Dar sentido a los datos del escáner

Cuando los minoristas empezaron a utilizar escáneres de cajas, los fabricantes asumieron que podrían utilizar esta nueva y rica fuente de datos de ventas para mejorar significativamente la eficacia de sus actividades de marketing y promoción. En lugar de lanzar campañas que talle único, podrían adaptar los programas a las principales cuentas minoristas, por ejemplo, todas las tiendas Safeway de Denver. Eso se traduciría en una rentabilidad mucho mayor de las inversiones en marketing.

Pero la promesa de datos detallados del escáner no se ha cumplido. La mayoría de los fabricantes gastan mucho dinero en obtener datos detallados sobre las ventas de los productos, pero carecen de las herramientas estadísticas necesarias para relacionar las cifras de venta con las actividades de promoción a nivel de cuenta. En otras palabras, no pueden aislar los efectos de los cambios en los precios, las funciones o las pantallas en las ventas. Los intentos de aplicar los métodos estadísticos tradicionales, como la regresión de mínimos cuadrados, producen estimaciones erróneas de forma rutinaria. En una prueba, se utilizó un modelo tradicional para analizar el impacto de exhibir queso Kraft en lonchas en 77 cuentas. El modelo indicaba que, en muchas cuentas, las pantallas deprimían las ventas o las aumentaban 20 veces o más, resultados obviamente imposibles. Estimaciones tan claramente defectuosas hacían que todos los productos del modelo no fueran fiables.

La mayoría de los fabricantes gastan mucho dinero en datos de venta de productos, pero aun así no pueden determinar los efectos de los cambios en los precios, las funciones o las pantallas en las ventas.

Una posible solución sería crear modelos estadísticos individuales para cada cuenta minorista. Pero además de llevar mucho tiempo y ser caro, este enfoque también produce estimaciones poco fiables. Algunos esfuerzos de promoción simplemente no se utilizan lo suficiente en algunas cuentas como para generar la profundidad de datos necesaria para obtener resultados válidos desde el punto de vista estadístico. Además, los acontecimientos externos, como condiciones meteorológicas inusuales o la promoción de un competidor, pueden sesgar las cifras de ventas de una promoción en particular. Ningún modelado personalizado puede evitar el problema de la muy poca información.

Pero ahora hay esperanza. Un nuevo tipo de técnica estadística, denominada modelos de contracción bayesianos, puede aumentar considerablemente la fiabilidad de las estimaciones del impacto de las promociones en las ventas en las tiendas. Al combinar la información de muchas cuentas, estos modelos «reducen» las estimaciones de regresión hacia la media y eliminan las que son inverosímiles. El importe de la reducción se rige tanto por la cantidad de información disponible en cada cuenta como por la variabilidad de las estimaciones entre las cuentas. Cuanto más dispersos sean los datos o más consistentes sean las estimaciones, más acercará la técnica la estimación a la media, lo que reduce la posibilidad de que un número incorrecto socave todo el análisis.

Los paquetes de software estadístico de empresas como SAS y SPSS están empezando a incluir la posibilidad de ejecutar modelos de contracción bayesianos. Utilizar los modelos no es fácil (requiere un conocimiento profundo de los métodos estadísticos), pero el software sin duda hace que la técnica sea practicable para muchas empresas. No solo es mucho más barato que intentar desarrollar modelos personalizados, sino que también produce resultados mucho más fiables. La contracción bayesiana podría permitir por fin a los fabricantes aprovechar todo el potencial de los datos de los escáneres.