Apoyan estrategias retail digital ventas en supermercados

Mediante el uso de soluciones que ofrecen un modelo estadístico, impulsadas por IA y machine learning, los gerentes pueden optimizar las promociones.

Tweet

Los minoristas deben decidir sobre los ingresos, las ganancias y la venta de inventario para obtener el resultado deseado.

Foto:

Colocar un elemento en la cabecera de la góndola (cara frontal del pasillo) puede resultar en un aumento del 93% en la exposición en una tienda de comestibles, por ejemplo, señala Troy Parent, director senior de Desarrollo de software de Oracle Retail.

Y añade que crece porque más del 60% de las compras en supermercados son compras por impulso y la exhibición final es una parte muy importante de la estrategia de la tienda. Lo que puede dar un mayor impulso a los minoristas.

“De los displays del pasillo de una tienda hasta la caja, los displays promocionales son uno de los principales impulsores de la compra por impulso en la industria de retail. Otro principio universal es que hay mucho espacio para la visualización.

“Para maximizar las oportunidades presentadas por la compra por impulso, los minoristas deben decidir sobre la categoría, subcategoría y SKUs, para obtener el resultado deseado, es decir, ingresos, ganancias y venta de inventario”, dice Parent.
 
El problema, según Parent, es que en un supermercado de buen tamaño existen aproximadamente 18 pasillos independientes, 36 cabeceras de góndola, 300 mil SKUs; por lo que las probabilidades de compra son de 8 mil a una para el minorista.

Así, es importante utilizar una estrategia de retail digital en los supermercados para ayudar a incrementar y eficientar las ventas a través del uso de soluciones que ofrecen un modelo estadístico avanzado, impulsados por inteligencia artificial (IA) y machine learning.

Los gerentes de tienda pueden tomar mejores decisiones para optimizar las promociones al elegir el espacio adecuado para el acomodo de los productos en el anaquel (cabeza de góndola) y conseguir una ventaja sobre la competencia y un incremento en las ventas.
 

Caso de éxito en el piso de venta

El director senior de Desarrollo de software de Oracle Retail menciona un ejemplo: Mark Ferguson, presidente del Departamento de ciencias de gestión de la Universidad de Carolina del Sur, Estados Unidos, realizó un proyecto para una tienda en Nueva Inglaterra.

Este consistió en identificar el artículo más lucrativo exhibido en la cabecera de la góndola durante una semana específica, en el cual el equipo realizó un ejercicio de inteligencia de negocios para analizar una gran cantidad de datos para el minorista.

Asimismo, en identificar lo que el minorista necesita saber para proporcionar a los clientes los mejores elementos posibles.
 
Para empezar, el equipo comenzó con dos categorías posibles, jabón en polvo y cerveza, y preguntó y comprobó que la cerveza es una categoría más probable de compra por impulso (suposición segura).

Otra pregunta fue ¿cuál cerveza, nacional, importada o artesanal? En este caso, Ferguson y sus alumnos comenzaron con datos nacionales de un año de venta de cerveza, transacción por transacción.

Al analizar los datos, el equipo identificó primero la categoría de producto ideal (cerveza premium), la subcategoría ideal (importada) y el producto individual en esa subcategoría que proporcionaría el máximo de ventas y aumento de ganancia.

Seguridad en las decisiones

La respuesta referente al producto mejor posicionado la toma el gerente de la tienda a partir de la cerveza más vendida en una semana, que ya en la punta de la góndola generaría un aumento de ventas del 32% para ese determinado SKU.

Pero puede no ser la mejor decisión. Con la aplicación de modelos estadísticos avanzados, la selección de Ferguson encontró una mejora dos veces mayor en el beneficio incremental, impulsados por IA y machine learning, dice Troy Parent.

“Los minoristas tienen acceso a una cantidad impresionante de datos, sobre clientes, productos, precios, todo lo que hacen. Es virtualmente imposible tomar la mejor decisión sin algún nivel de modelo estadístico avanzado, como IA y aprendizaje autónomo (machine learning)”.