EXCAVACIÓN DE DATOS EN EL VENTA AL POR MENOR

El concepto de Supply Chain es muy utilizado por empresas líderes en el campo de la logística. En este contexto, se observan las interfaces entre la empresa, los proveedores y los clientes, tanto en términos de producto, información y flujos financieros.
El modelo conceptual del proceso de decisión integrado de la Cadena de Suministro fue propuesto por Bowersox & Closs y se esquematiza en la Figura 1.
En este modelo, la estructuración del sistema logístico parte de 4 decisiones tomadas con profesionales de marketing:

• Producto: ¿Qué productos se ofrecerán a la venta? ¿Cuál es la mezcla de productos que se colocará en cada región de ventas?
• Promoción: ¿Qué políticas de promoción y descuentos se darán para cada producto en cada región?
• Precio: ¿Qué nivel de precio se cobrará por cada producto en cada región de ventas?
• Lugar/Atención al cliente: ¿Cómo se distribuirá el producto? ¿Qué ubicaciones serán atendidas? ¿Cuál es el nivel de requisito mínimo para el servicio? ¿Cuál es la frecuencia del servicio? ¿Cuál es el nivel de servicio en términos de disponibilidad de productos que se practicará para cada región/tipo de cliente?

Así, con base en las definiciones tomadas anteriormente, todas las funciones logísticas serán planificadas y estructuradas para cumplir con los diferentes niveles de servicio propuestos. Además, nuestro objetivo es cumplir con los diferentes niveles de servicio al menor costo logístico total posible. Un costo total más bajo significa una reducción simultánea en los costos de inventario, transporte, almacenamiento, compras y uso de tecnología sin la depreciación del nivel de servicio. Un cambio en un determinado costo logístico influye directamente en otro. Por ejemplo, minimizar el costo de compra mediante la compra de materias primas en mayor volumen puede aumentar el costo de almacenamiento.

Notamos entonces que la primera fase, la de “Conocer al consumidor”, es fundamental para una buena estructuración y buen funcionamiento del sistema logístico. Sin embargo, diseñar un sistema basado en el consumidor se está volviendo cada vez más difícil. Principalmente para aquellos profesionales del área de Logística que trabajan en el sector retail. Con el aumento de la competencia y la aparición de una nueva forma de comercio a través de Internet, los consumidores se han vuelto más numerosos y difíciles de interpretar.

¿Cómo responder a las preguntas de Producto, Precio, Promoción y Plaza para que la organización logística esté estructurada de manera adecuada y eficiente?

Los profesionales del área logística cuentan con dos conceptos que actualmente son muy utilizados en los sectores de banca minorista y de servicios para ayudar en estos temas: Data Warehousing y Data Mining.

2. ¿POR QUÉ UTILIZAR TALES HERRAMIENTAS?

Hemos notado una reducción en los precios de los terminales Punto de Venta (POS) en los últimos años. Dichos equipos, además de agilizar la operación de pago en las cajas, pueden ser utilizados para recopilar información de ventas. Aunado a la reducción en el precio de las computadoras y la reducción en el costo de almacenamiento de datos, lo que notamos es que la mayoría de las empresas minoristas hoy en día tienen la posibilidad de acumular información de ventas y consumo a un costo accesible. Por otro lado, la recopilación masiva de datos por sí sola no contribuye a apalancar la estrategia de marketing de la empresa. Lo que sucede actualmente para los profesionales del área es el acceso a un gran volumen de datos pero la dificultad en la extracción de información para la toma de decisiones. Dicha información se puede excavar a través de herramientas de minería de datos.

Antes de entrar en detalle sobre los conceptos de Data Warehouse y Data Mining, es interesante mostrar algunos casos de éxito con el uso de estos dos conceptos:

• Wal*Mart es una de las cadenas minoristas más grandes de los Estados Unidos. Se caracteriza por su política de bajos niveles de inventario y reabastecimiento constante de productos (bajas partidas y alta frecuencia) además de su política agresiva con los competidores regionales. Utilizando herramientas de Minería de Datos que ayudan a pronosticar cada artículo para cada tienda de la empresa, modificó sus sistemas automáticos de reabastecimiento de productos. Además, identificó patrones de consumo en cada tienda, con el fin de elegir el mix de productos a colocar.
• ShopKo, una cadena minorista estadounidense, utilizó herramientas de minería de datos para determinar qué productos se venden a través de la venta indirecta de otros productos. Como resultado, resistió la competencia de Wal*Mart en el 90% de los mercados y aumentó sus ventas.
• Banco Itaú solía enviar más de 1 millón de correos directos a los cuentahabientes, con una tasa de respuesta del 2%. Con una base de datos que contiene las transacciones de sus 3 millones de clientes en los últimos 18 meses, utilizando herramientas de Minería de Datos, redujo en una quinta parte su factura postal y aumentó su tasa de respuesta al 30%.
• Las compañías telefónicas de EE. UU. experimentaron una reducción del 45 % en las tarifas de servicio con nuevos clientes que utilizan el correo directo personalizado con Data Mining.

3. ALMACÉN DE DATOS Y MINERÍA DE DATOS

Pero, ¿cómo lograron estas empresas en el sector minorista tales ganancias? ¿Cómo estructuró sus redes de suministro y distribución para satisfacer las diferentes demandas del mercado? Mediante la creación de un Data Warehouse y el uso de técnicas de Data Mining para descubrir información en su gran conjunto de datos.

Un Data Warehouse es un repositorio integrado de información, disponible para análisis y para la construcción de filtros de búsqueda (consultas). Dicha información es recolectada de fuentes heterogéneas de datos operativos y reunida en una base de datos, centralizando información ubicada en diferentes fuentes y permitiendo que sea compartida en toda la empresa. Además, se pueden incluir fuentes externas en un Data Warehouse, además de los datos operativos de la empresa, como información demográfica del consumidor e información personal de cada cliente.

La minería de datos, por otro lado, es una metodología que busca una descripción lógica o matemática, posiblemente de naturaleza compleja, de patrones y asociaciones en un conjunto de datos. En el contexto de la minería de datos, el aprendizaje es un conjunto de técnicas que realizan dos tareas principales: (1) generalizar reglas a través de un conjunto de ejemplos conocidos y (2) detallar una estructura de sus conclusiones. Entre las herramientas o tecnologías utilizadas para implementar un proyecto de Minería de Datos, destacamos: Redes Neuronales, Árboles de Decisión, Análisis de Series Temporales, Algoritmos Genéticos, Aproximaciones Híbridas, Lógica Difusa y Herramientas Estadísticas Convencionales.

Para poder utilizar las técnicas de Minería de Datos, generalmente es necesario que la empresa cuente con un Data Warehouse, es decir, una base de datos que reúne información pasada de sus actividades operativas. Esto es necesario porque las técnicas de Minería de Datos generalizan patrones a través de resultados pasados ​​conocidos. Podemos decir entonces que un Data Warehouse es un requisito para la implementación de un proyecto de Minería de Datos. La Figura 2 resume la relación entre Data Warehouse y Data Mining.

4. EJEMPLOS DE APLICACIONES DE MINERÍA DE DATOS EN EL SECTOR RETAIL

El sector retail es uno de los sectores donde más se utilizan las técnicas de Minería de Datos. Esto se debe a que es una industria donde existen varias complejidades inherentes a las ventas. La venta de cada artículo es sensible a factores de mercado (publicidad y precio) y factores externos (tendencias de moda, ingresos, competencia). Además de estos factores, algunos productos influyen indirectamente en la venta de otros productos. El resultado de la interacción de todos estos factores y sus relaciones son complejos de traducir a través de análisis comunes.

Así, las técnicas de Minería de Datos surgen como una alternativa para hacer frente a este tipo de complejidades. Además, la base para su aplicación, la recogida de datos, ya está al alcance de muchas empresas del sector. Las tablas 1 y 2 a continuación muestran el uso de vanguardia de la minería de datos en el comercio minorista y las empresas que representan su uso en el sector minorista de EE. UU.

Las aplicaciones de minería de datos en el comercio minorista se pueden agrupar en dos categorías principales: Pronóstico de ventas y Aprovechamiento de estrategias de marketing.

4.1. Previsión de ventas

La aplicación en la previsión de ventas consiste en determinar una serie temporal a partir de datos pasados. Este tema ya ha sido ampliamente abordado por los estadísticos, principalmente con el uso de métodos lineales. Sin embargo, cuando los fenómenos son muy complejos y no lineales, los métodos comúnmente utilizados no son suficientes. En estos casos se han utilizado métodos adaptativos como redes neuronales y árboles de inducción.

En cuanto a los árboles de inducción, son algoritmos que exploran datos de ventas pasadas para extraer reglas de predicción para el futuro. El principio de inducción es relativamente simple, pero su aplicación al pronóstico de ventas puede volverse compleja. Una red neuronal, por otro lado, es un aproximador de funciones y produce como salida una función que minimiza un parámetro dado. A través de valores históricos conocidos, se crea una red de funciones que representan las relaciones entre variables. Tanto para la optimización de árboles de inducción como de redes neuronales se utilizan algoritmos de búsqueda genética.

Mediante el uso de estas herramientas, el profesional de la logística puede tener una mayor precisión en la previsión de series temporales de diversos productos. De esta forma, puede anticipar decisiones como: la creación de stocks de productos en regiones específicas, envío continuo de productos, creación de puntos y reabastecimiento de productos o cambios en las políticas de precios y promoción. Con decisiones preventivas en lugar de reactivas, el profesional de logística puede buscar minimizar el costo total de logística practicando un nivel de servicio aceptable.

4.2. Optimización de estrategias de marketing.

Por otro lado, la aplicación de la Minería de Datos en la optimización de estrategias de marketing es un problema conceptual más complejo, basado en la capacidad de realizar predicciones bajo diferentes condiciones y en la generación de modelos de negocio. Tenemos 5 puntos principales de aplicación:

• Correo directo: las campañas de correo directo son costosas, es importante reducir el rango de todos los consumidores en subconjuntos de clientes potenciales. Esto se ha optimizado utilizando árboles de inducción y redes neuronales.
• Segmentación del mercado: es un problema más amplio de reconocimiento de patrones específicos de segmentos de marketing que responden a una característica dada. De esta forma se identifican segmentos de mercado con las mismas características. Al identificar estos segmentos, se pueden implementar diferentes políticas de precios, marketing y servicios. Para el profesional de la logística, esta información es extremadamente importante. Se pueden determinar diferentes niveles de servicio para cada segmento de mercado, además del nivel de servicio mínimo aceptable para cada región.
• Determinación de perfiles de consumidores: se identifican patrones de consumo. Dichos perfiles se pueden utilizar tanto para orientar las promociones de ventas como para planificar el diseño de los productos en los puntos de venta (qué productos colocar uno al lado del otro). Análogamente al ítem anterior, se identifican las demandas por nivel de servicio para cada tipo de cliente. Algunos clientes no están dispuestos a pagar más por un mejor nivel de servicio, estando satisfechos con el nivel de servicio practicado.
• Análisis de sensibilidad: consiste en evaluar el impacto del cambio de una variable sobre otra variable, como la elasticidad precio de la demanda. Si se dispone de una gran cantidad de datos históricos, el cálculo de sensibilidades es un problema de generalización de una función de una serie de valores conocidos. De esta forma, se puede predecir el impacto de un cambio de precio en la demanda y se pueden realizar varios análisis.
• Gestión de categorías de productos: consiste en determinar cómo se venden los productos en cada tienda, cómo se producen las ventas en relación con la ubicación de los estantes, cómo se pueden optimizar las promociones y qué artículos deben colocarse uno al lado del otro en las combinaciones de diseño. Este es un análisis complejo de la mezcla de productos y su disposición en la tienda.

5. CONCLUSIÓN

Con la reducción del precio de los colectores de datos para Puntos de Venta en el sector retail, la explosión y abaratamiento de los ordenadores y la reducción del coste del almacenamiento de datos, actualmente es posible implementar una base de datos (Data Warehouse) con los movimientos y características de sus consumidores. Mediante el uso de técnicas de Minería de Datos es posible obtener información de este gran conjunto de datos, descubriendo relaciones entre variables y patrones en la enorme base de datos. Los profesionales en el campo de la logística pueden utilizar esta información para dirigir estrategias de marketing. A través de estas direcciones, se definirá toda la organización logística y sus requerimientos operativos, buscando atender los diferentes niveles de servicio al menor costo posible.

En un sector cada vez más competitivo, conocer al consumidor sigue siendo la mayor fórmula del éxito.

6. Referencias

http://www.datawarehousing.com
http://www.data-warehouse.com
http://www.datamining.org