Ciencia de datos e investigación aplicada

Category management y ciencia de datos en tiempos inflacionarios

Escrito por Gabriel Contreras | 11/04/2022 01:42:36 PM

Los reportes de mejores prácticas indican que las estrategias de salida a mercado "Go! to market" en tiempos inflacionarios, de escasez o de re-estructuración de la cadena de distribución de materias primas, son el conjunto de estrategias y tácticas que mas conviene estimular1. La ciencia de datos permite un balance entre las necesidades del productor y del canal con el fin de facilitar la competitividad en estos entornos.

Category management, es un marco lógico que integra al productor y al canal para enfocar y adaptar aquellas tácticas de salida al mercado que permiten competitividad en la categoría. Son estrategias que buscan hacer crecer la categoría no solo el share2. De hecho, tras la crisis financiera de los 80 Harris propone el concepto como una visión en la que el retail se compromete a hacer crecer la categoría (tamaño de mercado) haciéndose más competitivo mientras el productor se concentra en desarrollar el share3

Desde el punto de vista metodológico se habla de 8 pasos en category management4. Este blog presenta los retos y procedimientos que han demostrado ser eficientes desde la ciencia de datos para acompañar cada uno de estos pasos.

DEFINICIÓN DE LA CATEGORÍA.

Tradicionalmente la categoría se ha venido definiendo en función de competitividad funcional de los productos. En la actualidad, probablemente las categorías se deben definir en función de canastas y hábitos de compra.

  • ¿Sabes cuál es la elasticidad cruzada entre categorías?: Dinámicas como COVID, Ucrania - Rusia, protestas sociales etc., obligan a las personas a moverse entre categorías y sustituir no solo marcas o presentaciones sino usos completos. En tiempos inflacionarios, el campo de batalla no es la funcionalidad del producto, es el presupuesto del consumidor.
  • ¿Qué pasa si las categorías se definen en función de viajes de compra? Las reglas de asociación diseccionadas permiten detectar el customer journey map empírico del cliente y en ese orden definir categorías en función de viajes completos o canastas complejas. El retail distribuye productos limitados y eso hace que los consumidores tengan comportamientos que se repitan en el tiempo. El uso de maquinas de factorización5 (Técnica de machine learning) y reglas de asociación permiten identificar los viajes y definir las categorías que ahí compiten para crear estrategias de exhibición, promoción, distribución y abastecimiento en función de estos viajes.

REDEFINICIÓN DE LOS ROLES DE LA CATEGORÍA

Tiempos inflacionarios como este, generan cambios en las ocasiones de consumo; estas a su vez predefinen las misiones de compra. Es de esperarse que en los próximos meses, las misiones de compra que hoy conocemos como compra de reposición, compra de abastecimiento, emergencia, ocasión especial etc., tengan una nueva definición y en este orden de ideas, las categorías comiencen a jugar un nuevo rol en las rutinas de los compradores.

  • ¿Tienes definidas las reglas que desde la data anuncian las misiones de compra empiricas?: Es fácil hablar de misiones de compra desde el punto de vista teorico pero encontrar las misiones de compra en la data en retrospectiva es más complejo. 
     
    • El análisis factorial confirmatorio, ha mostrado tener potentes resultados a la hora de identificar las misiones de compra inclusive a nivel punto de venta, esto dado que las personas que compran al rededor de un punto específico tienen culturas, estructuras familiares y potencialmente necesidades relativamente diferentes6
  • Luego de identificar en los datos las misiones de compra, conviene proyectarlas y simularlas: Habiendo identificado las misiones de compra históricas, conviene modelar como se comportarán estas a futuro, entender si el punto de venta se va convirtiendo más de reposición, abastecimiento, emergencia etc, de igual forma estudiar que variables del inventario, el precio y la promoción promueven estos cambios en las misiones de compra.
     
    • Los modelos autoregresivos tipo ARCH y GARCH facilitan la compresión de este fenómeno ya que permite analizar la misión de compra por si misma (su volatilidad, tendencia y estacionalidad) y a su vez identificar el impacto de variables como el inventario, el surtido, el precio y la promoción como explicativas del futuro comportamiento de la misión de compra7.

MONITOREO DEL DESEMPEÑO

Hasta este punto, entendimos que el terreno de competencia no es la funcionalidad del producto sino el presupuesto del consumidor y por otra parte analizamos que las misiones de compra son estimuladas por las ocasiones de consumo que cambian en función de las condiciones inflacionarias y los escenarios VUCA. Si esto es correcto y se definen las categorías en función de journey´s del comprador y le asigna roles a la categoría en función de las misiones de compra detectadas empíricamente en la data, se podrá entonces definir condiciones de precio, promoción, surtido y exhibición acorde a la necesidad.

Esto implica monitorear el desempeño de la categoría (como la entendimos anteriormente) en comparación con los canales de distribución (físico y online). Probablemente se tengan misiones de compra capturadoras de penetración, frecuencia e intensidad de consumo y se deban estimular estrategias según el aporte de la ocasión de consumo al desarrollo de la categoría.

  • Si la ocasión favorece penetración las estrategias probablemente se centrarán en las presentaciones de los productos.
  • Si la ocasión favorece frecuencia de consumo, probablemente el foco estratégico esté en el plan de lealtad o en el precio.
  • Si la ocasión estimula intensidad, probablemente la estrategia se concentre en promoción.

FIJACIÓN DE BENCHMARK Y OBJETIVOS DE CATEGORÍA

Esto supone entre otras cosas, definir las cifras de crecimiento de la categoría en cada punto de venta, algunas métricas clave son:

Indicador Definición Rol en la estrategia
Ventas y crecimiento de ventas

Ventas en dinero, somatizado a un tiempo específico, representado en neto y tasa de crecimiento estacional (vs mismo periodo del año anterior)

En valor presente neto y con proyección futura.

Definición del crecimiento esperado de la categoría
Contribución de la categoría a la canasta Share de la categoría sobre el total de la canasta a presente y a futuro bajo estimación probabilistica. Permite analizar si la categoría crece vía mayor consumo de consumidores tradicionales.
Venta orgánica vs venta estimulada En clientes tradicionales y en nuevos clientes permite ver la proporción de compra que se da en promoción vs orgánica para afinar la estrategia promocional Permite estudiar si la estrategia promocional es expansiva (atrae nuevos consumidores) o constrictiva (hace que los consumidores que compran sin promoción lo hagan ahora de forma promocionada)
Retorno de inversión de la categoría al retail Estimación del margen de contribución en el costo de adquisición y costo de mantenimiento de los clientes en la categoría. Análisis de costo / beneficio de las estrategias como primer paso de estimación de ROI

DEFINICIÓN DE ESTRATEGIAS DE CATEGORÍA

Nunca como en tiempos inflacionarios, comunicar una efectiva relación entre el valor y el precio había sido tan importante por lo que se deben razonar las estrategias en algunas dimensiones tales como:

  • Marcas blancas: Recordar lo conversado previamente con respecto a la elasticidad entre categorías.
  • Predicción de la demanda: Agregada por misión de compra para controlar el inventario pasivo y activo.
  • Optimización del surtido: Para liberar liquidez e invertirá en estrategias promocionales y de precio.
  • Precio: Para facilitar la competitividad de la categoría con respecto a sus sustitutos y defender la posición del retail frente sus competidores.
  • Promoción: Para focalizar los esfuerzos de evacuo de inventario sin afectar la sensibilidad al precio y dejar dinero sobre la mesa promocionando a los consumidores que hubiesen comprado sin necesidad de promoción.

DEFINICIÓN DE TÁCTICAS

Una oferta atractiva para el consumidor en tiempos inflacionarios tendrá que vigilar de cerca el equilibrio entre promoción, precio y surtido. 

La redefinición del árbol de decisión del comprador y su flujo de visita en el punto de venta, tendrán que definir un escenario experimental en donde la comunicación en góndola sea versatil y trasmita el valor de la categoría.

Dado que defender el tamaño de la canasta es vital, se tiende a pensar que la comercialización cruzada, con góndolas hibridas pensadas en ocasiones de consumo y misiones de compra, adquieren relevancia para hacer crecer el tamaño de la categoría.

Seleccionar el surtido y optimizarlo, ha mostrado tener efectos significativos en el flujo de caja del minorista, mismo que puede invertir en otro tipo de estrategias o en defender capital.

MONITOREO Y AJUSTE

Lo que no se mide, no se mejora, el problema es qué solemos medir mal.

Por lo general, cada estrategia en category management tienen un costo implícito y una ganancia, esto indica que tengan un retorno de inversión en algún punto del tiempo. 

Dado que los escenarios inflacionarios son impredecibles, es necesario adoptar una cultura experimental e iterativa, en donde se implementen estrategias diversas en distintos puntos de venta y se traten los demás como grupo control. 

Las técnicas de respuesta incremental permiten comparar ambos grupos para entender si la ganancia que traen las estrategias son mejores en comparación con aquellos retailers donde se opera de forma tradicional.

Los experimentos deben seguir la lógica estadística clásica (aleatoriedad) para realmente entender el impacto de las medidas sobre la categoría.

REFERENCIAS

1 Neville, H., Draaisma, T., Funnell, B., Harvey, C. R., & Van Hemert, O. (2021). The best strategies for inflationary times. The Journal of Portfolio Management, 47(8), 8-37.

2 Viswanathan, M., Narasimhan, O., & John, G. (2021). Economic impact of category captaincy: an examination of assortments and prices. Marketing Science, 40(2), 261-282.

3 Alyafie, K. (2021). Understanding the influence of category management on the retailer-supplier collaborative relationship within private-label food new product development projects: an exploratory study in the Saudi retailing sector (Doctoral dissertation, University of Portsmouth).

4 Cordell, A., & Thompson, I. (2018). The Category Management Handbook. Routledge.

5 Xin, X., Chen, B., He, X., Wang, D., Ding, Y., & Jose, J. (2019, August). CFM: Convolutional Factorization Machines for Context-Aware Recommendation. In IJCAI (Vol. 19, pp. 3926-3932).

6 Bandalos, D. L., & Finney, S. J. (2018). Factor analysis: Exploratory and confirmatory. In The reviewer’s guide to quantitative methods in the social sciences (pp. 98-122). Routledge.

7 Sihombing, P. R., Hendarsin, O. P., Risma, S. S., & Susilowati, B. E. The Application Of Autoregressive Integrated Moving Average Generalized Autoregressive Conditional Heteroscedastic (Arima-Garch).