¿Qué productos debe almacenar?

Conseguir la gama correcta de productos no es fácil, pero es absolutamente fundamental para el éxito de la venta minorista. A diferencia de la gestión del inventario y los precios, en los que los minoristas tienen muchos datos y herramientas analíticas para guiar la toma de decisiones, la optimización del surtido sigue siendo mucho más un arte que una ciencia. Y tomar la decisión equivocada puede ser desastroso. Considere estos ejemplos:

• Tras una encuesta en la que los clientes decían que les gustaría tener tiendas menos abarrotadas, Walmart presentó Project Impact, en 2008, eliminando el 15% de los SKU que vendía. Las ventas cayeron significativamente y se vieron obligadas a anular la mayoría de los cambios.

• Super Fresh, propiedad de la tienda de abarrotes A&P, dejó de vender muchos de sus productos secos más vendidos para ampliar la oferta de productos frescos. Pero los productos eliminados resultaron ser esenciales para los clientes; al no poder encontrarlos, se llevaron sus negocios a otro lugar y el minorista se declaró en quiebra.

• Un minorista de artículos para el hogar utilizó datos demográficos para localizar sus surtidos y adaptarse mejor a los gustos de los clientes. Empezó con ropa de cama moderna y me encantó ver un aumento de ingresos del 18%. Pero cuando aplicó los datos a la categoría de baños de moda, los ingresos no cambiaron. Desalentado, el minorista abandonó el esfuerzo.

• Cuando el nuevo CEO de una tienda de neumáticos cambió su gama de neumáticos baratos a otros más caros, aprendió por las malas que el precio era importante para sus clientes. El CEO fue reemplazado después de dos años y su sucesor restauró la mayoría de los productos que habían sido eliminados.

Como tantos cambios de estrategia de surtido, estas medidas fueron en gran medida actos de fe. Es fácil detectar los perros de su surtido, por supuesto (los datos de ventas se lo dirán), pero no es nada obvio por qué se debe reemplazar a los vendedores lentos. Y siempre existe la persistente preocupación de que un vendedor lento que elimine pueda ser un producto importante para algunos de sus mejores clientes, lo que los lleve a desertar y pasarse a la competencia. Como todos los minoristas saben, elegir la mejor variedad es un acto de equilibrio; cualquier cambio puede tener un efecto dominó.

Muchas herramientas de software afirman que ayudan a planificar el surtido, al ayudar a los minoristas a decidir qué combinación de productos maximiza las ventas. Pero con muy pocas excepciones, carecen de la capacidad de pronosticar la demanda de nuevos productos o de estimar la cantidad de demanda que se transferiría a otros productos si se dejara caer a un vendedor lento. Las herramientas no hacen más que facilitar un proceso de planificación manual que se basa en el juicio de los gerentes para obtener las aportaciones clave. No hacen nada para reducir el riesgo inherente a cada decisión sobre el surtido de productos.

Para abordar esta deficiencia, hemos desarrollado una técnica que hace que la planificación del surtido sea mucho más científica. Se basa en nuestra observación de que la mayoría de las veces los clientes no compran productos, sino un paquete de atributos. Piense en la última vez que compró un televisor. ¿Dijo: «Quiero TV X»? ¿O pensó en el tamaño de la pantalla, la resolución, el precio, la pantalla LCD frente al plasma y la marca? Nuestro enfoque utiliza las ventas de los productos existentes para estimar la demanda de sus diversos atributos y, a continuación, utiliza esas estimaciones para pronosticar la demanda de posibles productos nuevos. Con estos datos, los minoristas pueden poner a prueba sus presentimientos de forma más científica.

Nuestro enfoque es especialmente útil para los minoristas de los segmentos de productos duros y abarrotes; es menos aplicable en el segmento de prendas sensibles a la moda, donde los productos cambian rápidamente. Los minoristas de abarrotes utilizan actualmente la abundancia de datos de mercado disponibles para identificar posibles incorporaciones, SKU que no tienen y que se venden bien en otros minoristas. Pero las investigaciones que hemos realizado muestran que nuestro enfoque basado en los atributos tiene un margen de error más bajo.

También ayuda a los minoristas a obtener información sobre las siguientes preguntas:

• ¿Podemos mejorar nuestra gama sustituyendo los productos que se venden lentamente por otros nuevos? ¿Cuál es la demanda probable de los posibles nuevos artículos?

• Si los clientes no encuentran su producto ideal, ¿qué probabilidades hay de que lo sustituyan por otro?

• ¿Cómo cambiarán las ventas si aumentamos o disminuimos la cantidad de productos que vendemos?

• ¿Tiene sentido la localización (personalizar los surtidos por tienda o grupo de tiendas)? Si es así, ¿para qué categorías? Si decidimos crear grupos de tiendas con surtidos distintos, ¿cuántos debemos crear y qué criterio debemos utilizar para crearlos?

Al centrarse en los atributos de los productos, los minoristas pueden maximizar el número de clientes que dicen: «Eso es exactamente lo que quiero» o «Puede que este producto no sea lo que me gustaría idealmente, pero está lo suficientemente cerca y lo compraré». Veamos ahora el proceso, utilizando dos ejemplos en la venta minorista de autopartes: el departamento de neumáticos de una cadena (un proyecto de investigación que llevamos a cabo) y la división de productos químicos de apariencia de otra (un trabajo de consultoría). Si bien el proceso se describe aquí paso a paso, de hecho es multidimensional y muy iterativo; gran parte del análisis se realiza mediante un modelo de ordenador, que produce las recomendaciones finales.

Entienda qué atributos son más importantes para los clientes

El uso de nuestro método aún requiere un poco de juicio sobre qué atributos son importantes para los consumidores y cómo esas preferencias pueden influir en sus decisiones de compra si no encuentran su primera opción. Los siguientes pasos pueden ayudar a los minoristas a abordar esas preguntas.

Identifique qué atributos son importantes para los clientes.

La mayoría de los minoristas ya piensan en sus productos en términos de atributos y pueden identificar fácilmente los que son importantes en su categoría. Pueden incluir el precio, la marca, el tamaño, el sabor y el color.

Cuando empezamos nuestro proyecto de investigación sobre los neumáticos, el director de categoría del minorista nos dijo que los atributos importantes de los neumáticos eran la marca, el kilometraje, la garantía y el tamaño. El minorista ofrecía varias marcas con publicidad nacional que el gerente creía que los clientes consideraban intercambiables. Las agrupamos como marcas nacionales. El minorista también ofrecía tres marcas propias de diferentes calidades y precios, que llamaremos House 1 (la marca premium), House 2 (nivel medio) y House 3 (gama baja). Se ofrecían varias garantías de kilometraje, pero el minorista creía que los consumidores consideraban que muchas eran equivalentes. Por lo tanto, hemos agrupado las garantías de kilometraje en tres niveles: Baja (de 15 000 a 40 000 millas), Media (de 40 001 a 60 000 millas) y Alta (más de 60 000 millas).

Las cuatro marcas y los tres niveles de garantía de kilometraje implicaban 12 combinaciones de marcas y garantías que el minorista teóricamente podía ofrecer, pero algunas tenían poco sentido, como una garantía de alto kilometraje para una marca barata. De hecho, solo se ofrecían seis combinaciones (en orden decreciente de calidad): National High, National Medium, House 1 High, House 2 High, House 2 Medium y House 3 Low.

Es fácil encontrar los perros de su variedad, pero no es nada obvio por qué se debe reemplazar a los vendedores lentos.

El tercer atributo clave de los neumáticos, el tamaño, incluye el tipo (por ejemplo, radial) y si se trata de un automóvil de pasajeros o de algún otro tipo de vehículo. Los neumáticos vienen en 64 tamaños, lo que significa que había 384 posibles SKU que el minorista podría haber vendido (64 tamaños × 6 combinaciones de marca y garantía). Pero solo tenía 105 en la mayoría de las tiendas. El recuento variaba según la cadena, sobre todo según el tamaño de la tienda. Los surtidos también variaban, pero la mayoría de las tiendas tenían los SKU más populares.

Tenga en cuenta lo que harán los clientes si no ofrece su producto preferido.

La disposición de los clientes a comprar otro producto si no encuentran su primera opción es un factor crucial cuando un minorista considera dejar caer artículos. Su voluntad depende en gran medida del atributo. Es probable que los clientes no sustituyan una talla de vestido por otra, pero pueden comprar la azul si el rojo no está en la gama. Del mismo modo, la gente no va a comprar un neumático de 14 pulgadas para un neumático de 15 pulgadas, pero pueden sustituir una combinación de marca y garantía de kilometraje por otra. Al crear un surtido, los minoristas deben tener en cuenta el hecho de que si los clientes no encuentran su artículo ideal, algunos comprarán la siguiente mejor opción y otros no. En nuestro ejemplo de neumáticos, nos interesaba saber el porcentaje de clientes que cambiarían un nivel de calidad si su primera opción no estuviera disponible y el porcentaje que cambiaría a la baja.

Analice las ventas actuales y potenciales por atributo

Ahora veremos qué tan bien se venderían los artículos que no vende actualmente y cómo añadirlos a su gama de productos afectaría a las ventas totales. Aquí es donde entra la ciencia.

Reunir los datos de ventas de un período reciente.

Empiece con lo que ya sabe: las ventas unitarias de los SKU que vende actualmente y la participación de cada combinación de marca y garantía en sus ventas totales. Esta es la base del modelo. Por lo general, analizamos datos recientes de seis meses a un año.

En el proyecto de neumáticos, reunimos los datos de ventas por SKU de cada tienda durante un período reciente de seis meses. La figura 1, que muestra los datos de una tienda para 15 de los 64 tamaños de neumáticos, representa los datos sin procesar de nuestro análisis. (Los datos se han cambiado para proteger la información confidencial.)

Previsión de la demanda de todos los posibles SKU.

El hecho de que algunos SKU solo vendieran un dígito sugería que sustituirlos podría aumentar los ingresos, pero el desafío consistía en averiguar qué nuevos SKU se venderían mejor. El primer paso es utilizar los datos de ventas para pronosticar la demanda total de cada tamaño de neumático si se ofrecieran todas las combinaciones de marca y garantía.

Para ilustrarlo, veamos la talla F. (consulte la figura 2.) Tenga en cuenta que el minorista vende actualmente la talla F en cuatro de las seis combinaciones de marca y garantía. Empezamos sumando las acciones del total de ventas de las que disfruta cada una de las combinaciones ofrecidas en talla F (7,7% + 2,6% + 19,2% + 57,5%). Eso nos indica la cuota de la demanda total de talla F que el minorista está captando actualmente (el 87%). En otras palabras, el minorista teóricamente pierde las acciones de venta asociadas a las dos combinaciones que no ofrece: National Medium, el 2%, y House 3 Low, el 11%.

Para calcular la demanda total de la talla F, simplemente dividimos las ventas totales de la talla F por la proporción de la demanda capturada: 1204 ÷ 87% = 1384. Una vez que conozcamos la demanda total de la talla F, podemos estimar la demanda de cualquier SKU de esa talla multiplicando la demanda total de la talla por el porcentaje de ventas de las que disfruta la combinación de marca y garantía. Por ejemplo, House 3 Low tiene una participación global del 11%; si aplicamos ese porcentaje a 1384, tenemos una previsión de 152 unidades para House 3 Low de talla F.

Refina la previsión.

Este cálculo solo nos lleva a una parte de una previsión precisa, ya que verá si prevé las ventas de un artículo que realmente vende. Hemos determinado anteriormente que si se ofrecieran todas las combinaciones de talla F, las ventas totales serían de 1384 unidades. Por lo tanto, la demanda de House 2 Medium, la más vendida del minorista, se estima en 796 (1384 x el 57,5%). Sin embargo, las ventas reales fueron bastante inferiores: 763 unidades.

Una de las razones de la discrepancia es que las acciones de venta están influenciadas por la variedad ofrecida. House 2 High y Medium se ofrecían en casi todos los tamaños, lo que elevó sus cuotas de venta totales en comparación con las de las combinaciones de marca y garantía que se ofrecían en menos tamaños.

Para corregir esas discrepancias, tenemos que modificar las cuotas de venta de la garantía de la marca para minimizar la diferencia media (lo que los estadísticos llaman la desviación absoluta media) entre las estimaciones y las ventas reales. Este proceso altamente iterativo se realiza mediante una herramienta de optimización como Excel Solver. Básicamente, la herramienta incluye los valores de prueba de los números de acciones de la marca con garantía en los cálculos de la estimación de la demanda de todos los SKU actuales y comprueba qué tan cerca están las previsiones resultantes de las ventas reales. Luego ajusta los valores de las acciones para acercar las previsiones y repite hasta llegar a los valores de las acciones que minimizan la suma de todas las discrepancias en torno a los SKU ofrecidos. Es exactamente la forma en que se recetan gafas: comience con una lente de prueba, pruebe con una lente diferente, ¿mejor o peor? —ajustar y repetir hasta que no haya más mejoras.

Este proceso dio como resultado las acciones a la vista «más adecuadas» para las seis combinaciones de marcas-garantía: el 2,4%, el 1,1%, el 1,5%, el 6,7%, el 18,6% y el 69,6%. (Consulte la figura 3.) Compare las participaciones de la demanda con las cuotas de venta reales y empezará a surgir un panorama radicalmente diferente del surtido óptimo.

Tenga en cuenta que las previsiones, si bien se acercan a las ventas reales, no son del todo precisas. Dos factores contribuyen a los errores de previsión: primero, hay fluctuaciones aleatorias en las ventas. Y en segundo lugar, nuestra suposición de que la demanda de un SKU es igual a la demanda del tamaño multiplicada por la acción de la marca y la garantía es imperfecta, ya que las acciones de las combinaciones de marca y garantía pueden diferir según el tamaño. (Por ejemplo, la demanda de neumáticos de gama baja era mayor en tamaños que se adaptaban a coches más antiguos y baratos que en otros tamaños).

Una vez determinado los valores bursátiles más adecuados, se puede estimar la demanda de todos los posibles SKU. (Consulte la figura 4.)

Cuenta para operar al alza y a la baja.

Ahora consideremos otro detalle: la sustitución. Los cálculos que hemos descrito anteriormente no tienen en cuenta explícitamente el hecho de que los clientes podrían estar dispuestos a comprar una combinación de marca y garantía diferente si no se ofrece la opción que prefieren. Por ejemplo, el minorista sospechaba que la cuota de ventas del 57,5% de House 2 Medium no significaba necesariamente que más de la mitad de sus clientes preferían esta combinación; podrían haberse conformado con ella porque no ofrecían su opción preferida, la House 3 Low, más barata. Una pista de que este podría ser el caso es que cuando se ofreció House 3 Low en un tamaño determinado, superó en ventas a House 2 Medium en unos seis a uno.

Para complicar aún más las cosas, el grado en que los clientes suben y bajan puede no ser el mismo en todos los niveles de calidad. Si cree que ese es el caso de los SKU que son especialmente importantes para su empresa, tiene que tenerlo en cuenta en sus cálculos. Para el proyecto de neumáticos, asumimos que las fracciones de clientes que cambiarían al alza o a la baja eran iguales en todas las combinaciones de marca y garantía, con la excepción de los clientes que pasaban de House 3 Low a House 2 Medium. (Esas dos combinaciones de marca y garantía representaron más de dos tercios de las ventas.)

Así que nuestro modelo ahora requiere nueve parámetros: las seis acciones con garantía de marca y los tres parámetros de sustitución, que incluyen la fracción de clientes que cotizan un nivel de calidad al alza, que cotizan a la baja un nivel de calidad y que pasan de House 3 Low a House 2 Medium. Como antes, utilizamos una herramienta como Excel Solver que incluye los valores de prueba de las acciones y las fracciones, calcula las estimaciones de la demanda y comprueba qué tan cerca están las previsiones resultantes de las ventas reales. Ajusta las acciones y las fracciones para acercar las previsiones y se repite hasta que no haya más mejoras. Los resultados finales: el 35% de los clientes que no pudieran encontrar House 3 Low en la gama de su tamaño cambiarían y comprarían House 2 Medium. Para otros niveles de calidad, el 2% cambiaría al alza y el 1% cambiaría a la baja si no pudiera encontrar lo que busca.

Esto no es tan sencillo como identificar los 100 SKU que más ingresos generan y llamarlos surtido.

Una vez que sepa las fracciones de clientes que cotizan al alza o a la baja, puede tener en cuenta la sustitución en sus estimaciones de demanda. Piense en House 2 Medium en tamaño F. Como House 3 Low no se ofrece en este tamaño, tome la estimación de demanda de House 2 Medium y añada la de House 3 Low multiplicada por la fracción de clientes que cambiarían. Para la talla A, por el contrario, tanto House 2 Medium como House 3 Low están en la gama, por lo que no se calcula el valor de la demanda de sustitución en la estimación de House 2 Medium.

Busque profecías autocumplidas.

Ahora piense en este conocido escenario: un minorista piensa que sus clientes no quieren comprar un tipo de producto determinado (o que el minorista no quiere venderlo). Así que la empresa ofrece una cantidad limitada y, por lo tanto, no vende gran parte, lo que parece confirmar la suposición original de que los clientes no la quieren. Pero al final, la gama refleja los productos que el minorista quiere vender y no los que sus clientes quieren comprar, una propuesta arriesgada. Una de las ventajas de nuestra técnica es que permite a los minoristas detectar esas situaciones.

Por ejemplo, al comparar la demanda estimada y las ventas reales en la tienda de automóviles, encontramos un resultado sorprendente: House 3 Low tenía una cuota de ventas del 11%, pero nuestras estimaciones situaban la demanda en un enorme 69,6% de las ventas totales. La baja cuota de ventas se debió a que el minorista ofrecía este neumático muy económico solo en unos pocos tamaños y, por lo tanto, no vendió muchos. Pero como muestran los datos, cuando los clientes podían elegir entre House 3 Low y House 2 Medium, preferían claramente la primera. Este patrón persistió en toda la cadena. Había nueve tamaños en los que se ofrecían House 3 Low y House 2 Medium y, en todos los casos, House 3 Low superó en ventas a House 2 Medium en el total de ventas en cadena, en más de siete a uno.

El minorista ofrecía una selección limitada de los neumáticos más baratos porque sus gerentes pensaban que podían cambiar a los clientes por el House 2 Medium, un poco más caro. Pero solo conseguían aumentar las ventas el 35% de las veces. De hecho, nuestro modelo muestra que, al ignorar la participación estimada del 69,6% de House 3 Low, la empresa perdía el 45% de sus ventas potenciales (el 65% del 69,6% de los clientes que quieren House 3 Low y no cotizan al alza).

Nuestro enfoque es superior al convencional, que exige que los minoristas adivinen cómo influyen los atributos en la demanda.

Para obtener más información sobre esta conclusión, tabulamos los ingresos medios en la zona atendida por cada tienda y los utilizamos para crear la figura 5, que muestra que las acciones del House 3 Low más barato y la falta de voluntad para negociar al alza tenían una correlación inversa con los ingresos. En otras palabras, cuanto más bajos sean los ingresos medios de la zona en la que opera una tienda, más preferirán sus clientes los neumáticos más baratos y menos dispuestos estarán a cambiarlos por otros más caros.

Optimice la gama

Vamos a describir ahora cómo utilizar nuestro modelo para decidir qué SKU nuevos y existentes constituirían una gama óptima.

1. Decida si maximiza los ingresos o los beneficios.

La medida de beneficio más natural en un contexto minorista es el margen bruto total, normalmente los ingresos menos el coste de los bienes vendidos. Las escuelas de negocios y los economistas predican la maximización de los beneficios, pero los minoristas también se preocupan por los ingresos, en parte porque Wall Street sigue de cerca esa métrica. Tanto en el ejemplo de los neumáticos como en el caso de los productos químicos de apariencia, que veremos más adelante, el objetivo era maximizar los ingresos.

2. Decida los precios de los posibles SKU.

Para optimizar un surtido, necesita saber cuántos ingresos (o margen) generaría cada SKU. Los precios son una entrada clave en este cálculo. Los precios de los SKU existentes son conocidos, por supuesto. Si los precios de los nuevos SKU no están disponibles, haga estimaciones comparando los atributos de los SKU actuales con los de los posibles nuevos.

En el ejemplo de los neumáticos, observamos que los precios de una talla determinada disminuían de forma constante, pasando de la combinación más cara entre marca y garantía (National High) a la más barata (House 3 Low). Aplicamos esas reducciones para estimar los precios de los SKU no incluidos.

3. Decida los surtidos finales.

A continuación, calcule los ingresos potenciales de cada SKU multiplicando las ventas unitarias previstas por su precio minorista.

Ahora tiene los datos que necesita para empezar a crear su gama. Empiece por el SKU que generaría los mayores ingresos o beneficios para la tienda o la cadena. Luego añada el SKU que generaría el segundo mayor aumento de ingresos. Siga añadiendo SKU hasta que alcance el número máximo de SKU que quiera llevar, por ejemplo, 100 de un universo posible de 400.

No se equivoque: no es tan sencillo como identificar los 100 SKU que más ingresos generan y llamarlos surtido. Debido a la sustitución de la demanda, cada vez que añade un SKU a la gama, tiene que ajustar sus cifras para tener en cuenta la forma en que ese nuevo SKU afecta a la demanda de los que ya ha añadido. El proceso, obviamente, es muy iterativo.

Cuando aplicamos este proceso para crear una gama óptima de SKU de neumáticos para toda la cadena para el minorista de autopartes, descubrimos que 47 de las 105 SKU debían sustituirse. (No es sorprendente, muchos de los SKU de sustitución propuestos eran House 3 Low.)

El minorista ha aplicado parcialmente nuestras recomendaciones: ha añadido 10 nuevos SKU y ha eliminado otros 10. Una de las razones de la implementación parcial fue que el minorista no pudo encontrar vendedores que produjeran los 47 nuevos SKU propuestos.

Hicimos un seguimiento de las ventas tras la implementación y descubrimos que incluso este ajuste parcial de la gama aumentó los ingresos un 5,8% y el margen bruto un 4,2%, una mejora significativa. Nuestro análisis de surtido también llevó al minorista a subir ligeramente el precio del neumático más barato y bajar el del siguiente neumático más caro, lo que aumentó las posibilidades de que los clientes cambiaran.

Lo mejor de nuestro enfoque es que le permite ver cómo los ingresos varían según la amplitud de la gama. La figura 6 muestra cómo el número de SKU de la gama influye en los ingresos del minorista de neumáticos. La línea superior muestra los ingresos si cada tienda tuviera su surtido óptimo, mientras que la línea inferior muestra los ingresos de un surtido único óptimo para la cadena. Gráficos como este se pueden utilizar para cambiar el espacio en las estanterías asignado a las categorías y aumentar las ventas. También pueden ayudar a los minoristas a evitar los errores cometidos por Walmart y Super Fresh, que redujeron su gama de productos con resultados desastrosos.

Localizar la gama

Crear surtidos localizados es complicado. Un minorista tiene que entender en qué se diferencia la demanda entre las tiendas y, a continuación, crear surtidos que se adapten a los gustos específicos de la tienda. A la mayoría de los minoristas les resulta demasiado complicado ofrecer un surtido único para cada tienda; en cambio, crean grupos de tiendas que utilizan el mismo surtido. En esos casos, tienen que decidir cuántos clústeres crear, sobre qué base deben formarse los clústeres (por ejemplo, los ingresos o el clima) y qué variedad utilizar en cada grupo.

Nuestra técnica basada en atributos es una forma excelente de responder a estas preguntas, como podemos ver en un estudio sobre la categoría de productos químicos de apariencia que realizamos para un minorista de autopartes que tenía cientos de tiendas. Los productos químicos para la apariencia comprenden una variedad de líquidos y pastas que se utilizan para lavar, encerar, dar brillo, pulir y proteger los coches. En el estudio, identificamos seis atributos de los productos de la categoría: la superficie del coche que se va a tratar, lo que hay que hacer con ella, el modo de aplicación, el tamaño del paquete, la marca y el nivel de calidad (bueno, mejor o mejor). El minorista estaba ansioso por entender en qué diferían los patrones de demanda entre las tiendas y, luego, utilizar esa información para localizar sus surtidos. Consideró como máximo cinco grupos, creyendo que no sería factible desde el punto de vista operativo tener más de cinco surtidos.

Aplicamos el método descrito anteriormente para estimar las cuotas de demanda de los distintos niveles de atributos, utilizamos esas estimaciones para pronosticar la demanda de posibles nuevos SKU y generamos un surtido para cada tienda que maximizaba los ingresos.

Con los surtidos que habíamos generado, creamos grupos de tiendas. Empezamos el proceso asumiendo que cada tienda representaba un grupo. Luego identificamos las dos tiendas que sufrirían la menor reducción de ingresos si se vieran obligadas a compartir la misma variedad y las combinamos para crear un grupo de dos tiendas. Repetimos el proceso, identificando las dos tiendas siguientes que mejor podían compartir un surtido o añadiendo una tercera tienda a las dos que ya habíamos combinado, lo que se tradujera en la menor reducción de ingresos. Seguimos adelante, reduciendo cada vez el número de grupos de tiendas en uno, hasta que nos quedamos con un solo grupo de todas las tiendas. Esto nos dio cifras de ingresos para todos los niveles de localización, desde un surtido único para toda la cadena hasta un surtido individual para cada tienda.

La figura 7 muestra los ingresos de cinco opciones de localización, que van de uno a cinco grupos de tiendas, ajustados para que los ingresos de un solo surtido sean 100. Como puede ver, las devoluciones por añadir grupos de tiendas disminuyen, lo que llevó al minorista a implementar la solución de dos clústeres.

Los datos también revelaron que uno de los dos grupos, que representa alrededor de un tercio de las tiendas de la cadena, vendía niveles mucho más altos de productos relacionados con neumáticos. Ese grupo tenía una etnia distintiva, que el minorista llamó urbana/bilingüe. Así que los surtidos de estas tiendas incluían más productos relacionados con los neumáticos y el minorista creó letreros que llamaban la atención sobre ellos.

Tras hacer un seguimiento de las ventas durante seis meses, descubrimos que los ingresos de la cadena en la categoría de productos químicos para la apariencia habían subido un 3,5%. Esta ganancia se debió tanto a la localización como a la mejora de la gama base. Además, la nueva gama y la nueva señalización ayudaron al minorista de otra manera: había estado perdiendo ventas frente a la competencia en las tiendas urbanas y bilingües, pero tras los cambios, comenzó a mostrar aumentos en las ventas en tiendas comparables para la categoría. Creemos que este enfoque de agrupamiento basado en la demanda es superior al enfoque convencional, que exige que los minoristas adivinen cómo los atributos de las tiendas influyen en la demanda. La analítica no se ha aplicado en gran medida a la planificación del surtido, especialmente a nivel operativo a la hora de decidir qué SKU vender. Nuestro método utiliza el análisis para obtener información sobre los atributos de los productos que sus clientes prefieren en cada tienda y, a continuación, crear surtidos localizados a partir de esos datos. La planificación del surtido puede aumentar significativamente las ventas en la misma tienda; pero si se hace mal, puede paralizar a un minorista durante años. Nuestro método puede ayudar a los minoristas a hacerlo bien.