La industria de la moda es conocida por su notoria producción de residuos. Los minoristas atraen a los consumidores mediante colecciones frecuentes con ciclos de vida más cortos y surtidos más amplios. Con los titulares de hoy sobre el aumento del inventario muerto en la industria, mantener esta estrategia supone un gran riesgo para la existencia de muchos minoristas.
En uno de mis artículos anteriores, "Replanteamiento de los formatos tradicionales para mantener la relevancia en el entorno actual del comercio minorista moderno postcovid-19", hablaba de los retos mundiales posteriores a la crisis de los covid-19 para mejorar la venta a precio completo. Se calcula que en 2023 alrededor del 30% de toda la ropa fabricada en el mundo no se venderá nunca (Fashion United). Este punto de referencia es una pésima noticia para nuestro planeta y una pésima noticia para los responsables de la distribución que contemplan tácticas, dado que las dos próximas temporadas ya estaban previstas. Más descuentos pondrán en peligro la rentabilidad a corto plazo de la empresa, pero también el posicionamiento de la marca a largo plazo.
La pregunta desconcertante es: ¿por qué los minoristas se equivocan tanto en sus planes cuando la tecnología de que disponen es tan avanzada? Los actuales modelos de predicción basados en IA y listos para usar pueden utilizar datos históricos a largo plazo y predecir variables como el sentimiento del mercado y las tendencias de la moda, que antes se limitaban a la opinión de los expertos. La realidad, un tanto decepcionante, es que aunque la planificación basada en la IA ha cobrado tanta importancia hoy en día, no ha cambiado mucho el punto de referencia de las ventas durante la temporada, ni la cuota de inventario sin vender.
En este artículo utilizaremos el sentido común para cuestionar la convención de que los minoristas necesitan una mejor planificación de las temporadas para terminarlas sin inventarios sin vender. Describiremos la espiral negativa inherente a la industria de la moda y utilizaremos un enfoque de causa y efecto para encontrar su raíz. Finalmente, ilustraremos los métodos y las herramientas de IA de temporada que tienen el poder de mitigar considerablemente la captura del inventario muerto. A título personal, espero sinceramente que este artículo sirva de alivio a los responsables de merchandising central, planificadores y directores de la cadena de suministro que operan en entornos sobrecargados y a los que se responsabiliza injustamente de los malos resultados de la temporada.
¿Por qué el comercio minorista de moda se encuentra en una espiral negativa?
Supongamos un entorno minorista sin factores de ruido. Las nuevas existencias se entregan en el centro de distribución a tiempo y en su totalidad. Los consumidores visitan las tiendas, echan un vistazo al surtido de nuevos productos y compran según sus preferencias. Podemos llamar fast movers a los productos que se venden bien y slow movers a los que no se venden bien. Nosotros, por supuesto, queremos producir sólo los fast movers, pero la realidad es que los fast movers y los slow movers se distribuyen según la regla 20-80 cuando una colección se compone de múltiples estilos, colores y tallas. La mayor parte de la colección será lenta, mientras que sólo unos pocos productos serán rápidos. Como los productos más rápidos se venden antes de lo previsto, se agotan rápidamente y su cuota en la tienda disminuye con el tiempo. Con la llegada de más colecciones, las estanterías se ven ocupadas por más productos lentos y menos rápidos, y queda menos espacio disponible para exponer nuevos productos: la posibilidad de que los consumidores encuentren el producto que desean en su talla se reduce drásticamente. Por suerte para los minoristas, el periodo de rebajas de fin de temporada es el momento en que la tienda liquida el inventario no vendido mediante grandes descuentos y empieza de nuevo.
Durante más de una década de análisis de datos de minoristas de moda, hemos aprendido que más del 50% de las existencias en un estante antes del final de la temporada pertenecen a SKU que contribuyeron a sólo el 5% de las ventas de temporada. Diferentes criterios para identificar las prendas más lentas no cambiarán mucho la distribución; al final, ¡los minoristas se equivocaron más que acertaron! ¿Se equivocaron los diseñadores? ¿O quizás el planificador? Afortunadamente, hoy tenemos acceso ilimitado a los datos para saber que este resultado tuvo poco que ver con ambos. Si trazamos un mapa del inventario entre las distintas tiendas, descubrimos que los productos que se mueven lentamente en una tienda pueden clasificarse como productos que se mueven rápidamente en otras muchas tiendas. Los productos que se mueven rápido y los que se mueven despacio son, en su mayoría, definiciones específicas de cada tienda. Trágicamente, los mismos artículos de rotación rápida que se agotaron a principios de temporada y provocaron una pérdida de ventas en una tienda, acaban perdiendo también margen en otras cuando se liquidan con los descuentos de final de temporada. Un simple análisis cruzado entre tiendas revelará que éstas tenían capacidad para vender más del 50% del inventario de baja rotación durante la temporada si lo tenían en el momento y el lugar adecuados.
¿Cuál es entonces la causa principal?
Ahora podemos asumir con seguridad que el plan era aproximadamente correcto, o al menos no precisamente erróneo. Nuestra búsqueda de la causa raíz se reduce a la ejecución durante la temporada.
El problema empieza en el momento en que los minoristas asignan las nuevas colecciones a las tiendas. Aún no disponemos de estadísticas sobre ventas, y tampoco podemos utilizar nuestra intuición a la hora de predecir el índice de venta de un estilo-color-talla concreto en una tienda específica. Una práctica habitual de los minoristas es establecer normas de curva de tallas para las categorías en las tiendas. Por ejemplo, si una talla fundamental de una camisa se vende dos unidades a la semana de media en una tienda de la calle, los minoristas pueden asumir dos unidades como norma inicial para las tallas fundamentales de la misma categoría en todas las tiendas de la calle. Pero ahora comprendemos que esta media es una falacia. Se trata de una media de los pocos superventas rápidos que pueden vender incluso diez unidades a la semana y de los muchos minoristas lentos que no venden ninguna. Empezar con un inventario sobredimensionado en las tiendas genera un inventario elevado de los productos lentos de las tiendas y restringe el inventario que queda en el almacén para reponer los productos rápidos de las tiendas.
Sabiendo que el plan de asignación no es ciencia espacial, los minoristas intentan ajustar las normas de SKU en función de la demanda real de la temporada. El enfoque habitual son los algoritmos de previsión convencionales, como las previsiones continuas y los objetivos dinámicos MÍN-MÁX. El desafortunado error aquí es que la vida de la colección puede ser tan corta como 4-6 semanas, y la tasa media de venta de un producto típico es tan baja como 1-2 unidades en 2 semanas. En una realidad así, estos algoritmos no responderán a las tendencias de la demanda o responderán constantemente al ruido. En palabras sencillas, para cuando disponemos de estadísticas suficientes para una previsión precisa, la temporada ya ha terminado, y la mayor parte del inventario está mal colocado en las tiendas equivocadas.
¿Cómo podemos utilizar la IA para salir de la espiral negativa del sector?
A lo largo de los años he trabajado con científicos de datos en busca de la combinación adecuada de tecnología que permita a los minoristas mejorar considerablemente sus operaciones de temporada mediante la automatización. Nos hemos centrado en tres áreas en las que la IA ha supuesto un gran avance:
- Agrupación por comportamientos: Una técnica común de IA que identifica y divide los datos no etiquetados en diferentes grupos, de forma que los puntos de datos similares. Si se aplica a la demanda a nivel de SKU-Localización, este enfoque tiene el poder de permitir una transición eficaz de la previsión convencional a una Predicción a Corto Plazo de respuesta rápida. El algoritmo agrupa los productos en tiempo real en función de su patrón de demanda identificado y adapta su objetivo en consecuencia.
- Similitud de productos: Aprende el impacto de los atributos de los productos y de varias combinaciones de atributos de productos en la demanda de productos. Métodos bien conocidos como el "Features-Embedding" traducen la información semántica de los datos a una forma numérica que los algoritmos pueden entender y utilizar para encontrar qué productos son similares entre sí. Esta capacidad conduce a una asignación mucho más inteligente de nuevos productos basada en el aprendizaje obtenido del comportamiento de productos similares en temporadas anteriores.
- Predicción de la demanda extrema: Utiliza datos de temporadas anteriores para predecir los posibles cambios en la demanda y su impacto en el inventario de la tienda durante eventos especiales o rebajas de precios. Aunque este tema no se ha tratado en este escrito, es otra área que puede alimentar el desajuste de inventario entre tiendas. El rápido aumento del tráfico exige un incremento proactivo del inventario en las tiendas para proteger las ventas. Sin herramientas que orienten a los minoristas sobre qué productos pueden absorber el aumento de la demanda, el enfoque humano común es equivocarse por el lado seguro y aumentar proporcionalmente el inventario de todos los productos de forma innecesaria.
Los minoristas que aplicaron estas tácticas demostraron un aumento del 10%-20% en las ventas de temporada, disfrutando de mayores márgenes con menos inventario en las tiendas y mayor frescura en la temporada. Por último, establecer operaciones más escalables y predecibles en las que Merchandisers y Planners operen en armonía y extraigan más alegría de su trabajo.
