El ex-alumno UAI Xavier Zuazagoitía implementó un modelo de machine learning para estimar cómo cambia la demanda ante cambios de precios y promociones sobre los productos de una categoría en particular. Con esto pudo recomendar las mejores decisiones de precios concentrando las promociones y descuentos en los productos correctos. La innovación permitió a un supermercado aumentar sus ventas sobre un 20% para una determinada categoría en un local en estudio.
Xavier Zuazagoitía, ingeniero civil industrial y autor del proyecto de grado del Magíster en Ingeniería Industrial e Investigación de Operaciones (MIIIO) de la Facultad de Ingeniería y Ciencias de la Universidad Adolfo Ibáñez, creó una solución capaz de estimar las elasticidades de los productos de una categoría y así optimizar precios con el objetivo de maximizar el desempeño de la categoría en una cadena de supermercados. Los resultados son replicables en otros negocios del retail y otros sectores de la industria.
En el retail existe un importante desafío a la hora de tomar decisiones con respecto a la estrategia de fijación de precios. Entender al cliente y comprender su comportamiento se vuelve fundamental para lograr predecir la demanda y como los consumidores reaccionan a promociones. La alta competencia en la industria obliga a ejecutar una estrategia de pricing efectiva (fijación de precios), de modo de entregar una propuesta comercial atractiva a los consumidores y generando valor para la compañía.
Así surge la necesidad de aplicar micro-marketing, un enfoque que permite personalizar las variables de marketing y llevarlas a nivel de tienda, ahondando así en la particularidad de cada una de ellas. “La idea de este proyecto es abordar el desafío de fijación de precios en el retail, comprendiendo al cliente y adaptando la estrategia a cada contexto específico. El micro-marketing permitirá recopilar y analizar datos de cada local, proporcionando información valiosa sobre las preferencias y comportamientos de los clientes en cada entorno. Con estos datos, es posible predecir de manera más precisa la demanda de los diferentes productos y ajustar la estrategia de asignación de precios de manera más efectiva”, explica Xavier.
La combinación de herramientas de machine learning y optimización para la solución de este problema,permite establecer un proceso sólido para la fijación de precios en cualquier retail. Utilizando métodos de Machine Learning, el investigador desarrolló un modelo capaz de predecir la demanda en diferentes locales. Así añade que: “El método utilizado pasa a ser la función objetivo dentro de un modelo de optimización que nos permite evaluar distintas combinaciones de precios que cumplan con restricciones previas y, a su vez, maximicen el desempeño de la categoría, otorgando una recomendación de precios para cada local”.
Luis Aburto, académico de la Facultad de Ingeniería y Ciencias UAI, trabajó en esta colaboración apoyado por el proyecto Fondecyt de Iniciación “Smart Constraints Definition using Machine Learning for Robust Pricing Optimization in Retail”, destaca los aportes de este proyecto de investigación aplicada señalando que: “Por un lado estamos creando modelos de estimación de demanda más robustos y certeros ante cambios de precios. Y a la vez, estamos aplicándolos para mejorar decisiones de precios de un retailer, con un impacto inmediato en entender en qué productos y locales, los consumidores valoran de mejor forma los descuentos y promociones”
La solución planteada propone la implementación de un Modelo Jerárquico Bayesiano (MJB), capaz de estimar las elasticidades de los productos de una categoría y así optimizar precios, con el objetivo de maximizar la venta. Para su ejecución, Xavier Zuazagoitía experimentó con los datos de una cadena de supermercados de larga trayectoria nacional; luego analizó su rendimiento comparándolo con métodos de Machine Learning, evaluando la capacidad de predicción y la interpretabilidad que el modelo propuesto puede tener.
Para los investigadores, el Modelo Jerárquico Bayesiano permite enfocarse en la particularidad de cada local y, a su vez, compartir datos históricos con los otros locales de la cadena, evaluando el comportamiento de la demanda según los precios para cada producto a nivel general y particular. Además, dentro de su modelo incorporó variables sociodemográficas que enseñan al modelo características de la comuna en que se encuentran las tiendas, permitiendo reconocer las diferencias de comportamiento y asociarlas a dichas variables. Otra característica importante del proyecto es que no sólo se buscó predecir la demanda sobre el precio del producto, sino también se lograron incorporar elasticidades cruzadas y variables externas al precio, como quiebres de stock (propios y cruzados), promociones en las semanas y eventos especiales, debido al contexto de los datos, como la cuarentena.
A modo de conclusión, el modelo desarrollado proporciona un doble beneficio: estimar la demanda de productos de manera robusta y obtener información relevante sobre el comportamiento de la demanda ante cambios de precio, permitiendo alertar canibalización e incentivar el upselling. En este caso, la canibalización de productos se refiere a la pérdida de volumen de ventas o ingresos cuando hay una variación de precio en un producto competidor, mientras que el upselling consiste en incentivar mediante descuentos, la compra de productos de valor o margen superior.
Xavier asegura que este tipo de modelo brinda libertad para construir sobre las características propias de cada empresa, enfrentándose a las necesidades de cada una de ellas. En este caso, permitió al supermercado aumentar sus ventas sobre un 20% para una determinada categoría en el local en estudio. “Los métodos utilizados en este proyecto son sumamente interesantes, permiten construir modelos robustos y con excelentes resultados, los que son aplicables en distintas empresas y para distintos objetivos. Adicionalmente, dan la posibilidad de ajustarse a cada industria, dejando muchas posibilidades de experimentar y adaptarse a nuevas ideas y escenarios”, concluyó el ingeniero.
