Almacenar demasiado de un producto, o no lo suficiente, cuesta a los minoristas cientos de miles de millones de dólares al año. Si almacenan muy poco y se agotan, es probable que el cliente lleve sus negocios a otra parte, costando dinero al minorista. Si almacenan demasiado, aunque, el minorista termina con un exceso de inventario.

Un artículo de próxima aparición en La investigación de operaciones , en coautoría del profesor visitante de MIT Sloan, Amr Farahat, Doctorado '04, y Joonkyum Lee, profesor asistente en Sogang Business School en Corea del Sur, presenta una nueva forma de abordar este problema. Su enfoque basado en datos puede ayudar a los minoristas a tomar decisiones más informadas y aumentar las ganancias.

Si bien hacer que los minoristas simplemente reabastezcan un artículo cuando se agoten puede parecer razonable, ese enfoque no funciona para muchos. "Los compradores no van a esperar hasta que el minorista se reabastezca para realizar una compra, "Dijo Farahat.

En lugar de, los minoristas deben predecir de antemano cuánto van a vender de artículos específicos. Eso no es fácil, especialmente para productos cuyos plazos de reabastecimiento son largos en comparación con la duración de su temporada alta de ventas.

El efecto de la sustitución

Ayudar, Farahat y Lee han desarrollado lo que llaman la transformación de similitud aproximada.

"Este algoritmo reconoce que existe una relación entre la cantidad de existencias de los minoristas y sus ganancias. Esta relación es complicada, así que lo reemplazamos por uno más simple que proporciona un límite superior en las ventas, pero es un límite superior estrecho. Lidiar con eso más simple, pero aproximado, la función de ventas conduce eventualmente a mejores decisiones, "Dijo Farahat.

Los minoristas suelen basar sus decisiones de almacenamiento en ventas pasadas, teniendo en cuenta la época del año, cómo va la economía, lo que esta de moda, y qué nuevos productos han salido que se espera que se vendan, entre otras cosas.

Según Farahat, si un minorista almacena un solo artículo, determinar la cantidad óptima de stock a transportar es simple. Cuando un vendedor vende muchos artículos, esto se vuelve más complicado debido a que los clientes sustituyen un artículo por otro. "Si quiero comprar una camisa azul a rayas como regalo, y no encuentro el tamaño que necesito en stock en Macy's, en lugar de decidir comprar el regalo en otra tienda, Puedo mirar una camisa azul sólida una camisa morada a rayas, o una marca diferente. Se están produciendo efectos de sustitución complejos:es la naturaleza de la elección del consumidor, "Dijo Farahat.

Dado que los consumidores pueden tomar cualquier número de decisiones en función del inventario disponible, es prácticamente imposible determinar los niveles óptimos de inventario. "Matemáticamente, este es uno de los problemas más desafiantes de la informática, "Dijo Farahat.

Un enfoque basado en datos

Determinar con precisión las necesidades de inventario óptimas es inalcanzable, pero la transformación de similitud aproximada produce recomendaciones basadas en "aproximaciones demostrablemente buenas". La investigación de Farahat y Lee indica que siguiendo estas recomendaciones, algunos minoristas pueden esperar aumentos de beneficios del 2 al 3 por ciento.

Lo logra utilizando los datos que los minoristas ya han recopilado sobre sus clientes, como las expectativas de tráfico basadas en la temporada y cómo sus consumidores toman decisiones. Luego, se aproxima a un pronóstico de ventas que puede ayudar con las decisiones de inventario.

"Estamos tratando de hacer recomendaciones para los minoristas que puedan utilizar como punto de partida para sus decisiones finales. Para que podamos hacer eso, debemos aprovechar las capacidades de análisis predictivo que muchos minoristas ya están desarrollando, "Dijo Farahat.

A medida que las empresas perfeccionan sus capacidades de recopilación de datos, la calidad de esos datos mejorará y el algoritmo de Farahat y Lee será más útil. "A medida que estos modelos y pronósticos se vuelven más precisos, esta pieza prescriptiva de toma de decisiones se vuelve más relevante, "Dijo Farahat.

Compartiendo la investigación

Farahat y Lee han realizado miles de experimentos numéricos basados ​​en las experiencias de los minoristas para probar su algoritmo. Todas esas pruebas han indicado que el algoritmo funciona tan bien o mejor que los métodos anteriores para ayudar a los minoristas a planificar su inventario, ya que proporciona límites superiores más estrictos. o expectativas de beneficios más precisas, en más del 99 por ciento de las pruebas.

A los investigadores todavía les gustaría probar la transformación de similitud aproximada con los minoristas. Por ahora, aunque, lo han puesto a disposición en GitHub por dos razones:quieren que los colegas que puedan desarrollar su trabajo puedan hacerlo sin tener que empezar desde cero; and "if a company has some in-house capabilities that they can take this and test it they are welcome to do so."