Identificación de quiebres de stock en góndola mediante un modelo de Markov oculto con información parcial de clientes leales

Abstract

Un aspecto fundamental en el funcionamiento de un supermercado es la gestión de inventario. Entender la demanda permite determinar cuánto pedir y con qué frecuencia, y a la vez definir el mix de productos a ofrecer. Sin embargo, todo el trabajo de inventario se pierde si no se acompaña de una correcta gestión dentro de la tienda, esto es, que los productos se encuentren disponibles en góndola cuando un cliente desee comprarlos. Los problemas relacionados a esta mala gestión generan pérdidas cercanas a los US$500 millones para la industria de los supermercados en Chile cada año. Para alcanzar niveles óptimos en la reposición de productos en góndola es necesaria una correcta identificación de los quiebres de stock, fenómeno que se lleva a cabo cuando un producto no se encuentra disponible para su compra. Se utiliza el Faltante de Mercadería en Góndola (FMG) como indicador de disponibilidad de los productos, el cual para Chile es de aproximadamente un 15%. El presente trabajo tiene por objetivo refinar mecanismos existentes diseñados para identificar los quiebres de stock en una gran cadena de supermercados, en base a información transaccional. Para esto, se utilizan Modelos de Markov Oculto, por su capacidad de adaptarse a la naturaleza del problema. Se cree que el comportamiento de compra de los clientes puede entregar información valiosa sobre el estado de cada producto en góndola y, por lo tanto, ayudar a identificar los quiebres de stock con mayor precisión. Por esta razón, se estiman modelos de identificación de quiebres para distintos segmentos de clientes agrupados según su \emph{nivel de lealtad}, noción asociada al porcentaje de veces que un cliente compra un producto en un período determinado. Para estimar los modelos, se utiliza información transaccional agregada para 10 locales y para 58 productos, durante 469 días. También se cuenta con información desagregada por cada transacción que realiza cada cliente en el mismo marco temporal y espacial. Finalmente, se cuenta con mediciones del estado de disponibilidad real en góndola para 14 de estos días. Evaluando los modelos sobre segmentos de clientes generados en base a distintos criterios, el mejor desempeño es alcanzado considerando la información de los clientes con un nivel de lealtad igual o mayor al 1%, y utilizando el total de transacciones del supermercado para calcular las probabilidades de ocurrencia de las observaciones. Este modelo logra identificar un 65.42% de los quiebres ocurridos con un porcentaje de falsas alarmas de 6.15%, superando los resultados obtenidos para el modelo con información completa.