Cómo una cadena retail redujo 22% la merma con inteligencia aplicada al inventario

Contexto

El cliente es una cadena mexicana de retail con 40 tiendas físicas distribuidas en cinco regiones y una operación e-commerce con crecimiento sostenido de doble dígito. La mezcla de productos combina categorías perecederas de alta sensibilidad de temperatura con producto seco de rotación media. La operación e-commerce nació hace cuatro años como iniciativa separada, con su propio inventario en un centro de distribución dedicado, mientras las tiendas mantuvieron su modelo tradicional de reposición semanal desde bodega central.

El problema real

El síntoma más visible eran las cancelaciones de e-commerce por faltante. En temporadas altas, hasta el 11% de las órdenes online se cancelaban después de la compra porque el centro de distribución no tenía el producto, aun cuando el mismo SKU estaba disponible en varias tiendas físicas del mismo mercado. Al mismo tiempo, esas tiendas frecuentemente terminaban la temporada con exceso de inventario que se remataba con descuento o entraba a merma.

Debajo del síntoma había tres problemas estructurales. Primero, no existía una visión única de inventario: el ERP de tiendas y el sistema de e-commerce mantenían inventarios separados que se conciliaban con rezago. Segundo, el forecast se hacía con un promedio móvil simple aplicado por categoría, sin considerar la variabilidad entre tiendas ni señales exógenas. Tercero, la asignación de inventario entre bodega central, centro de distribución y tiendas se ejecutaba con reglas fijas heredadas, que no reaccionaban a cambios de demanda.

La merma anual rondaba el 6.4% de ventas, un punto arriba del benchmark del sector para categorías similares. El sell-through de temporada mostraba una dispersión enorme entre tiendas comparables: dos ubicaciones del mismo formato y tamaño podían tener 78% y 51% respectivamente para el mismo producto.

La arquitectura implementada

Wave Design diseñó una plataforma de comercio inteligente con tres bloques integrados.

El primer bloque es la capa de inventario unificado. Se construyó un modelo de datos que reconcilia en tiempo casi real el stock físico de las 40 tiendas y del centro de distribución, incorporando reservas, tránsitos y ajustes por conteo cíclico. Esa capa alimenta tanto al e-commerce como a los sistemas de punto de venta con la misma verdad, eliminando la sobreventa.

El segundo bloque es el motor de forecast basado en IA. En lugar de un modelo único por categoría, se entrenaron modelos específicos por combinación SKU-tienda para las combinaciones con volumen suficiente, y modelos jerárquicos para las de cola larga. Los modelos combinan histórico propio, señales de demanda local (eventos, calendario escolar, festividades regionales), estacionalidad multi-ciclo y datos meteorológicos con horizonte de 14 días. El resultado alimenta directamente al motor de reposición.

El tercer bloque es el motor de asignación dinámica. Cada noche recalcula el balance óptimo de inventario a nivel de la red completa: qué debe reponerse desde bodega central a cada tienda, qué SKUs deben transferirse entre tiendas, y qué reservas deben mantenerse en el centro de distribución para atender e-commerce. La lógica incorpora restricciones logísticas reales — ventanas de camión, capacidad de anaquel, tiempo mínimo entre transferencias — para producir un plan ejecutable, no solo teóricamente óptimo.

Un principio de diseño fue la explicabilidad. Cada recomendación del sistema muestra los factores que la determinan, para que los compradores puedan discutir con el modelo en lugar de confiar a ciegas o rechazarlo por opaco.

Los resultados

A ocho meses del arranque, la merma total bajó de 6.4% a 5.0% de ventas, una reducción de 22% que en términos absolutos representa aproximadamente $54 millones de pesos recuperados en el año. El sell-through de temporada creció 18% en promedio, con la dispersión entre tiendas comparables reduciéndose a menos de la mitad. Las cancelaciones de e-commerce por faltante bajaron 34%. La precisión del forecast por SKU-tienda, medida por MAPE ponderado, subió de 62% a 84%. La rotación de inventario pasó de 6.1 a 8.7 vueltas al año, liberando capital de trabajo relevante.

Lecciones

Tres puntos a subrayar. Primero, la IA aplicada al retail funciona cuando se sienta sobre datos limpios y una capa de inventario unificada; sin esas bases la IA solo automatiza el ruido. Segundo, la explicabilidad no es un lujo académico: los compradores adoptan las recomendaciones que entienden y sabotean las que perciben como caja negra. Y tercero, el retorno más grande no vino del modelo estadísticamente más sofisticado, sino del cambio de organización que permitió a compra, tienda y e-commerce operar contra un solo plan.