Los modelos de respuesta de mercado (MRM) son un conjunto de ecuaciones matemáticas que relacionan el comportamiento de un determinado mercado con una serie de factores que son los causantes de dicho comportamiento.
Estas ecuaciones describen el impacto que tanto variables controladas por los gerentes (precio, promociones, publicidad, etc.) como variables de ambiente (estacionalidad, clima, competencia, etc.) tienen sobre el desempeño de una empresa.
Recordemos que big data junto a machine learning son de los campos de mayor crecimiento en estos años. Ellos buscan identificar patrones en esos grandes volúmenes de datos aplicando técnicas estadísticas que permiten responder las más variadas interrogantes en los negocios. Y así, lograr una toma de decisiones mucho más informada.
No se trata solo de un gran volumen sino que también gran velocidad de procesamiento y variedad de datos. Hoy es realista pensar en un buen entendimiento de las conductas y preferencias que mueven las decisiones de compra de los consumidores. Aquí surgen los MRM.
Hoy vemos cómo muchas industrias almacenan todas las transacciones de sus clientes. Y con un nivel de detalle que permite modelar e inferir con bastante precisión a través del uso de MRM el comportamiento futuro de los consumidores (ver figura). Antes podíamos inferir lo que harían “los clientes”, hoy lo que hará “cada cliente”.
El caso de Farmacias Salcobrand
Big data y machine learning están en el corazón de la gestión de Farmacias Salcobrand (SB). A través de sus 428 locales a lo largo del país, SB comercializa 12.500 diferentes productos (SKU) en el mercado farmacéutico, donde sus principales competidores son Farmacias Cruz Verde y Farmacias Ahumada.
Para lograr administrar en forma eficiente todos los SKU en cada uno de los locales, SB se apoya en modelos de respuesta de mercado para cada una de las cerca de tres millones de combinaciones SKU/local que existen.
Para mejorar la experiencia del cliente, SB ha utilizado estos MRM para optimizar la disponibilidad y acceso a los medicamentos. Y también para ser eficientes en el manejo del inventario. Los modelos son capaces de discriminar cuándo la caída de ventas se debe a quiebres (inventario en cero) y cuándo es una caída de la demanda.
Menos días de inventario
Como beneficio SB ha obtenido una reducción de 12 días de inventario (16% del inventario total). Y una mayor venta equivalente a 6 días de venta debido a un mejor manejo del mix de productos que ofrece en cada farmacia.
Hoy revisan diariamente el inventario de cada combinación SKU/local para identificar incrementos puntuales en ventas que estén provocando quiebres. Así, bajo ciertas condiciones comerciales, se apuesta a subir el inventario durante un tiempo para evaluar si dicha combinación tendrá o no una venta potencial que no ha sido aprovechada. Ello tiene mucha relevancia en las temporadas o estaciones, mejorando la satisfacción del cliente.
SB se encuentra constantemente analizando distintos tipos de datos existente de diversas fuentes tales como temperatura, nivel de polen, humedad, e indicadores de salud entre otros, para incluirlos dentro del modelo predictivo de respuesta de mercado.
También están avanzando a usar algoritmos que calculan el inventario detectando automáticamente actividades promocionales al observar cambios en el precio. Sin que estas hayan sido informadas al sistema por las áreas comerciales.
Fuente