localizados sobre la base de esos conocimientos. La planificación de surtidos puede agregar significativamente a las ventas de la misma tienda; pero al hacerlo mal, puede paralizar a un minorista durante años. Nuestro método puede ayudar a los minoristas a hacerlo bien.

Te pueden interesar

Newsletter

Avanza tu carrera profesional, con el resumen semanal de las publicaciones, un libro de negocio resumido en 10 minutos y entrevistas con líderes de negocio.