Detectar las roturas con los datos de caja: el método del producto que ya no se vende

El principio: una venta ausente es una señal

Las cajas registran cada venta con la hora. Para un producto que se vende, digamos, doce veces por hora un sábado por la tarde, una hora sin ventas es un hecho raro si el producto está en el lineal. La probabilidad de que falte se vuelve alta. Este razonamiento se ha formalizado en la literatura sobre detección de roturas a partir de las ventas, en particular por Papakiriakopoulos, Pramatari y Doukidis (Decision Support Systems, 2009), y lo usan varias herramientas de la distribución.

Su interés: no depende del stock teórico. Un stock fantasma, un palé olvidado en el almacén, un producto mal colocado producen todos el mismo síntoma, la parada de las ventas.

El método, referencia por referencia

1. Calcular el intervalo habitual entre dos ventas para cada referencia, por día de la semana y franja horaria, en las últimas semanas.
2. Medir el tiempo transcurrido desde la última venta de forma continua.
3. Señalar cuando ese tiempo supera el intervalo habitual multiplicado por un umbral, por ejemplo cuatro. Un umbral bajo da falsas alarmas; uno alto detecta tarde.
4. Comprobar en el lineal las referencias señaladas y corregir el stock teórico si el producto falta con un stock positivo (stock fantasma).

Referencia	Ventas habituales (sábado 15-17 h)	Intervalo habitual	Última venta hace	Señal (umbral × 4)
Leche semidesnatada 1 l	60 / h	1 min	25 min	sí
Cápsulas de café marca A	12 / h	5 min	12 min	no
Coloración, tono habitual	1 / h	60 min	90 min	no

Los límites

• Los productos de baja rotación no son detectables: una referencia que se vende una vez al día puede faltar todo un día sin que el método lo vea. Y a menudo son los productos sin sustituto, de alto margen.
• La detección llega con retraso: hacen falta varios intervalos sin venta antes de la señal. En un producto de alta rotación es media hora; en un producto medio, varias horas.
• La señal no dice la causa: rotura de stock, producto en el almacén, producto mal colocado, etiqueta ausente, o simplemente ningún cliente en la sección. Hay que ir a ver.
• Las promociones y los eventos cambian los intervalos habituales; el método debe recalibrarse durante las operaciones (promociones y roturas en el lineal).

El personal de caja, primer testigo

Antes que cualquier algoritmo, la caja oye a los clientes: “ya no quedaba leche”, “no he encontrado los pañales”. Esa información se pierde casi siempre. Tres prácticas sencillas la recuperan:

• una tecla o un cuaderno de “producto ausente avisado” en caja, con el nombre del producto, recogido en cada cambio de turno;
• un punto de cinco minutos entre la caja y los jefes de sección a final del día;
• la misma regla que para el recuento en el lineal, descrita en implicar al equipo de sección en la caza de huecos: lo que se avisa se trata y el resultado vuelve a quien avisó.

Un ejemplo con cifras (hipotético)

Tomemos un supermercado ficticio que aplica el método con un umbral de cuatro intervalos en sus 200 referencias más vendidas. Un sábado se señalan 14 referencias entre las 14 h y las 18 h. Comprobación en el lineal: 9 faltan (6 de ellas con un stock teórico positivo), 3 están presentes pero mal colocadas, 2 son falsas alarmas. De las 9 ausentes, 5 se suben del almacén en un cuarto de hora. Estas cifras ilustran el orden de magnitud esperado: una mayoría de detecciones verdaderas y una parte de comprobaciones para nada.

Lo que cambia el aviso de los clientes

Los datos de caja detectan la rotura cuando las ventas se paran; el cliente que avisa con AlertaLineal la detecta en el momento en que está ante el lineal vacío, también en los productos de baja rotación que la caja no puede ver. Las dos señales se cruzan: una referencia avisada por un cliente y sin ventas desde hace una hora es una rotura segura. Prueba de 14 días, sin tarjeta de pago: ver el plan para directores.

Fuentes

• Papakiriakopoulos, Pramatari, Doukidis, “A decision support system for detecting products missing from the shelf based on heuristic rules”, Decision Support Systems, volumen 46, 2009.
• DeHoratius, Raman, “Inventory Record Inaccuracy: An Empirical Analysis”, Management Science, 2008: resumen.
• Gruen, Corsten, Bharadwaj, “Retail Out-of-Stocks: A Worldwide Examination”, GMA, 2002: estudio completo (PDF).