· Cómo la tecnología ayuda a las empresas de retail a ser más productivas
Por Infor México
Como el software con Machine Learning junto con Inteligencia Artificial ayuda a resolver retos en el sector de la moda.
Poder saber cuáles estilos y tendencias afectan a la moda puede requerir una cierta cantidad de suposiciones, pero saber cómo y dónde conseguir esos productos y llevarlos al mercado lo antes posible no tiene que ser una adivinanza. Cuando la cantidad de datos disponibles se combina con inteligencia artificial (IA) y Machine Learning (ML), las empresas de retail tienen más posibilidad de poder predecir y determinar cómo adaptarse y cumplir con las demandas cambiantes de los clientes.
Infor analiza cómo la IA y el ML pueden ayudar a revolucionar la forma en que los minoristas de moda manejan la demanda previsión, asignación, reabastecimiento, planeación de surtido de productos y mucho más.
¿Qué son la IA y el Machine Learning?
En su esencia, la IA brinda a las máquinas “inteligencia” que les permite adaptarse a medida que cambian las circunstancias. Frecuentemente, la idea es crear “máquinas que pueden tomar decisiones similares a los humanos y utilizar esas decisiones para completar las tareas”, según Forbes. Las máquinas pueden evaluar muchos más datos y hacerlo mejor que los humanos. La meta de la IA es ayudar en la toma de decisiones en forma más informada y más rápida.
En cuanto al Machine Learning, Forbes menciona que es una forma específica de IA que utiliza “máquinas para procesar datos y que aprendan por su cuenta, sin supervisión constante”. El machine learning compila todos los datos disponibles, entiende y calcula las múltiples interacciones entre factores distintos para rápidamente descubrir las relaciones entre distintos impulsores de la demanda.
Algunos de estos factores pueden ser el historial de un ítem similar, asignando el inventario cuando se está por recibirlo, o cambiar los planes de reposición de un producto cuando se recibe la información de ventas de la semana anterior. Con el machine learning, todos estos procesos pueden automatizarse de manera que las empresas de retail puedan enfocarse en otras actividades más estratégicas como descubrir un nuevo color, identificar nuevos diseñadores, negociar mejores precios o desarrollar una presencia online más atractiva.
Creación de un surtido inteligente
El machine learning moderno incorpora los impulsores que potencialmente pueden hacer subir o bajar la demanda, incluyendo características y atributos de los productos y de las locaciones, datos competitivos, tiempo, precios, promociones, y datos de clientes. Los datos pueden hasta expandirse para incluir comentarios de clientes, compras iniciadas, datos de Instagram®, “likes” a productos similares y mucho más. No es raro que las empresas de moda creen un plan de surtido considerando el año anterior, pero con algunas mínimas adaptaciones considerando tendencias actuales.
El machine learning ayuda a contar con más datos analizando datos actuales e históricos que incluyen perfiles de los clientes, atributos del producto, mercados geográficos, comportamiento del comprador y mucho más. El machine learning no sólo puede recomendar a dónde enviar los ítems (considerando los múltiples atributos como el color tamaño, material, patrones y relación con otros ítems), el machine learning puede hasta hacer recomendaciones sobre en qué inventario se debe buscar. Las empresas pueden recrear escenarios “que sucede si” para estimar el impacto de la demanda de los cambios potenciales en el surtido, como también revisar el performance de los atributos estacionales, y hasta realizar análisis de conductas retrospectivas.
Pronosticar la demanda precisa
Cuando la empresa sabe qué productos venderá, el próximo paso es determinar el inventario ideal para cada una de las tiendas de retail. Cuando introducen nuevos productos, el machine learning puede evaluar una cantidad ilimitada de atributos de los productos, ubicaciones, y canales para anticipar con precisión la demanda. Por ejemplo, nuevos estilos, colores o su código de referencia, el machine learning puede automáticamente realizar un pronóstico considerando los atributos como color, tela, siluetas, largo, altura, tamaño, marca y más.
De hecho, la ciencia es tan penetrante que los pronósticos pueden actualizarse para nuevos estilos, colores y códigos de referencia que no se hayan vendido todavía.
Unificar la asignación y la reposición
Aunque la empresa textil sepa que venderá y donde, debe resolver qué cantidad enviará a cada lugar. El machine learning puede analizar muchos de los factores que impulsan la demanda y la planeación para desarrollar la asignación centrada en los clientes y las estrategias de reposición diseñada para mantener el nivel óptimo del stock, tanto en las tiendas, almacenes o centros de distribución, en todo el ciclo de vida del producto. Con retroalimentación en tiempo real, la estrategia de asignación y reposición puede ajustarse considerando la demanda real.
Con este modelo, los procesos de asignación y reposición están intrínsecamente vinculados. Tradicionalmente las herramientas de asignación y reposición eran aplicaciones independientes sin conexión entre ellas. Al unificar la asignación y la reposición junto como dos partes del mismo proceso, los productos pueden fluir entre dos etapas del ciclo de vida, desde la asignación inicial y la gestión de principio de estación a la reposición y final de estación desde el inventario, el almacén a las tiendas de ventas. Cualquiera sea el largo de la estación, una estrategia unificada funciona para optimizar el stock de todos los productos, las ubicaciones y los tiempos.
Optimizar la rentabilidad
Si el objetivo final es la rentabilidad, las empresas deben saber si el producto será rentable. Saber cómo y dónde se logra la rentabilidad es crítico para la toma de decisiones en cuanto al surtido, el precio el lugar y gestión.
El machine learning ayuda a desarrollar un plan único para alinear las decisiones sobre el surtido, precio, promociones, espacios, etc y luego alinearlas con el plan de ventas junto con las inversiones en el inventario. Los múltiples escenarios “que ocurre si” pueden operarse para determinar un plan óptimo para la cantidad correcta del inventario que ayude a disminuir los descuentos, reactivar las promociones y el stock muerto.
Decisiones impulsadas por datos
Todo esto es para asegurarse que los consumidores tengan acceso a los productos que desean cuándo y dónde los quieren. El mundo de la moda rápida no se refiere solo a los constantes cambios, sino a que las empresas deben responder en forma rápida a las nuevas tendencias llevando los productos al mercado antes de que la tendencia sea reemplazada por otra nueva. Esto es una tarea extraordinariamente compleja, especialmente si se considera que las empresas deben estar al día de las tendencias en un contexto en el que pueden existir hasta 52 micro estaciones al año.
El machine learning ayuda a las empresas en numerosas formas prácticas, comenta Infor cómo:
■Pronosticar ventas de nuevos ítems sin historial previo de ventas
■ Minimizar los impactos de canibalización de ítems nuevos
■ Distribuir eficientemente los surtidos por tienda
Aumento de la velocidad de la cadena de suministro
Aun con pronósticos precisos y planes alineados, no todo funciona según lo planeado. El mal tiempo puede demorar las entregas, los proveedores pueden quedarse sin materia prima, las tiendas pueden quedarse sin stock. Las empresas textiles pueden minimizar esto y otras disrupciones de la cadena de suministro si cuentan con visibilidad en tiempo real de toda la cadena de suministro, tanto interna como externa. Pero contar con la información es una cosa y hacer algo con ella es otra. Cuando el sistema de gestión de la cadena de suministro está integrado con los procesos de pronósticos, surtido, asignación y reposición, el machine learning puede monitorear la cadena de suministro, ver los problemas por medio de alertas tempranas y hasta sugerir respuestas para responder rápidamente a los cambios, aumentando la velocidad de la cadena de suministro, minimizando los riesgos y disminuyendo costos.
Los beneficios de la estrategia de machine learning son sustanciales. De hecho, muchas empresas ven retornos diez veces mayores a su inversión original con aumento en las ventas, menor inventario y menor personal para gestionar el pronóstico, el inventario y el surtido de ítems. Infor concluye que el machine learning ayuda a las empresas a tomar decisiones basadas en datos en forma más rápida lo que aumenta las ventas y los márgenes y hace crecer el negocio.
