logo
Lorem ipsum dolor sit amet, consectetur adipiscing elit. Aenean feugiat dictum lacus, ut hendrerit mi pulvinar vel. Fusce id nibh

Mobile Marketing

Pay Per Click (PPC) Management

Conversion Rate Optimization

Email Marketing

Online Presence Analysis

Fell Free To contact Us
Lorem ipsum dolor sit amet, consectetur adipiscing elit. Aenean feugiat dictum lacus

1-677-124-44227

info@your business.com

184 Main Collins Street West Victoria 8007

Beauchef 851, Torre Oriente, Oficina 523

[google-translator]
Top

Estimación de demanda a través de un enfoque de atributos.

Estimación de demanda a través de un enfoque de atributos.
15 julio, 2009

La industria de los supermercados en Chile ha crecido considerablemente durane los últimos años, aumentando a su vez la competitividad entre sus agentes. Esto ha llevado a que las empresas se vean obligadas a ser cada vez más eficientes para tratar de reducir sus costos de operación y traspasar este beneficio a los precios que ofrecen a sus clientes.

Una forma importante de reducir estos costos operacionales es a través de un mejor  manejo de inventario el cual se puede lograr teniendo una buena estimación de demanda de los productos que se comercializan. Esta estimación, permite además que los retailers tengan la posibilidad de elegir mejor el surtido de sus productos ya que se conocería qué es lo que realmente consumen sus clientes. Mientras más detallada sea esta estimación (menor nivel de agregación), mejores deberían ser los resultados ya que también se reducirían los problemas de faltantes en góndola.

El objetivo del presente trabajo es diseñar y validar un modelo de estimación de demanda para una categoría o subcategoría a través de un enfoque de atributos. Los atributos son las características físicas que identifican como único a cada uno de los ítems de una categoría. Los estudios realizados por Fader y Hardie (1996), y Bell et al (2004) han demostrado que utilizar un enfoque de atributos permite calibrar un modelo con menos parámetros, y que además, la construcción de una función de preferencias a partir de estos atributos, representa un pilar importante para comprender el comportamiento de los consumidores.

Para comenzar, se construyó un simulador de datos. Estos datos se utilizaron para estudiar el modelo de atributos el cual es la base para el modelo de estimación de demanda propuesto en este trabajo. De esta manera, se pudo determinar cuáles son los efectos sobre los datos que más influían sobre el modelo.

La modelación mediante atributos se puede realizar bajo dos supuestos. Uno de los modelos de atributos incluye un bien de referencia ficticio (outside good) que representa el mercado potencial de la categoría, el que se puede representar como los clientes que entran a la tienda y que pueden comprar o no un producto.  Las pruebas de pronóstico se realizaron con datos reales correspondientes a la categoría cereales en ventanas de tiempo diarias y semanales. Esta categoría se describió en término de sus atributos. Antes de comenzar con las pruebas, se debió hacer un procesamiento de datos y calibración de ellos. Se utilizó el modelo de atributos para hacerlo y la calibración se consideró exitosa cuando el coeficiente de bondad de ajuste de la regresión fue superior al 90%, y se lograron recuperar los parámetros a nivel de SKU del modelo, a partir de los atributos.

El caso de pronósticos diarios, el modelo de atributos que incluye el outside good, mejora en promedio para la categoría, en 30 puntos porcentuales por error MAPE en relación al modelo en suavización con tendencia y en 3 puntos al de suavización con estacionalidad. En pronósticos semanales, el modelo mejora en 3 puntos porcentuales en relación al modelo de suavización con tendencia y en 5 puntos al de suavización con estacionalidad.

Como trabajos futuros se propone agregar variables al modelo que puedan identificar si hay o no promociones dentro de la categoría u otras variables de marketing para capturar el efecto que éstas tienen en los precios y ventas de los distintos productos. También se propone mejorar el preprocesamiento de datos segmentándolos, por ejemplo, por el nivel de ventas que tengan dentro de la categoría. Dado que se comprobó que el pronóstico para un determinado período no cambia según sea el atributo con el que se pronostique, sería conveniente  no eliminar SKUs que no tengan su descripción completa, y así no perder información relevante acerca de las participaciones de mercado de los productgos de la categoría.  Además, dados los datos que se tuvieron para hacer el estudio, no se pudo construir el outside good de manera rigurosa, ya que la forma adecuada sería con la información de los tickets totales ded una sala, información que no se tenía. Así, se podría capturar y medir este mercado potencial que varía en el tiempo y que, en el caso de este estudio, se consideró constante.