Hoy en día el conocimiento del cliente y de su comportamiento es uno de los principales focos de atención de los retailers. El problema es que la gran variedad de productos dispuestos en góndola y las influencias que ejercen sobre los consumidores las variables precio y promoción, entre otras, crea un gran desafío para quienes desean conocer y entender las costumbres de sus clientes.

En base a una revisión del estado del arte en esta materia, en este trabajo se propone una metodología que permite modelar las respuestas del consumidor hacia la góndola a través de un enfoque basado en los atributos de los productos (por ejemplo: marca, tamaño, sabor, etc.). Este modelo se basa en crear relaciones analíticas entre un producto y sus atributos. Dichas relaciones permiten recobrar las preferencias a nivel de SKU (stock keeping unit) a partir de parámetros calibrados para atributos.  Las principales ventajas de este enfoque son su simpleza, y que sólo necesita datos que se obtienen directamente del punto de venta.  Además, el modelo permite estimar respuestas del mercado para nuevos productos que actualmente no existen en la góndola.

El modelo se valida con un conjunto de datos simulados para luego ser calibrado con 181 días de datos reales de dos subcategorías distintas: pastas de dientes y lavalozas. La recuperación de preferencias a nivel de SKU, a partir del modelo de atributos, es casi perfecta, con errores menores al 1%. Además, los ajustes a nivel de atributos son considerablemente superiores a los obtenidos a nivel de SKU, sugiriendo que existe mucha más variación no explicable a nivel de SKU que en atributos.

Los resultados se utilizan para recobrar elasticidades al precio tanto para productos como para atributos. Además, los parámetros que entrega el modelo se utilizan para estimar demanda a nivel de SKU.  Dichas estimaciones se prueban en un conjunto de validación de 28 días en donde se logran errores promedio de aproximadamente un 30%.  Estos resultados superan a los obtenidos con modelos de suavización exponencial simple y suavización exponencial con estacionalidad, entre otros.  Si a esto se suma la variabilidad de las series de tiempo estimadas y que para pronosticar sólo se utiliza información histórica de ventas y precios de cada SKU, se llega a concluir que los resultados del modelo de atributos son bastante buenos.

Se realiza también un análisis de sensibilidad para estudiar el comportamiento del modelo frente a variaciones en los datos. Se prueba que el  modelo es robusto frente a distintas definiciones del precio y frente a la agregación semanal de las ventas.  Por el contrario, la definición de un bien de referencia y los cambios en las preferencias de los consumidores si afectan significativamente los resultados.  De este último análisis surge la idea de un enfoque mixto que incorpore la predicción de series de tiempo a los parámetros utilizados por el modelo de atributos.  Esta técnica entrega particularmente buenos resultados en la subcategoría lavalozas, en donde se disminuye el error del modelo original en más de un 1%.

Finalmente se discuten nuevas líneas de investigación, como la inclusión de distintos niveles de agregación, el uso de nuevas variables explicativas y el potencial del modelo para ser usado en sistemas multiclasificados.