Abordar el reto de la reposición de mercancía en tiendas retail

En este artículo extenso describiremos brevemente los métodos existentes para reponer artículos faltantes y reducir NOSBOS, y después analizaremos tres métodos más sofisticados para garantizar que el stock no permanezca en el back of house, sino que esté realmente en la sala de ventas.

Métodos tradicionales de reposición

Comprobaciones manuales o visuales

Con el primer método, un empleado de tienda recorre la tienda con papel y bolígrafo, anotando qué tallas faltan en la sala de ventas, y después las busca en el almacén.

Transacciones POS

El segundo método se basa en transacciones de venta. A intervalos regulares, se imprime una lista con todas las transacciones POS y los artículos vendidos pueden reponerse desde el almacén. Sin embargo, ambos métodos consumen mucho tiempo y son imperfectos. El primero exige que el personal identifique con gran precisión qué tallas no están o ya no están en la sala de ventas, una tarea difícil incluso para equipos experimentados y disciplinados. Además, cuando la lista está completa, no hay garantía de que la talla faltante esté realmente disponible en el almacén. El artículo puede estar agotado, lo que hace que todo el proceso de reposición sea ineficiente y poco satisfactorio para el personal.

El segundo método, basado en transacciones POS, no tiene en cuenta reposiciones realizadas durante el día, por ejemplo cuando un artículo ya se repuso manualmente desde el almacén. Además, los artículos que salen de la tienda por vías distintas al POS, como artículos robados, nunca se repondrán. Igual que el primer método, tampoco considera artículos agotados en el almacén, lo que genera ineficiencias cuando los empleados buscan productos faltantes. Debido a estas limitaciones y a nuevos avances tecnológicos, estos métodos tradicionales se sustituyen cada vez más por métodos de reposición más sofisticados. Pero ¿cuáles son los pros y contras de estos nuevos métodos?

Nuevos métodos de reposición

Lista completa de diferencias: sala de ventas vs. almacén

Con RFID, es posible diferenciar entre stock en la sala de ventas y stock en el almacén. Basándose en el conteo RFID de cada sububicación, los retailers pueden crear fácilmente una lista completa y empezar a reponer. Por desgracia, la realidad es mucho más complicada. ¿Por qué? Básicamente, puede haber múltiples razones por las que un artículo no está, o no debería estar, expuesto en la sala de ventas, por ejemplo:

• Exclusividad: solo se muestran determinadas tallas.
• Espacio: debido a limitaciones de espacio, solo se exponen algunos artículos.
• Rango incompleto: la serie de tallas ya no está completa.
• Nueva colección: el producto ya está en el almacén, pero aún no debe exponerse.
• Colección antigua: el producto sigue en el almacén esperando ser enviado al almacén central o al outlet.

Por tanto, este enfoque ingenuo, en el que simplemente se decide que cualquier producto presente en el almacén y ausente en la sala de ventas debe reponerse, también es problemático. Después de cada conteo RFID, se obtiene una larga lista de resultados irrelevantes, semana tras semana. Esto hace que el método sea muy ineficiente, porque el personal debe dedicar mucho tiempo a decidir qué resultados son relevantes y cuáles no.

Crear un planograma

Para resolver el problema anterior, los retailers pueden usar un planograma que asigna a cada artículo una posición predefinida en una estantería concreta. Entonces, el personal solo tiene que tomar el planograma y reponer los huecos faltantes. Lo que parece lógico al principio es, en realidad, todo un reto.

El mayor reto es que un planograma, por definición, difiere de una tienda a otra. Las tiendas más grandes tendrán más variedad que las pequeñas, e incluso dentro de esas categorías puede haber variaciones. Distintos países venderán distintos productos y mostrarán distintas tallas para ajustarse a diferencias en las tallas de los clientes.

Para empeorar las cosas, esto cambia con el tiempo: de semana en semana, o incluso de un día a otro, según el clima. Aunque pudieras definir un planograma para cada tienda, quedaría obsoleto con el tiempo porque la moda depende del momento.

En resumen, mantener un planograma tan flexible es extremadamente difícil. El esfuerzo necesario para mantener un planograma decente que funcione en una variedad de tiendas supera los beneficios de usarlo para la reposición.

Usar algoritmos y machine learning

El campo de los algoritmos y el machine learning ha ganado mucha popularidad en los últimos años. La razón principal es que machine learning es muy potente para hacer predicciones u ofrecer sugerencias calculadas a partir de grandes cantidades de datos. Algunos ejemplos conocidos son los algoritmos de Netflix que sugieren películas según lo que has visto antes, o los de Amazon que recomiendan libros basándose en compras anteriores.

Pero ¿cómo puede usarse machine learning para construir una solución de reposición para tiendas retail? Basándose en niveles de stock actuales e históricos, los algoritmos pueden aprender qué combinaciones de producto y talla son más importantes en la sala de ventas y cuáles no deberían estar allí. Con estos insights, es posible generar una lista de prioridades para cada tienda, que puede compararse con datos RFID de stock del almacén y de la sala de ventas. Los resultados se presentan después como una lista priorizada de sugerencias de reposición.

Así, con algoritmos y machine learning, la reposición se convierte en un proceso mucho más rápido y eficaz, porque el personal puede confiar en que los artículos de la lista de sugerencias son artículos que a) están disponibles en el almacén y b) probablemente deben estar en la sala de ventas. Aunque este método puede aumentar la eficiencia y la eficacia, es importante señalar que sigue siendo necesaria una comprobación humana, porque las máquinas nunca pueden tener en cuenta todas las excepciones.

Enfoque y resultados

Basándonos en este concepto de aplicación de machine learning, desarrollamos una función de reposición totalmente integrada en la app iD Cloud. Esta app también se utiliza para todas las demás tareas RFID en tienda, como contar y programar etiquetas nuevas.

Inmediatamente después del conteo RFID por sububicación, iD Cloud presenta una lista de sugerencias de reposición que el personal puede usar para decidir qué reponer. Esto significa que ahora los empleados tienen una vista única que muestra el estado actual de la sala de ventas y del almacén. Para hacerlo aún más claro, también se incluyen imágenes de los productos, lo que permite incluso a un nuevo empleado realizar reposiciones de forma eficaz.

Esta metodología ha sido probada con varios retailers de apparel en un número significativo de tiendas. Basándose en este estudio, se obtuvieron los siguientes resultados:

1. La disponibilidad en estantería para tres tallas clave mejoró, de media, del 88 % a más del 98 % en cuestión de semanas.
2. Los empleados dedicaron un 55 % menos de tiempo a la reposición, porque saben exactamente qué puede reponerse y tienen la garantía de encontrar en stock los artículos de la lista.

Estos resultados muestran que la lista de sugerencias de reposición es una herramienta extremadamente valiosa para que el personal garantice la disponibilidad de productos en la sala de ventas para sus clientes. Esto a su vez genera beneficios cualitativos y cuantitativos como:

1. Se ha demostrado que un aumento de la disponibilidad en estantería incrementa las ventas.
2. Al eliminar trabajo tedioso, el personal de tienda está más satisfecho y tiene más tiempo para atender a los clientes.

Conclusión

Tener estanterías perfectamente abastecidas es uno de los mayores retos de las tiendas retail, porque reponer los artículos adecuados puede ser difícil. En este white paper hemos examinado distintos métodos y concluido que reponer basándose en comprobaciones visuales, transacciones POS y planogramas genera ineficiencias y resultados lejos de ser perfectos.

Se podría esperar un resultado mucho mejor con reposición basada en RFID, pero una lista completa de todas las diferencias entre sala de ventas y almacén solo parece excelente a primera vista. En la práctica, este método ingenuo también conduce a un proceso de reposición ineficiente, porque produce listas muy largas con muchos resultados irrelevantes.

Aquí, los conteos RFID combinados con algoritmos y machine learning ofrecen resultados mucho más significativos. Por supuesto, siempre hay un factor humano. Al final, el personal debe realizar el esfuerzo de reponer. Sin embargo, los primeros resultados demuestran que trabajar con una lista priorizada de sugerencias de reposición es prometedor, porque el proceso es más rápido, la disponibilidad en estantería mejora e incluso genera un aumento de ventas gracias a una mejor disponibilidad.