La estrategia analítica para el retail y consumo masivo

La colaboración de hoy, realmente técnica y pedagógica, corre a cargo de Cristián J. Figueroa, gerente de Ventas y director del Centro de Excelencia Latinoamericano de la Línea de Negocio en Retail & CPG de SAS Latinoamérica.

Como una forma de digitalizar y modernizar las actividades y operaciones, diferentes organizaciones de distintas industrias han iniciado proyectos de transformación digital. Esto con el objetivo de enfrentar los nuevos tiempos de la inmediatez, con mayores regulaciones y más competencia, en el que conviven clientes más empoderados e informados, quienes usan sus teléfonos celulares como una extensión de sus cuerpos, y gustan de las redes sociales en sus diversos formatos para interactuar de manera online con las organizaciones con el objetivo de obtener más beneficios.

El desafío es grande: la inercia existente en los procesos que ocurren dentro de las organizaciones hace que la mayoría de las veces la innovación y adopción no se produzca en el tiempo y forma requerido.

Hoy, mucho más que antes, la digitalización pone de manifiesto la importancia de los datos. Tal vez el primer acto de conciencia que han tenido las organizaciones acerca de la relevancia de los datos, tiene relación con la modernización de sus sistemas operacionales, pasando de un modelo in-house a un ERP o core empresarial. Luego de eso, se dieron cuenta que en base a datos históricos de diferentes dimensiones del negocio podían obtener información valiosa del pasado de la compañía en forma automatizada y ejecutiva a través de cubos OLAP, que hoy ya están pasados de moda, y dashboards, por lo que comenzaron a implementar sistemas de business intelligence reactivos de reportes empresariales o departamentales.

Junto con ellos, observaron los beneficios que otorga la herramienta de data mining para obtener predicciones basadas en información confiable, lo que fue generando la necesidad de preocuparse también por el contenido de los datos almacenados.

En la actualidad, la última generación de analytics, que incorpora datos en tiempo real basados en dispositivos con inteligencia artificial y otros (IoT), y datos no estructurados y con infraestructura en la nube, está forzando a varias organizaciones a iniciar un programa de gobierno y administración de los datos con el objetivo de considerarlos como un activo de las organizaciones.

La regulación de la protección y privacidad de los datos denominada General Data Protection Regulation (GDPR) entró en vigor en Europa en mayo de 2018, lo que demuestra la relevancia de contar con mecanismos que ayuden a mantener y asegurar la privacidad de los datos de los clientes.

La industria del retail en Latinoamérica, además de la importancia que le da a la información, está haciendo el tránsito hacia la transformación digital. En cierto sentido, está siguiendo la pauta que se dictó en la más reciente feria organizada por la National Retail Federation (NRF), que se lleva a cabo todos los años, durante el mes de enero en la ciudad de Nueva York, en la que se puso especial énfasis en la transformación digital y comercio digital omnicanal.

El retail es uno de los sectores que para los próximos años representa el mayor potencial de crecimiento y, al mismo tiempo, grandes desafíos que enfrentar, debido a la manera como se siguen llevando a cabo los procesos junto a la cultura tradicional que aún impera dentro de las compañías. Esta debe modificarse para incorporar las nuevas herramientas que ofrece el mundo digital.

Un ejemplo claro de cómo este fenómeno está afectando al sector en Latinoamérica, es la irrupción de Amazon, compañía que aumemntó la competencia entre las empresas del retail.

El ADN digital del gigante del comercio electrónico puede amenazar notablemente los ingresos, márgenes y contribución de las compañías del retail latinoamericanas que cuentan con toda una infraestructura y proyectos de transformación digital en curso.

En otro frente de batalla, nos encontramos con las compañías de Consumo Masivo o denominadas Consumer Packaged Goods (CPG). Pese a que éstas no se relacionan directamente con los clientes, no están al margen de estos nuevos desafíos de excelencia operacional y la transformación digital. Varias de ellas en el continente miran y evalúan con timidez la inclusión de la analítica avanzada en sus procesos, aunque aún con mucha ignorancia acerca de cómo adoptarla para resolver sus problemas de negocio.

Sin embargo, pese a este lento avance, varias de las compañías de retail y CPG declaran haber implementado herramientas de analytics, con el objetivo de anticiparse en la toma de decisiones. La irrupción de códigos potentes como R o Python y su adopción por parte de las compañías es un avance considerable para ambas industrias. Con ello, dejan atrás los clásicos reportes BI o de SAP, cuya popular frase indica que dicho programa lo puede hacer todo.

Pese a los esfuerzos que realizan las empresas cada día al incluir estas herramientas y formar áreas de Data Scientists, aún no es suficiente, porque éstas se encuentran desconectadas aún de los problemas y urgencias que el negocio tiene.

Compañías en Latinoamérica

Visitando varias compañías del retail y CPG en Latinoamérica se puede observar el masivo uso que los trabajadores le dan a las planillas de cálculo en sus distintas áreas de negocio, sin considerar el riesgo operacional que conlleva su uso. A ello se suma que muchas organizaciones con proyectos de transformación digital no cuentan con una estrategia clara y robusta que guíe los pasos a seguir y anticipe fenómenos en los procesos clave del negocio. En este aspecto, pareciera ser que la analítica predictiva aún no es parte de estos procesos. Esto queda de manifiesto en las deficiencias que se generan en varios procesos en la entrega final de un producto cuando no se utilizan técnicas de análisis de datos predictivos. Entre ellas, podemos encontrar la disminución del capital de trabajo e ineficiencia en los inventarios de baja rotación (forecasting) para una compra eficiente; baja disponibilidad de productos para la experiencia de cliente; precario análisis de las promociones; actualización de clusters y segmentación de mercados para la correcta definición del mix y surtidos eficientes, en términos financieros y logísticos; indeterminación de cross selling que defina los cruces y complementos de productos asociados a compras; precio dinámico, que refleje un aumento de margen y bajo desempeño del tráfico en locales que no cuentan con análisis de datos.

Por los elementos antes mencionados, la transformación digital o la omnicanalidad operacional deben ser procesos que se implementen teniendo en mente el uso práctico de la analítica predictiva, que incorpore herramientas de big data, en la que se incluya los datos de los clientes, el comportamiento de demanda y ubicación; así como también la información de los productos que adquieren, a través de los distintos canales (omnicanalidad analítica). Este esquema proporciona a los retailers descubrimientos e insights predictivos y prescriptivos acerca de las preferencias y gustos del cliente en su viaje, sin importar los canales por los cuales el cliente compra, pudiendo utilizar dicha información para la mejora de las campañas de marketing; las decisiones de surtido centradas en el cliente, y en la gestión de la mercadería en todo su ciclo; así como también en la distribución del producto y las operaciones que se realicen a través de todos los canales de negocio. Esto permitiría que la compañía obtenga una rentabilidad más alta, menores costos de inventario y mayor satisfacción de clientes.

Por ello, en un mercado digitalizado una estrategia de omnicanalidad analítica debería tener el foco en al menos los siguientes tres pilares:

• Analítica avanzada para todo el ciclo de vida de la mercadería omnicanal;
• y en todo el proceso del abastecimiento (supply chain) omnicanal,
• y en satisfacer de mejor manera la experiencia de los clientes.

Para incorporar esta visión en el ciclo de vida de la mercadería que logre una trasmutación de los procesos, la cultura y la tecnología, surgen las siguientes aplicaciones como necesarias:

• Surtido centrado en el cliente: Para formular colaborativamente y predictivamente planes de surtido y planes financieros, se debe administrar de una forma ágil el Open-To-Buy (OTB).
• Estrategia y optimización de precios: Mejora las ventas y el margen de líneas top optimizando puntos de precios, a través de todo el ciclo de vida de los productos, usando descubrimientos analíticos en la predicción de demanda local y elasticidad de precios.
• Optimización de paquetes y tamaños: Predice ventas futuras y necesidades de inventario por tamaño de productos, determinando el abastecimiento de paquetes por caja con el objetivo de cumplir óptimamente con los requerimientos de la demanda.

Para ejemplificar este proceso, veamos el caso de un retailer que vende artículos de ropa, el cual implementó una solución de surtido centrada en el cliente, para mejorar la experiencia omnicanal y conducir de mejor manera el rendimiento financiero. Crear surtidos localizados, usando machine learning; mejorar la precisión de la planificación de ventas de forma jerárquica y optimizar matemáticamente las inversiones en inventario eran los aspectos claves a mejorar. Un crecimiento de un 1% en el precio promedio unitario, producto de la mejora en la administración del surtido significó al menos un aumento en 3 millones de dólares en ingresos anuales.

Cabe destacar que la analítica avanzada utilizada en el proceso de abastecimiento omnicanal debe integrar la estimación de la demanda y la planificación de abastecimiento para transformar las etapas de planificación en un proceso continuo y flexible. La inclusión de otros enfoques, tales como data mining, inteligencia artificial y técnicas de machine learning ayudan, además, a identificar excepciones a través de reglas predefinidas para el análisis que se puede realizar posteriormente con big data y exploración multidimensional.

Las siguientes aplicaciones son necesarias para transmutar los procesos, cultura y tecnología:

• Predecir y planificar demanda: Utilización de machine learning para descubrimientos prescriptivos de predicción de demanda con el objetivo de dar forma a la demanda multicanal de una forma más efectiva que mejore los niveles de servicios, aumente la productividad del inventario y otorgue una mayor satisfacción de clientes y rentabilidad.
• Balancear niveles de inventario: En este proceso, se integra información de pronóstico de demanda jerárquica, planificación colaborativa y capacidades de optimización/reabastecimiento, dirigidas por módulos de optimización matemática y analítica avanzada.
• Integridad de compras: Salvaguarda los procesos de compras y previene pérdidas de productos, combinando capacidades de administración de datos y puntajes de riesgos en transacciones, y órdenes de compra a nivel de empleado y proveedor.

Analítica avanzada

En la era en que todo pareciera estar dirigido por Amazon, los grandes retailers regionales pueden convertirse en organizaciones centradas en el cliente. Este objetivo pueden alcanzarlo si dejan que sus procesos sean conducidos por los datos; utilicen modelos de predicción de demanda en forma diferenciada, integren modelos estadísticos que consideren variables externas, tales como promociones, precios y estacionalidad, pudiendo ejecutar un sinnúmero de escenarios de simulación what-if en cuestión de minutos. Esto sumado a la incorporación de machine learning en varios procesos claves de la cadena de suministro, permitiría acelerar la transformación digital de la compañía. Un 10% a 15% de mejora en la precisión de las predicciones de demanda jerárquica puede resultar entre un 5% a 20% de aumento en el rendimiento de las góndolas; un 2% a 5% de incremento en los ingresos y entre un 10% a 30% de reducción de inventarios.

Cuando las compañías y en especial los retailers tratan de mejorar la experiencia de clientes, fijan su atención en la compra de paquetes de software que automatizan campañas de marketing reactivas, sin darle mucho énfasis a la eficiencia y efectividad que se podría obtener de ese proceso, usando analítica avanzada. Su utilización permitiría medir posteriormente indicadores ácidos acerca de cuán satisfechos están los clientes cuando se relacionan con el retailer, a través de los distintos canales. En la medida que la automatización de campañas no cambie procesos y cultura, difícilmente un software de campaña dará resultados contundentes. Por este motivo, para elevar la experiencia de clientes, se debe aplicar analítica avanzada a los datos de marketing y clientes, con el objetivo de poder maximizar cada momento de interacción y orquestar el compromiso del cliente con la marca.

Para conseguirlo, se debe considerar implementar al menos las siguientes aplicaciones:

• Motor de decisiones de clientes: Combina capacidades sofisticadas de reglas de negocio y analítica avanzada para tener una lógica de decisión, que pueden ser invocadas directamente en forma nativa y tiempo real desde cualquier sistema operacional en contacto con el cliente.
• Descubrimiento de comportamiento de clientes: Habilidad para analizar los datos de clientes y sus huellas de compra digital, con el fin de predecir comportamientos y optimizar interacciones a través de sistemas de marketing en ejecución.
• Marketing personalizado: Proporciona las capacidades que permiten diseñar e implementar experiencias extendidas de viajes de clientes, que van desde la personalización web e e-mail hasta las notificaciones push o pull, ejecutando así planes de comunicaciones integrados.

En Latinoamérica, existe el caso de una tienda de venta por departamentos que está proporcionando una experiencia de clientes realmente omnicanal, la cual consolida y optimiza sus ofertas a través de todos los canales, incluyendo e-mail, catálogos y programas de lealtad. Su objetivo es transformar los sistemas de información de clientes en oportunidades de ofertas, proporcionando al proceso de decisión de compras, en tiempo real, el contexto del cliente. Esto permite converger a una solución empresarial que genera ofertas optimizadas a través de todos los puntos de contacto con clientes, generando una coreografía del viaje de los clientes por medio de todos los dispositivos, canales y puntos de venta en tiempos de mercado, incluyendo banners online y ofertas en tiendas en tiempo real. Al ver los resultados de una fase inicial, es posible demostrar que se puede obtener una mejora del 10% en la aceptación de ofertas de campañas.

Para las compañías, hoy en día trascender con la aplicación de la analítica avanzada en el mundo digitalizado en las compañías de los sectores del retail y CPG va más allá de la compra de un módulo de software que resuelva los desafíos tácticos y operacionales.

El reto tiene que ver con cómo la aplicación de esta herramienta se conecta con los Key Performance Indicator (KPIs) financieros estratégicos de las compañías de retail o CPG, para transmutar cambios en la gestión de los datos, cultura, personas y procesos de negocio.

Pretender aplicar esta herramienta de analítica avanzada en estas organizaciones sin generar cambios en las otras dimensiones ni mejoras en la última línea del negocio, en los ingresos, margen, contribución, nivel de servicio, capital de trabajo entre varios otros, es una tarea incompleta basada en la timidez y falta de innovación, en la que muchas veces prima la política interna que bloquea el logro de cambios trascendentales.

Cristián J. Figueroa

Gerente de Ventas y director del Centro de Excelencia Latinoamericano de la Línea de Negocio en Retail & CPG. SAS Institute, Latinoamérica.