Sistema de apoyo para dotación de personal de reposición de supermercado mediante herramientas de aprendizaje automático

Abstract

Debido a la alta competencia en la industria del retail, las empresas de esta industria, constantemente buscan formas de mejorar su rendimiento, ya sea abaratando costos o aumentando sus ingresos. En \cite{Netessine} los autores declaran que ``Después del costo de los bienes vendidos, el gasto de mano de obra en la tienda es el componente de costo más grande en la industria del retail. Como resultado, desarrollar y ejecutar planes laborales es una tarea clave para los retailers". Si bien se realizan esfuerzos para mejorar el rendimiento, aún hay brechas que pueden ser optimizadas. El objetivo de esta investigación es sentar un punto de inicio en la optimización de dotación y asignación eficiente de reponedores del retail supermercadista de la Región Metropolitana, mediante una estimación de tiempos diarios de reposición por local y pronósticos de quiebres de stock, utilizando datos transaccionales, mediciones de tiempo de trabajo y data sobre quiebres observados. Para esto, se sigue una metodología de 3 etapas. En la primera etapa, y mediante el uso de los datos transaccionales, se postulan modelos de predicción de demanda agregada a nivel de categoría de productos, basados en series de tiempo, input necesario para poder realizar una correcta estimación de los tiempos de trabajo que requiere cada sala diariamente. En la segunda etapa, usando las estimaciones de demanda diaria y las mediciones de tiempo, se calibra una función mediante diferentes modelos lineales que permite ajustar el tiempo diario de trabajo en dos componentes: tiempo de trabajo fijo, que captura el efecto de actividades que no dependen de la cantidad de productos a reponer; y tiempo variable, que captura el efecto de aquellas que si dependen de la cantidad de productos a reponer. Finalmente, como tercera etapa y utilizando datos de quiebres observados, se plantean modelos de predicción de quiebres de stock, basados en \textit{CART analysis}, que permiten clasificar mediante diversos criterios si un producto tiene o no disponibilidad para venta en sala. Con esto se busca optimizar la priorización de actividades de reposición dentro de la sala. Como resultados, se obtiene que el modelo \textit{Prophet} es el modelo que mejor ajusta la demanda, teniendo un error promedio fuera de muestra de un 24.7\% versus un 33.8\% y 29.8\% que entregan los modelos \textit{Exponential Smoothing} y \textit{ARIMA}, respectivamente. Con respecto a la estimación de tiempos, se mostró que al aplicar la función de ajuste de tiempos a los pronósticos de demanda, el error promedio observado disminuye a un 16\%. Esto se debe a que las categorías sobreestimadas se contrarrestan con las subestimadas. Finalmente, respecto a los quiebres de stock, no se logran resultados completamente satisfactorios, ya que, debido a la poca información disponible para clasificar, los modelos postulados logran estimar correctamente sólo un 50\% a 60\% de los quiebres de stock reales.