Escrito por Luis Aburto, Director Data Science de Penta Analytics.
Los administradores de categorías de supermercados deben decidir periódicamente los precios de sus productos. Por un lado deben gestionar promociones y descuentos interesantes para estimular la demanda y ganarle a la competencia. Si primara solo este criterio estaría inundado de descuentos y promociones agresivas. El uso indiscriminado de descuentos podría atentar contra el desempeño y resultado económico de la categoría. Además podría incentivar comportamientos estratégicos de los clientes postergando o aplazando compras. Sin duda que no es una tarea fácil. Los recursos promocionales son un activo escaso que debe ser gestionado correctamente para maximizar el desempeño comercial de la categoría de productos.
Las promociones y reducciones temporales de precio tampoco funcionan de manera individual para cada producto. Hay muchas promociones que no solo estimulan al producto en promoción, sino que también a productos complementarios (pasta y salsa de tomates por ejemplo) o sustitutos. Hay efectos deseados en la sustitución de productos: cuando las promociones provocan efectos de up-selling hacia productos de mayor valor o margen, aumentando el desempeño comercial de la categoría. Otras veces se produce el efecto inverso, donde la gente sustituye un producto de alto margen, por un producto promocionado de bajo valor. Este efecto negativo de reducción de valor se conoce como canibalización. De esta forma, resulta relevante para la optimización de precios en supermercados, poder medir estos efectos de interacción entre productos existentes dentro de una categoría.
Las tecnologías actuales de machine learning permiten usar la información transaccional para construir modelos de estimación de demanda que consideren estos efectos cruzados entre productos, de modo de aprovechar los efectos de up-selling y minimizar las canibalizaciones de margen existentes. Estos modelos de demanda basados en machine learning alimentan modelos de optimización que sugieren el mix de precios correcto para un determinado escenario. Un caso de negocio lo realizamos en un supermercado mayorista para la categoría Ketchup como parte de nuestro servicio de Trade Marketing Analítico. El proveedor mejoró su market share en 9% manteniéndose el valor total de la categoría.
Hoy en día existen grandes oportunidades en el uso de tecnologías de machine learning y big data para una serie de industrias. El retail es abundante en datos y decisiones operativas y tácticas que pueden ser apoyadas y mejoradas con este tipo de herramientas. Todas las decisiones de trade marketing y administración de categorías pueden ser apoyadas con modelos de decisiones basados en las preferencias de los consumidores. Mejorar las decisiones de pricing tiene impacto directo en la última línea en los resultados operaciones de los retailers. Es con el uso de estas tecnologías que los actores locales (tanto fabricantes como distribuidores), pueden lograr ventajas competitivas para la industria nacional y su posicionamiento estratégico en la región.