1
UNIVERSIDAD DE CHILE
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
DEPARTAMENTO DE INGENIERIA INDUSTRIAL
GESTION DEL SURTIDO DE PRODUCTOS DE MODA MEDIANTE TEORIA DE PORTAFOLIOS
TESIS PARA OPTAR AL GRADO DE MAGISTER EN GESTION DE
OPERACIONES
MEMORIA PARA OPTAR AL TITULO DE INGENIERA CIVIL
INDUSTRIAL
ANA CAROLINA MOTIZUKI RIBEIRO DA SILVA
SANTIAGO DE CHILE
Enero, 2012
2
UNIVERSIDAD DE CHILE
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
DEPARTAMENTO DE INGENIERIA INDUSTRIAL
GESTION DEL SURTIDO DE PRODUCTOS DE MODA MEDIANTE TEORIA DE PORTAFOLIOS
TESIS PARA OPTAR AL GRADO DE MAGISTER EN GESTION DE OPERACIONES
MEMORIA PARA OPTAR AL TITULO DE INGENIERA CIVIL INDUSTRIAL
ANA CAROLINA MOTIZUKI RIBEIRO DA SILVA
PROFESOR GUIA:
RICARDO MONTOYA MOREIRA
PROFESORES COMISION: RENE CALDENTEY MORALES
FABIAN MEDEL GARCIA GUILLERMO PARADA TRONCOSO
SANTIAGO DE CHILE
ENERO 2012
3
RESUMEN
GESTION DEL SURTIDO DE PRODUCTOS DE MODA MEDIANTE TEORIA DE PORTAFOLIOS
La gestión de un buen mix, especialmente para productos de moda, ha sido
uno de los problemas más difíciles de abordar en retail y el dinamismo de esta industria y el constante crecimiento que ha tenido en los últimos años ha impulsado la búsqueda de nuevos enfoques que puedan entregar resultados más robustos y flexibles ante los continuos cambios presentados. El problema en estudio de este trabajo de título corresponde a la aplicación de una metodología para establecer el surtido de una nueva temporada, en una tienda por departamentos.
La metodología utilizada en esta tesis consiste en la aplicación del modelo de la teoría de portafolios, conocido como Mean Variance, en la obtención del surtido óptimo, relacionando las rentabilidades de los productos con el riesgo asociado a ellos, visto en este modelo como la varianza del retorno.
El trabajo con los datos permitió identificar la posibilidad de segmentación de las tiendas y los productos, mediante lo cual se identificaron tres segmentos diferentes de tiendas de consumidores con características similares en nivel socioeconómico, sexo y edad. La segmentación de los modelos generó grupos de productos según marca, rango de precio y ciclo de vida, permitiendo con esto relacionar disponibilidades a pagar y riesgos asociados a productos básicos y a aquellos que siguen la tendencia de la moda. El problema de optimización planteado maximiza la rentabilidad del surtido dependiendo del porcentaje destinado a los grupos de productos, sujeto a restricciones naturales de las variables, nivel máximo de riesgo aceptado por la empresa y cotas que limitan los porcentajes destinados a las marcas y los diferentes tipos de productos según su ciclo de vida. El modelo de portafolios para la gestión del surtido se aplicó a las subclases cuadro bikini, pijama algodón dama y sostén fashion, con datos históricos de las temporadas invierno 2007, verano 2008 e invierno 2008. Los resultados de este problema de maximización son entregados en porcentajes de estos grupos de productos, sugeridos para el surtido de una subclase en cada segmento de tiendas. Así se obtuvieron, por cada grupo formado por una marca, un rango de precio y un ciclo de vida, los porcentajes destinados a cada par subclase-cluster. Las rentabilidades asociadas a estos surtidos, según los resultados de este modelo, aumentan con respecto a la rentabilidad actual, en donde para la subclase cuadro bikini la diferencia entre esos dos valores es del promedio de 2,7%, para pijama algodón dama corresponde a 1,5% y para sostén fashion un promedio de 1,7%.
La flexibilidad que entrega esta metodología permite simular el ingreso de nuevos modelos, así como también nuevas marcas o tendencias mundiales, mediante la estimación de sus parámetros e incorporándolos a uno de los grupos de productos. Además, al relajar las restricciones asociadas a las cotas es posible obtener mayores valores para la rentabilidad de los surtidos, en donde el comprador de la categoría puede decidir cómo quiere que esté compuesto el surtido, dependiendo de las características propias de las subclases y sus consumidores.
4
TABLA DE CONTENIDOS
1. Introducción ............................................................................................. 9
1.1. Descripción de la industria .............................................................. 10
1.2. Descripción de la empresa ............................................................. 14
1.3. Descripción del proyecto y justificación .......................................... 19
1.3.1. Determinación del surtido ......................................................... 22
1.3.2. Determinación del surtido en la actualidad ............................... 24
1.4. Objetivos ......................................................................................... 31
1.4.1. Objetivo general ....................................................................... 31
1.4.2. Objetivos específicos ............................................................... 32
1.4.3. Metodología.............................................................................. 32
1.5. Alcances ......................................................................................... 34
2. Revisión bibliográfica............................................................................. 35
2.1. Modelos de assortment ................................................................... 37
2.2. Teoría de portafolios ....................................................................... 43
3. Modelo de portafolios para la determinación del surtido óptimo ............ 46
3.1. Parámetros y variables ................................................................... 48
3.2. Restricciones .................................................................................. 50
3.3. Función objetivo .............................................................................. 52
4. Desarrollo .............................................................................................. 53
4.1. Análisis de datos ............................................................................. 53
4.1.1. Categoría, clases y subclases .................................................. 56
4.1.2. Segmentación de tiendas ......................................................... 63
4.1.3. Segmentación de productos ..................................................... 70
4.2. Determinación de parámetros y variables ....................................... 84
5
5. Resultados ............................................................................................ 89
5.1. Análisis de resultados ..................................................................... 92
5.2. Comparación................................................................................. 108
6. Conclusiones ....................................................................................... 112
7. Bibliografía .......................................................................................... 117
8. Anexos ................................................................................................ 122
8.1. Rentabilidades y varianzas por cada grupo de productos ............ 122
8.1.1. Cuadro Bikini .......................................................................... 122
8.1.2. Pijama Algodón Dama ............................................................ 124
8.1.3. Sostén Fashion ...................................................................... 126
8.2. Porcentajes actuales por cada grupo de productos. ..................... 128
8.2.1. Cuadro Bikini .......................................................................... 128
8.2.2. Pijama Algodón Dama ............................................................ 130
8.2.3. Sostén Fashion ...................................................................... 131
6
INDICE DE ILUSTRACIONES
Ilustración 1: Principales holdings en retail. ........................................................... 11 Ilustración 2: Distribución de ventas de Falabella, según área de negocio ............. 16 Ilustración 3: Ventas por metro cuadrado de Falabella, en Chile. .......................... 17 Ilustración 4: Crecimiento en ventas de Falabella .................................................. 18 Ilustración 5: Diagrama de clasificación y selección del surtido en Falabella. ........ 27 Ilustración 6: Método de resolución mediante Solver, Excel................................... 91
7
INDICE DE GRAFICOS
Gráfico 1: Participación del mercado en Chile de las Tiendas de Departamentos. .13 Gráfico 2: Promedio de modelos en venta en cada temporada, por subclase. ........30 Gráfico 3: Cantidad de diferentes SKU’s según subclase y temporada: ..................30 Gráfico 4: Gráfico ejemplo de la frontera de portafolios eficientes ............................44 Gráfico 5: Unidades totales vendidas por subclase. ...................................................59 Gráfico 6: Ventas totales por subclase.........................................................................60 Gráfico 7: Inventario promedio semanal por subclase................................................61 Gráfico 8: Promedio de modelos diferentes a la venta semanalmente por subclase. ..........................................................................................................................................62 Gráfico 9: Unidades vendidas por subclase, temporada y cluster .............................66 Gráfico 10: Monto total vendido por subclase, temporada y cluster ...........................67 Gráfico 11: Cantidad de modelos diferentes por subclase, temporada y cluster ......68 Gráfico 12: Porcentaje de modelos pertenecientes a cada rango de precios, subclase Cuadro Bikini ...................................................................................................76 Gráfico 13: Porcentaje de modelos pertenecientes a cada rango de precios, subclase Pijama Algodón Dama ....................................................................................76 Gráfico 14: Porcentaje de modelos pertenecientes a cada rango de precios, subclase Sostén Fashion................................................................................................76 Gráfico 15: Porcentajes de modelos básicos y ventana por subclase .......................83 Gráfico 16: Comparación rentabilidad actual v/s sugerida, subclase Cuadro Bikini ........................................................................................................................................110 Gráfico 17: Comparación rentabilidad actual v/s sugerida, subclase Pijama Algodón Dama ..............................................................................................................................111 Gráfico 18: Comparación rentabilidad actual v/s sugerida, subclase Sostén Fashion ........................................................................................................................................111
8
INDICE DE TABLAS
Tabla 1: Participación según formato de distribución del retail. ................................11 Tabla 2: Ranking de los 10 mejores retailers en Latinoamérica. ..............................12 Tabla 3: Campos de la base de datos .........................................................................54 Tabla 4: Sub-líneas, clases y subclases. ....................................................................57 Tabla 5: Clusters de tiendas.........................................................................................65 Tabla 6: Marcas por subclase ......................................................................................73 Tabla 7: Rentabilidades y varianzas por cada grupo de productos para la subclase Cuadro Bikini en el cluster 1 ...........................................................................................87 Tabla 8: Porcentajes actuales de cada grupo de productos para la subclase Cuadro Bikini en el cluster 1 ...........................................................................................87 Tabla 9: Porcentajes actuales y sugeridos para cada grupo de modelos, subclase Cuadro Bikini ...................................................................................................................94 Tabla 10: Porcentajes actuales y sugeridos de cada grupo de modelos, subclase Pijama Algodón Dama ....................................................................................................98 Tabla 11: Porcentajes actuales y sugeridos de cada grupo de modelos, subclase Sostén Fashion ..............................................................................................................102 Tabla 12: Rentabilidad sugerida y su diferencia con rentabilidad actual, cuantificada. ........................................................................................................................................105
9
1. INTRODUCCIÓN
La toma de decisión sobre el assortment, definición dada a un conjunto
de elementos, relacionado en retail al surtido de productos, es una de las
interrogantes en la industria, en cualquiera de sus formatos.
La elección de los productos que se dispondrán para la venta conlleva
análisis producto a producto, de ventas históricas, rentabilidad, rotación de
inventario, entre otros, así como también aquellos análisis relacionados con
el ingreso de nuevos productos y variedad. Sin embargo, se está abriendo el
paso a nuevos modelos más robustos en el análisis de los datos, tomando
en cuenta las necesidades de los minoristas y las preferencias del
consumidor (para mayores referencias se sugiere consultar la sección de
Revisión bibliográfica).
En el área de las tiendas por departamentos, formato en el cual se
enfoca este estudio, particularmente cuando se habla de vestuario, la
elección del surtido se ve influenciada por las ventas que reflejan ciertas
preferencias de los consumidores, como por ejemplo decisiones de compra
gatilladas a partir del surtido disponible a la venta, en un determinado
momento, como también por la rentabilidad de los productos. Un producto
rentable con un gran volumen de ventas es un candidato indiscutible para
pertenecer al surtido de una nueva temporada. Es así como las tiendas por
departamentos se esfuerzan en encontrar el mix de productos que atraiga al
consumidor y es en esa búsqueda de esos elementos “estrella” donde los
nuevos análisis y metodologías concentran gran parte de su trabajo.
10
El presente estudio está enfocado en encontrar una metodología que
permita determinar el mejor surtido de productos que cumpla con los
requerimientos del retail, asegurando un grado de variedad dentro del
assortment que sea capaz de atraer al consumidor a sus locales. Esta
metodología busca además, ser una herramienta para el planificador y el
comprador de cada categoría en donde pueda apoyarse de datos robustos
para la elección de los productos, traduciéndose en una elección basada
más en resultados reales y menos en la propia intuición.
En los capítulos siguientes de este trabajo de título se explica con mayor
detalle el crecimiento de la industria del retail y la importancia que los
académicos han dado a la búsqueda de la solución de los problemas
relacionados a su gestión. Posteriormente, se explica cómo es posible
encontrar el mix de productos óptimo para la tienda por departamentos en
estudio.
Los resultados muestran que la metodología utilizada, el análisis
mediante teoría de portafolios, es lo que permite conjugar el riesgo asociado
a la variedad requerida para los consumidores, con la rentabilidad de cada
producto en el surtido.
1.1. DESCRIPCIÓN DE LA INDUSTRIA
La industria del retail comprende al comercio minorista. La venta al
detalle referida mundialmente como retail está presente en diferentes
formatos, entre los cuales se puede nombrar a farmacias, supermercados,
mejoramiento del hogar, tiendas por departamento y tiendas especiales,
entre otros. [8]
11
En la Tabla 1 se detalla la participación de cada uno de estos formatos
en la industria del retail de Chile. [13]
Tabla 1: Participación según formato de distribución del retail.
Formato % del Total Supermercados 26 Almacenes Tradicionales 9 Farmacias y Perfumerías 6 Consumo Local 4 Consumo Masivo 45 Mejoramiento del Hogar 19 Tiendas por Departamento 15 Consumo Selectivo 34 Otros 21 Total 100
De la tabla anterior se observa que los tres sectores más importantes son
supermercados, mejoramiento del hogar y tiendas por departamento, los
cuales totalizan el 60% de la industria. De entre estos, la siguiente figura
muestra cuáles son los holdings que dominan el mercado. [14]
Ilustración 1: Principales holdings en retail.
12
Los tres más importantes actores del retail corresponden a Cencosud,
Falabella y D&S, manejando el 87% del total. Poseen participaciones en el
área de supermercados, tiendas por departamentos, mejoramiento del hogar
y el sector financiero. Muchos de ellos operan también en el exterior, en
países tales como Argentina, Perú, Colombia y Brasil.
La industria del retail es un sector muy dinámico y competitivo, lo que ha
impulsado un crecimiento mayor del esperado a través de los años. Desde el
año 2003 y los siguientes cuatro años presentó un crecimiento del 12%. El
gran desempeño de esta industria generó, en el año 2006, ventas por un
monto total de USD $28.620 MM, correspondiendo al 21,2% del PIB
nacional. [34]
No es en vano este éxito regional. En el panorama Latinoamericano,
estas compañías chilenas se destacan dentro de los diez mejores retailers
como se visualiza en el siguiente ranking [17]:
Tabla 2: Ranking de los 10 mejores retailers en Latinoamérica.
Ranking LA
Top 10
Ranking Mundial Top 250
Compañía Ventas del Retail (US$ mil)
País
1 75 Grupo Pao de Açúcar $ 11,819 Brasil 2 90 Cencosud $ 9,143 Chile 3 131 Casas Bahía $ 6,608 Brasil 4 132 Soriana $ 6,586 México 5 150 Falabella $ 5,644 Chile 6 184 Lojas Americanas $ 4,236 Brasil 7 194 Comercial Mexicana $ 4,012 México 8 196 FEMSA Comercio $ 3,979 México 9 219 Comercial Chedraui $ 3,522 México
10 241 El Puerto de Liverpool $ 3,130 México
13
Como se puede observar, las compañías chilenas se ubican en el
segundo y quinto lugar, correspondiendo a Cencosud y Falabella,
respectivamente. Este escenario, el cual además muestra a D&S dentro de
los 250 mejores retailers mundiales, es muy favorable para el país y sus
alrededores en donde estas compañías también poseen negocios.
En Chile, en el sector de las tiendas por departamentos, la participación
de mercado correspondiente a cada uno de estos importantes actores se
resume en el siguiente gráfico. [15]
Gráfico 1: Participación del mercado en Chile de las Tiendas de
Departamentos.
Para las tiendas por departamentos, como se observa en el gráfico
anterior, los principales holdings continúan siendo los mismos que a nivel del
retail en general, estos son Falabella, Paris (Cencosud) y Ripley; con la
30%
21%21%
11%
4% 13%
Falabella
París
Ripley
La Polar
Hites
Otros*
14
diferencia que Falabella es la gran tienda que se destaca con un 30% por
sobre las demás.
En este sector de las grandes tiendas se visualiza a Falabella como el
gran ganador por su mayoría en el mercado y el crecimiento que ha tenido a
lo largo de todos sus años de existencia. Esto le ha permitido mantener su
lugar dentro de la industria y ser reconocida como una de las empresas de
retail preferida por los consumidores.
En el capítulo siguiente se abordará con mayor detalle la descripción de
este grande del retail, compañía a la cual se enfoca este trabajo de título.
1.2. DESCRIPCIÓN DE LA EMPRESA
Falabella ha presentado un gran crecimiento a lo largo de todos sus
años de existencia, empezando con una tienda en el centro de Santiago,
hasta llegar a lo que es hoy día: una multinacional en continua expansión.
Tiene sus inicios en el año 1889, en el cual se abre la primera sastrería
en Chile. Con su única tienda ubicada en la calle Ahumada se dedica a la
venta de vestuario. Tanto fue la expansión de esta empresa que al año 1937
se constituye como S.A.C.I. Falabella, sociedad anónima abierta.
Posteriormente, por el año 1962 comienza su expansión a regiones,
15
inicialmente con una tienda en Concepción. Luego vino la creación de CMR
(tarjeta de crédito propia de la tienda) y su ingreso al mundo de los centros
comerciales a través de Plaza Vespucio. Sólo al año 1993 se abre al exterior
con tiendas en Mendoza - Argentina, continuando con Rosario, Córdoba y
San Juan, en el mismo país vecino.
En la actualidad posee, además, locales en Perú y Colombia, en donde
la expansión crece día a día.
El crecimiento de Falabella ha sido sostenido durante décadas, motivo
del cual la ha transformado en uno de los principales operadores de tiendas
por departamento del país. También le ha permitido expandirse
exitosamente a otras áreas de negocios en Chile y Latinoamérica.
Además de su principal negocio, las ventas de vestuario, accesorios y
productos para el hogar en tiendas por departamento, actualmente
contempla mejoramiento del hogar como Homecenter’s, Supermercados e
Hipermercados Tottus y San Francisco, negocio crediticio mediante CMR y
bancario a través de Banco Falabella, además del sector inmobiliario como
lo son los Centros Comerciales Mall Plaza. [40]
Sus negocios en Chile corresponden a:
o 40 tiendas por departamento
o 66 tiendas de mejoramiento del hogar
o 26 supermercados e hipermercados
16
o 11 Mall Plaza
o 5 Power Center
o 2,6 millones de cuentas CMR
o Más 43 mil colaboradores
Lo que suma un total de 867.768 m2 en superficie de venta. [12]
En Chile y Latinoamérica suman 73 tiendas por departamento, lo que
junto a sus otros modelos de negocio, totaliza 1.494.317 m2 en superficie de
venta.
En el siguiente gráfico se observa la distribución de las ventas de la
empresa, según sus áreas de negocio [12]:
Ilustración 2: Distribución de ventas de Falabella, según área de negocio
17
Los resultados obtenidos en el año 2008 entregan un total de ventas de
US$ 5.856 millones, de los cuales un 72% corresponde a ventas en Chile y
el 28% restante del extranjero.
No cabe duda que Falabella se ha destacado como una empresa
exitosa, tanto dentro como fuera del país. Si se mira más detenidamente al
rubro de tiendas por departamento está muy por arriba de sus competidores.
Se puede observar a continuación que posee el mayor índice de ventas por
metro cuadrado [12]:
Ilustración 3: Ventas por metro cuadrado de Falabella, en Chile.
A su vez, presenta un crecimiento sostenido de sus ventas en Chile
por más 10 años y tal como se ha mencionado en las secciones anteriores
de este trabajo, prevé crecimientos por sobre los dos dígitos, además de las
aperturas de nuevas tiendas, tanto dentro como fuera del país. En la
ilustración se demuestra con números esta afirmación [27]:
18
Ilustración 4: Crecimiento en ventas de Falabella
En consecuencia, Falabella tiene un próspero futuro por delante, no tan
sólo en el país, sino que también en el exterior, donde día a día está
abriendo más tiendas y creciendo en número de ventas. Pero este éxito no
llega sino de la mano de un gran trabajo por parte de sus ejecutivos y su
personal, además de la constante búsqueda por mantenerse vigente en el
mercado y poder satisfacer todas las necesidades de sus consumidores,
alineado con sus exigencias operacionales y financieras.
Parte de ese objetivo está puesto en este trabajo de título, el cual busca
entregar a Falabella una herramienta para la selección óptima, en términos
de la satisfacción de sus consumidores y la maximización de sus utilidades,
del surtido de vestuario para una categoría.
19
1.3. DESCRIPCIÓN DEL PROYECTO Y JUSTIFICACIÓN
Indudablemente la industria del retail aporta millones a la economía de
un país. Los holdings nacionales están invirtiendo cada vez más en la
apertura de nuevas tiendas y abriéndose al mercado Latinoamericano como
nunca antes han podido hacerlo. El crecimiento en las ventas ha puesto al
retail en el centro de la discusión y muchas han sido las interrogantes sobre
cómo se ha alcanzado este éxito. El estudio del comportamiento de las
ventas, cómo se genera el pronóstico para cada temporada, el manejo de la
rotación del inventario y la elección del mix óptimo han sido los temas
recurrentes de los académicos cuando se refiere a retail.
En la industria del retail, en particular en el rubro de tiendas por
departamento, el gran dilema al inicio de una temporada es cuál será el
surtido para cada uno de sus locales. Principalmente porque la selección de
productos y su disponibilidad tienen un gran impacto en las ventas del
minorista, por lo cual un buen mix es determinante para su éxito, por ello ha
sido primordial para los ejecutivos encontrar la combinación perfecta entre
variedad y rendimiento. [23]
Los académicos han realizado diversos estudios en la búsqueda de
ese surtido óptimo, tratando de encontrar las respuestas a las interrogantes
que nacen desde la industria minorista, de los cuales se han extraído
conclusiones tales como que la percepción de la variedad se ha denotado
equitativamente como la percepción del assortment. Esta relación intrínseca
entre variedad y assortment es lo que ha impulsado al retail a incrementar la
variedad de sus productos en sus categorías. Sin embargo, otro estudio
20
realizado por Broniarczyk, Hoyer y McAllister (1998) afirma que se puede
reducir un 25% la cantidad de sku´s en la tienda sin que afecte la percepción
de surtido en los consumidores. (Para mayor detalle ver sección Revisión
bibliográfica, pág. 34)
Kök, Fisher y Vaidyanathan (2006) ha planteado que un assortment
debe estar constituido por un set de productos con el objetivo de satisfacer
las necesidades de los clientes, maximizando las ventas o el margen bruto
del minorista; el cual tendrá un gran impacto en sus resultados
operacionales y financieros. Esta conclusión reafirma la importancia de la
rentabilidad y la variedad al momento de elegir el mix de productos.
El problema de la búsqueda del assortment en retail ha sido
ampliamente estudiado y sigue siendo uno de los tópicos más importantes al
momento de hablar del buen desempeño que un minorista pueda tener en
sus diversas áreas operacionales. Sin embargo, los académicos han
elaborado la mayoría de estos estudios en el área del consumo masivo,
enfocándose en supermercados y tiendas de conveniencia. Pocos han sido
los que se han referido a productos de moda o incluso aquellos productos
vendidos en las tiendas por departamentos. A pesar de ambos pertenecer a
la industria del retail, poseen diferencias que impiden utilizar la misma
metodología para la selección del surtido de sus productos. Entre estas
diferencias se puede citar que los productos vendidos en los supermercados
no cambian sustancialmente en cada temporada, mientras que en la tienda
por departamentos, específicamente hablando de moda, son productos que
cambian constantemente, siendo necesario escoger un surtido diferente de
sku’s por cada nuevo período de tiempo en análisis. Por otro lado, los
clientes en un supermercado tienden a llevarse una canasta de productos,
por la cual la compra es mayor (en cantidad de sku’s) y asisten al
21
supermercado con mayor frecuencia pues tienen una necesidad que
satisfacer con cada compra. En las tiendas por departamentos, en cambio,
se compra un número menor de sku’s, haciendo el proceso de compra más
lento pues la elección del producto es más exhaustiva en búsqueda de
aquello que satisfaga sus parámetros pre-establecidos. Muchas de estas
veces, los consumidores no saben exactamente qué quieren y acuden a las
tiendas a observar el surtido entregado por éstas. Este último punto es el
que determina que la variedad del surtido debe ser tal que permita satisfacer
estas necesidades y estimule la compra por parte del consumidor y que, en
definitiva, atraiga su atención para que vuelva a realizar futuras compras en
el mismo lugar.
Por lo tanto, ¿cómo se realiza un buen assortment para productos en
una tienda por departamentos? Los consumidores encontrarán los mismos
productos en diferentes supermercados, en cambio, cuando se habla de
moda, los productos tienden a diferir en las tiendas por departamento,
especialmente cuando se habla de las marcas propias, tan bien explotadas
últimamente por estas grandes tiendas. Como estos consumidores visitan
con menor frecuencia a este formato del retail, la exigencia que se presenta
a los minoristas es lograr un surtido que entregue variedad y calidad, en
donde el consumidor pueda encontrar todo lo requerido en un sólo lugar.
¿Cuáles serían entonces los atributos que más valoran los consumidores a
la hora de elegir qué comprar?, ¿qué tanta variedad debe tener el surtido
antes de producirse los sobre-stock? y ¿cómo equilibrar variedad y
rentabilidad?
Las metodologías utilizadas frecuentemente en trabajos de título se
han enfocado en la obtención de indicadores que entregan la rentabilidad de
cada sku´s y su participación de mercado. Muchos de ellos analizan una
22
categoría en un supermercado, encontrándose, en la actualidad, sólo uno
que ha estudiado a las tiendas por departamentos [36]. Sin embargo, la
metodología utilizada en este último es muy similar a los anteriores, a través
de indicadores del desempeño de los productos en la temporada en estudio.
El presente informe pretende recoger estos puntos sobre la búsqueda
del surtido en Falabella, quien ha mostrado el interés en mejorar su modelo
de assortment, el cual les permita tomar decisiones de qué productos tener
en sus tiendas, basado en algo más que en el instinto del comprador. Se
pretende dar énfasis a la variedad requerida por el retail, que muchas veces
se ve mermada por el riesgo que implica para éste ingresar productos al
surtido que poseen alta incertidumbre, ya sea por su alto precio o por las
características del mismo que lo diferencian del resto, significando que su
éxito en ventas corresponde a una gran incógnita para el comprador.
Por este motivo, la aplicación de la teoría de portafolios para decisiones
de surtido, que combina rentabilidad y riesgo, encaja con los requerimientos
y permite entregar un nuevo enfoque a este proceso. En los capítulos
siguientes se observará en mayor detalle cómo se utiliza este método para la
obtención del surtido y cuáles son las variables que hacen posible la entrega
de un mix óptimo.
1.3.1. Determinación del surtido
Como ya se ha mencionado, la determinación del surtido está
estrechamente relacionada con las ventas. Si un producto se ha vendido
bien durante las temporadas anteriores será probable que siga
perteneciendo al mix en el futuro. A raíz de esta relación, la definición de
23
indicadores que puedan mostrar el comportamiento de estos durante el
período en venta, además de medir su desempeño con respecto al resto de
los productos, ha sido la tónica al momento de elegir el assortment en retail.
Entre los indicadores más utilizados se encuentran: el margen, que es
la utilidad de cada producto (calculada como el precio de venta menos su
costo), ROI (retorno sobre la inversión) en donde se compara las utilidades
por cada peso invertido, ROS (retorno sobre las ventas) correspondiente a
las utilidades por cada peso vendido, su participación de mercado,
contribución, penetración, unidades vendidas, monto total vendido en una
temporada, entre otros. [28] [30] [35] [36]
En las últimas décadas en la literatura se ha estudiado la
determinación del surtido mediante modelos matemáticos más robustos
relacionados con cómo se comportan los consumidores frente al surtido. Es
así como se han utilizado modelos multinomiales para determinar la
demanda, basado en la utilidad que le proporciona cada producto al
consumidor. También están aquéllos en donde se estudia el efecto
sustitución de un sku por otro (por falta de stock o si el producto no
pertenece al mix) y modelos que analizan la opción de búsqueda del
consumidor.
Cuando se habla de productos de moda, en donde las vitrinas deben
renovarse en cada temporada, esencialmente los compradores son los
encargados de ir a la búsqueda de nuevos productos. Viajan al exterior para
observar las nuevas tendencias mundiales y a partir de allí seleccionan los
futuros modelos. Sin embargo, esta elección estará influenciada por aquellas
variables que mostraron ser relevantes para los consumidores, medidos por
24
los indicadores que ya han sido analizados y que servirá de apoyo para la
toma de decisión.
En un sector en constante movimiento como lo es el vestuario los
últimos estudios se han centrado en generación de modelos dinámicos para
la determinación del surtido. Es así como Caro y Gallien (2007), a través de
su modelo, van analizando los datos de las ventas durante la temporada,
buscando encontrar patrones que permita establecer qué modelos deben
entrar y salir de sus salas en los futuros meses.
A continuación se detalla el proceso de determinación del surtido de
Falabella en la actualidad, similar a la toma de decisiones de los retailers en
Chile.
1.3.2. Determinación del surtido en la actualidad
En Falabella las personas encargadas de determinar el surtido para
cada temporada son los llamados compradores. Los compradores deben
viajar constantemente al exterior en busca de nuevos diseños y nuevas
ideas para ser impuestas en la siguiente temporada, siguiendo las
tendencias mundiales, apoyado con números que respaldan aquellos
atributos que han sido bien evaluados en los productos de temporadas
anteriores. Todos los análisis y conclusiones obtenidas también sirven de
apoyo a las decisiones de compra para productos producidos a nivel
nacional o a aquellos que corresponden a las marcas propias de la
compañía.
25
Los compradores deben seleccionar los modelos de cada temporada
un año antes de la misma puesto que la mayoría de las compras son
realizadas en el exterior y debe obedecer a los criterios de distribución y
logística de cada uno de los proveedores.
El proceso de compra se inicia cuando los compradores obtienen
información histórica de las ventas realizadas durante la temporada anterior.
Reunen indicadores tales como el mix de productos que han conformado el
80% de las ventas del período y la cantidad de SKU’s existente (podría
decirse que como un proxy de la variedad en la tienda), con el fin de
modificar o mantener la cantidad de productos a comprar para la nueva
temporada. Manejan un rango de cantidades mínimas y máximas a comprar
para una determinada subclase-tienda. Sin embargo, a nivel de subclase
esta cantidad puede ser modificada si posterior al análisis modelo a modelo
se presentan números muy bajos para alguno de ellos o incluso para una
marca, lo cual generalmente puede ocurrir en una marca nueva o la poca
participación de mercado de esa marca en un modelo en particular.
La decisión final de qué y cuánto comprar está determinada por el
presupuesto que tienen para cada categoría. A pesar de que llevan un
control de las unidades compradas en cada temporada y decidan, para la
siguiente, comprar una cantidad igual o cercana a este valor, si el
presupuesto disminuye, indudablemente se deberá disminuir el número de
unidades a comprar. Pero como ya se mencionó, el nivel de subclase
presenta una mayor flexibilidad en relación a presupuestos y cantidades. En
la ilustración siguiente se muestra el diagrama que muestra la clasificación
de los grupos de productos y los relaciona con la forma en la cual se
selecciona un nuevo surtido para una temporada.
26
El presupuesto que entregan los planificadores del área es a nivel de
sub-línea, correspondiente a un presupuesto total que debe incluir todos sus
subniveles. Eso mismo ocurre con las metas de crecimiento en la demanda,
que debe agrupar los pronósticos de demanda generados para cada una de
las clases y subclases.
El análisis se realiza de la siguiente forma, el cual se puede observar
en el diagrama de la siguiente ilustración. Por cada marca perteneciente a
una subclase se dividen sus modelos en tres diferentes rangos de precio,
bajo, medio y alto. Cada uno de esos modelos es analizado en cuanto a su
comportamiento de ventas durante la temporada, rebajas y precio final de
venta durante las liquidaciones. Se chequea si se quedaron cortos con el
inventario del producto (la demanda fue mayor que la oferta) o si, de lo
contrario, sobró mucho inventario, lo que también se corrobora a través de
las rebajas y el precio de venta final del producto. Si posterior a la revisión se
concluye que el sku fue un producto estrella en la temporada, éste se repite
para la siguiente o se compra una variación de éste (todo dependiendo de la
disponibilidad del proveedor y las nuevas tendencias); si por otro lado, el
producto resultó ser poco atractivo, éste se elimina del surtido. Para el resto
de los productos que tuvieron rendimientos regulares (en definitiva que no
fueron un total éxito o un total fracaso) se renueva según aquellos atributos
relevantes y según lo que los compradores observan en sus viajes. Esto
asevera que, por lo tanto, la mayor parte del surtido de una temporada se
renueva completamente para el siguiente año, conservando sólo aquellos
productos estándares o básicos y aquellos que mostraron ser un éxito
rotundo en ventas.
27
Ilustración 5: Diagrama de clasificación y selección del surtido en Falabella.
28
Las decisiones de surtido se realizan por marca puesto que una parte
importante de este proceso de compra son las negociaciones con el
proveedor. Según sean las conversaciones con los proveedores podrá variar
la cantidad del producto o la variedad del surtido de cada marca, influyendo
incluso en el layout que pueda tener la tienda en cada temporada. También
hay que tomar en cuenta que muchas veces son los mismos proveedores los
que ofrecen nuevos productos a los compradores, con el objetivo de ir
renovando año a año, e incluso dentro de la misma temporada, el surtido
existente en la tienda.
Relacionado con la rotación de los productos dentro de una temporada,
Falabella maneja los conceptos de tipos de productos: “básicos” y “ventana”.
Estos tipos de productos, además de tener una connotación de la moda
asociada a cada modelo, principalmente permite diferenciarlos entre
aquellos que están destinados a venderse dentro de la temporada completa,
correspondiente a seis meses, los cuales son más estables en el tiempo; y
los que debieran venderse dentro de los primeros/últimos tres meses de
cada temporada. Esto mantiene un control de la logística de los productos
dentro de cada local, permitiendo la rotación del inventario y un cambio
constante en la visualización de la tienda, punto primordial de atracción de
los consumidores. El assortment buscado debe incorporar estas definiciones
pues son fundamentales para el manejo de cualquier categoría dentro de
Falabella.
Se observa, por lo tanto, que muchas de las decisiones de los
compradores son limitadas por el área de planificación, el cual entrega estas
restricciones en capacidad, cantidad y presupuesto con el objetivo de no
permitir a los compradores abrirse en la variedad de los productos ni en la
29
cantidad de inventario. Además, estas decisiones están basadas en criterios
de distribución, logística y layout relacionadas a las tiendas.
La problemática que deriva de este hecho sustenta el motivo de esta
tesis, la cual radica en encontrar el mix de productos para las subclases
Sostén Fashion, Cuadro Bikini y Pijama Algodón Dama. La metodología que
se va a utilizar para lograr este objetivo, la teoría de portafolios, pretende
encontrar el surtido que entregue la mayor rentabilidad según el nivel de
variedad, medida en este caso por el riesgo del ingreso de productos de
moda, que requiera la compañía.
Para los análisis y el desarrollo de este modelo se utilizará la base de
datos entregada por la empresa, la cual contiene la información de tres
temporadas, Invierno 2007, Verano 2008 e Invierno 2008, en las cuales se
maneja un total de 1027 modelos entre las tres subclases, lo que no deja de
ser relevante si se analiza desde la perspectiva que esto genera un total de
6357 SKU’s.
Los siguientes gráficos muestran la proporción de modelos y SKU’s
según cada subclase en análisis.
30
Gráfico 2: Promedio de modelos en venta en cada temporada, por
subclase.
Como se aprecia en el siguiente gráfico, a pesar de que la subclase
Cuadro Bikini y Sostén Fashion manejan casi la misma cantidad de modelos,
la segunda posee muchos más SKU’s, cuya diferencia puede estar
representada por una mayor abertura de colores y tallas:
Gráfico 3: Cantidad de diferentes SKU’s según subclase y temporada:
0,00
10,00
20,00
30,00
40,00
50,00
60,00
I2007 V2008 I2008
Cuadro Bikini
Pijama AlgodónDama
Sostén Fashion
100
200
300
400
500
600
700
I2007 V2008 I2008
CUADRO BIKINI
PIJAMA ALGODONDAMA
SOSTEN FASHION
31
Como se mencionó, el surtido elegido para una nueva temporada se
basa en los modelos de cada marca. El nivel de sku´s no es relevante para
el assortment de Falabella puesto que su descripción, además de la marca y
el número/tipo de modelo contiene el color y la talla del producto. La
cantidad de sku´s a comprar por cada talla se establece mediante las
llamadas “curvas de tallas” que son pre-establecidas por cada proveedor.
Por lo tanto, una vez que se selecciona qué modelo integrará el nuevo
surtido, la compra corresponderá a una cantidad x de paquetes de ese
modelo, que contienen todas las tallas y colores disponibles según la curva
elegida por el comprador.
Los diversos estudios realizados en el área del retail contemplan
modelos que permitan definir la percepción de la variedad de los clientes,
encontrando relaciones entre las utilidades de los mismos, la importancia de
ciertos atributos en relación a otros y definiendo criterios de sustitución entre
productos. Estos modelos serán discutidos en el capítulo 2 de este trabajo,
en donde se abordará la importancia de encontrar solución a este problema,
no sólo en Falabella, sino que es un tema común a las empresas
relacionadas al retail.
1.4. OBJETIVOS
1.4.1. Objetivo general
Desarrollar una metodología para determinar el mix de productos
óptimo para una categoría en una tienda por departamentos, mediante la
utilización de la Teoría de Portafolios.
32
1.4.2. Objetivos específicos
Análisis de la situación actual de la empresa, respecto a las
decisiones de surtido.
Definición de los atributos más importantes para Falabella al momento
de definir un surtido.
Aplicar la Teoría de Portafolios para encontrar el mix de productos
requerido.
1.4.3. Metodología
La metodología que se utilizará en el presente trabajo, en orden de
cumplir con los objetivos planteados en la sección anterior, consta de las
siguientes etapas:
1. Diagnóstico de la situación actual: A través de este diagnóstico
inicial fue posible conocer las categorías y subclases a ser
analizadas y la base de datos con la cual se trabajó. Se levantó
información sobre el actual proceso de gestión del surtido dentro
de la empresa, información relevante para definir los pasos a
seguir y establecer cuáles son los atributos más relevantes para
Falabella.
2. Revisión bibliográfica: La revisión de la literatura relacionada con
la gestión del surtido y la búsqueda del assortment en retail fue
vital para estudiar los modelos planteados por los académicos y
entender en cuáles situaciones se aplican. Mediante este análisis
33
fue posible determinar la metodología que más se adecúa al
presente trabajo, permitiendo conjugar la importancia de la
variedad y rentabilidad dentro de un assortment con las
restricciones requeridas por la empresa.
3. Planteamiento de la metodología: Una vez que se encontró el
modelo a ser usado, el modelo de gestión de portafolios Mean
Variance, fue necesario que éste fuera modificado para ser
factible su uso para encontrar el surtido óptimo en una tienda de
departamentos. Esta modificación se llevó a cabo mediante la
definición de las variables de decisión y los parámetros asociados
al modelo y establecer que la función objetivo correspondía, en
este caso, a la maximización de la rentabilidad del surtido,
optimización realizada sujeto a restricciones operacionales de
Falabella.
4. Análisis de datos y resultados: Se segmentaron las tiendas en
cluster de consumidores similares entre sí y se identificó los
atributos relevantes de los productos, creando grupos de modelos
definidos según su marca, rango de precio y ciclo de vida. Se
reunieron los datos necesarios para obtener los parámetros del
modelo, determinando las variables de decisión iniciales. Con
estos datos se corrió la optimización obteniendo porcentajes
sugeridos para cada grupo de productos, con la respectiva
rentabilidad por cada subclase-cluster.
5. Comparación: Finalmente, con los resultados de la aplicación de
esta nueva metodología, se comparó los resultados obtenidos con
los resultados que se obtendrían utilizando el método actual de
gestionar los surtidos de Falabella.
34
1.5. ALCANCES
El alcance de este trabajo de título corresponde a obtener el mix de
productos para una nueva temporada. El resultado generado mediante la
aplicación de la teoría de portafolios para el surtido entregará una
sugerencia de los productos que debieran estar presentes en el assortment,
para cada cluster de tiendas de Falabella.
La determinación de los modelos y sus cantidades se ha optado por
dejarlo en las manos de los compradores. Ellos necesitan la flexibilidad para
cambiar porcentajes de participación de marcas entre subclases debido a la
restricción de presupuesto que tienen a nivel de sub-línea.
Falabella cuenta en la actualidad con modelos predictivos de demanda y
pricing que permiten apoyar esa toma de decisiones y lo requerido por ellos
en esta oportunidad es el manejo del surtido relacionado con la variedad y la
rentabilidad de sus productos.
La base de datos con la cual se trabajará corresponde a las subclases
Cuadro Bikini, Pijama Algodón Dama y Sostén Fashion, en las temporadas
Invierno 2007 (I2007), Verano (2008) e Invierno 2008 (I2008), cuyos datos
corresponden según calendario a partir del mes de Marzo 2007 a Agosto
2008.
35
2. REVISIÓN BIBLIOGRÁFICA
En el presente capítulo se hablará de los diversos estudios realizados
por académicos con el objetivo de encontrar respuestas a las interrogantes
de los minoristas, los cuales han presentado diferentes modelos e hipótesis
que permiten abordar los temas relacionados con la gestión del surtido y la
búsqueda del assortment óptimo.
Uno de los puntos importantes al hablar de assortment corresponde a
la variedad. ¿Cómo la variedad se relaciona con el surtido o mix de
productos? Cuando se habla de la percepción de la variedad por parte de los
consumidores, se ha identificado que posterior a los trabajos realizados en el
estudio de la reducción del número de sku’s (stock-keeping unit) (por
Broniarczyk et al. en 1998) se ha denotado equitativamente a la percepción
de la variedad como la percepción del assortment. Esto está relacionado a
que assortment puede decirse que es una “variedad de bienes” o también
puede ser definido como “una colección miscelánea de ítems”. Es por éste
motivo que ambos términos resultan ser usados indistintamente por lo
académicos. [22]
En los últimos tiempos, los minoristas han incrementado la variedad de
sus productos en todas sus categorías por diversos motivos. Según un
estudio realizado en 1994 por Quelch y Kenny existen siete factores que
explican el por qué tantas compañías han expandido sus líneas de
productos, los cuales corresponden a la segmentación de los consumidores,
el deseo de los consumidores por probar algo “diferente”, la gran amplitud de
36
precios, el exceso de capacidad, las ganancias de corto plazo, la intensidad
competitiva y la presión del mercado.
Esto ha originado que los niveles de variedad se han tornado tan
excesivos que reduciéndola no produce, necesariamente, un descenso de
las ventas. Sin embargo, Gouville y Soman en 2005 demuestran que un
aumento descontrolado en la variedad produce efectos negativos porque el
consumidor puede sentirse aturdido con tal cantidad de productos, optando
por no comprar en el lugar. El objetivo de lograr un buen surtido es
justamente evitar este tipo de decisiones por parte del consumidor.
El mismo estudio realizado por Quelch y Kenny también menciona
cuáles son los problemas asociados a la extensión en la línea de productos,
entre los cuales se encuentra una débil lógica en la línea de productos, baja
fidelidad a la marca, ideas sin explotar, estancamiento de la demanda de la
categoría, pobres relaciones comerciales, mayores oportunidades para la
competencia y aumento en los costos. Todos estos problemas inherentes a
la extensión en la variedad sin un propósito determinado, además de tener
una mayor cantidad de productos dispuestos en las salas, demuestra que no
es el mejor camino para alcanzar buenos números en retail.
Broniarczyk, Hoyer y McAllister en 1998 publicaron un estudio
controversial para la época, afirmando que los supermercados no debieran
estar tan reacios a reducir el número de productos ofrecidos. Si bien
concuerdan que un buen assortment es uno de los tres criterios que un
consumidor observa a la hora de elegir dónde comprar, su estudio arrojó
resultados que permiten afirmar que se puede reducir un 25% la cantidad de
sku’s en la tienda sin que afecte la percepción de surtido en los
37
consumidores. Este resultado incluso se presenta cuando los consumidores
no encuentran a su producto favorito y el espacio de la categoría en los
estantes está vacío; si, al contrario, ellos encuentran su producto favorito y el
espacio destinado a la categoría se mantiene constante, este porcentaje
puede subir y encontrarse entre el 25% y el 50%.
Si la variedad es tan importante al momento de definir un surtido, Kök,
Fisher y Vaidyanathan (2006) han definido a un buen assortment como aquel
set de productos a llevar en cada uno de sus locales, con el objetivo de
satisfacer las necesidades de sus clientes y maximizando las ventas o el
margen bruto del minorista. Por esta razón el assortment definido para un
momento determinado del tiempo tiene un gran impacto en las decisiones
operacionales que se deben llevar a cabo y en los resultados que se
obtendrán al final de la temporada. A continuación se entrega un análisis de
la literatura en donde se mencionan los tantos estudios realizados por
diversos académicos con el objetivo de obtener un surtido óptimo.
2.1. MODELOS DE ASSORTMENT
El problema del assortment ha sido ampliamente estudiado. La
necesidad de generar modelos que permitan establecer el mix óptimo,
apoyando las decisiones operacionales y la gestión de la categoría, ha sido
motivada por el aumento continuo de la variedad, impulsado principalmente
por la heterogeneidad de los consumidores y su búsqueda de los productos
que le satisfagan sus preferencias. [24]
38
Los primeros estudios realizados fueron sobre un problema básico, de
un sólo período o multi-período estacionario. Por ejemplo, Pentico (1976)
buscaba minimizar los costos lineales de sustitución asociados al mix de
productos en stock de una categoría. Dada la complejidad de encontrar
modelos de estimación de demanda determinísticos, definían el assortment
mediante estimación de demanda probabilística, obteniendo el mix productos
de un subconjunto de las tallas/tamaños a llevar en stock. No obstante, este
método incurría en otros costos no observados en ese entonces, tales como
exceso de inventario y costos por stock out cuando la demanda real era
mayor que la estimada.
Los trabajos de Hassman (1957) y Sadowski (1959) buscaron obtener
demandas determinísticas con el fin de evitar costos asociados al error en la
estimación.
Sin embargo, estos estudios no apuntan, necesariamente, a la variedad
de los productos en stock, pues el enfoque estaba basado en encontrar la
cantidad de productos a llevar en las tiendas simplemente según los
tamaños/tallas de los mismos dentro de una categoría.
Notables estudios se han realizado en torno a modelos de asignación
de espacios en las estanterías (“Shelf Space Allocation Models” [10]). Estos
modelos son muy comunes en tiendas de comestibles, farmacéuticas y
supermercados, entre otros, que no resulta ser el caso en análisis. Si bien
existen restricciones de capacidad por el tamaño del espacio en la tienda
destinado a la ropa interior y probablemente también, a esquinas
representativas para alguna marca en particular, la elección de los productos
se basa en cómo definir el producto más atractivo para el consumidor y que
le otorga mayores ganancias a la empresa.
39
Corstjens and Doyle (1981) sugieren un método en donde estiman las
ventas en función del espacio en donde está asignado cada producto, y las
elasticidades asociadas a su propio espacio y las elasticidades cruzadas de
los espacios asignados a otros. Estimando también los costos, fue posible
generar un problema de maximización de utilidades relacionado con la
asignación del espacio de los productos. Debido a las características de este
modelo tuvieron que trabajar con grupos de productos, logrando buenos
resultados. Trabajos posteriores sobre este tema fueron realizados por
Bultez and Naert (1988) e Irion et al. (2004), ambos aplicando el modelo
sugerido por Corstjens and Doyle (1981).
Estudios posteriores de assortment han desarrollado particularmente el
tema de la variedad de los productos, en búsqueda de las preferencias de
los consumidores.
Es el caso del modelo propuesto por Mahajan & van Ryzin (1999). Los
autores proponen un modelo de optimización de assortment basado en la
maximización de la utilidad de las ventas totales, como función del set de
productos en stock y la utilidad asociada a cada uno de ellos. La relevancia
de este modelo está en la utilización de Multinomial Logit (MNL) para la
estimación de la demanda. Suponen que la demanda es incierta y
dependerá de la utilidad que tenga cada consumidor por los productos en
stock. Cada cliente sólo decidirá comprar en la tienda si Max {Uj}, con j
perteneciente al stock de productos, es mayor a la utilidad de no comprar.
De esta forma es posible estimar la demanda mediante modelos de elección
de los productos. Anterior a este trabajo ya se había utilizado el modelo MNL
para estudios de diferenciación de productos, análisis del equilibrio en
participaciones de mercado e investigaciones de marketing. [1] [2] [20]
40
Cachon (2005) analiza la opción de búsqueda del consumidor basado
en los trabajos de Anderson et al. (1992) y Mahajan & van Ryzin (1999). En
este caso establece que el cliente buscará el producto que le proporcione la
mayor utilidad mediante una previa búsqueda del retailer que le pudiera
proporcionar los mejores productos. Dado el análisis de los modelos que
incluyen la búsqueda y los que no la incluyen, Cachon establece que al no
incorporar este comportamiento los retailers podrían estar subestimando el
valor de un assortment variado, pues los resultados del primero son
sustancialmente mejores que los del segundo.
Sin embargo, el modelo MNL tiene una limitante. Si se quisiera analizar
el efecto sustitución entre productos, dependerá de la utilidad de la opción
de no comprar con respecto a la utilidad de los productos en stock, la cual
determinará la tasa de sustitución entre los productos y la tasa de
penetración de la categoría. Según Kök and Fisher (2006): “Mediante este
modelo no es posible tener dos categorías con la misma tasa de
penetración, pero diferentes tasas de sustitución”, lo que imposibilita su
aplicabilidad para estudios relacionados a este tópico.
Esta conclusión es relevante pues existe una gama aún mayor de
estudios que hablan sobre variedad y assortment basados en los efectos de
sustitución. En relación a ello, Kök and Fisher han establecido dos tipos de
sustitución: “Stockout-based substitution”, en donde la sustitución se realiza
porque el producto que el consumidor desea se vende en la tienda, pero al
momento de la compra no está disponible para la venta; y “Assortment-
based substitution”, cuando la sustitución ocurre porque el producto que el
consumidor desea no se vende en la tienda, es decir, no pertenece al
assortment de los productos en stock.
41
Con estas nociones sobre sustitución, algunos autores han trabajado
para encontrar un modelo que permita establecer un assortment óptimo.
Smith and Agrawal (2000) y Kök (2003) lo han realizado mediante modelos
de demanda exógena. A través de probabilidades de elección de los
productos y tasa de sustitución asociadas permiten la construcción de
matrices de sustitución que hacen posible encontrar la demanda de cada
producto en stock.
Por otro lado, Kök and Fisher (2007), han estimado las demandas
mediante regresiones logarítmicas de los datos de las ventas en una tienda
de comestibles. Lograron encontrar el assortment óptimo mediante
estimación de las tasas de sustitución con el mismo método.
Diferenciándose de modelos de assortment estáticos se encuentra el
trabajo de Caro y Gallien (2007), en donde buscan encontrar un modelo de
assortment dinámico mediante el aprendizaje del comportamiento del
consumidor en cada temporada. Para ello utilizaron la estimación de la tasa
de demanda para la función de utilidad, la cual dependerá de los productos
que vayan ingresando en el assortment.
Todos estos desarrollos han permitido sentar una base para el estudio
del assortment en cualquier área de retail. Han demostrado que no resulta
ser un problema fácil de abordar y que los distintos métodos de estimación
de demanda no son completos para todo lo que se requiere estudiar. Sin
contar que ello dependerá de la información que se tenga para esos efectos.
La estructura de datos de Falabella y su modelo de negocios y de
planificación, impide abordar el tema de assortment mediante alguno de los
42
modelos mencionados. No existe información del consumidor lo que
imposibilita estimar de alguna forma la utilidad que ciertos productos en
stock podrían proporcionarle frente a otros. Menos aún estimar preferencias
y efectos de sustitución. Al no tener la información proveniente de la elección
del consumidor obliga a resolver el problema por parte del proveedor, en
este caso la empresa de retail Falabella y preguntarse qué variedad de
assortment le aportará mayores beneficios.
Desde el punto de vista del proveedor, la elección del surtido debe
estar sujeta a aquellos productos que proporcionan mayores ventas y
rentabilidad, pero si tan sólo eso fuera lo relevante se elegiría a un número
pequeño de modelos que cumplen con ese requerimiento. Parte de la
necesidad del retail es tener la variedad tan requerida por los consumidores
y que los modelos mencionados en este capítulo simulan mediante
preferencias y utilidades. ¿Cómo abordar entonces ambas necesidades sin
modelos de maximización basados en datos del consumidor?
La respuesta a esta interrogante es la teoría de portafolios, la cual no
requiere información del consumidor para llegar a un resultado. La variedad
está representada en esta metodología a través del riesgo asociado a cada
producto dentro del mix y ello permite encontrar la combinación óptima que
maximiza la rentabilidad y minimiza el riesgo correspondiente al nivel de
variedad requerido por el retailer.
43
2.2. TEORÍA DE PORTAFOLIOS
El primero en entregar un modelo de diversificación para las inversiones
fue Harry M. Markowitz en el año 1952. Ese año publicó un modelo de
selección de portafolio que tomaba en cuenta los efectos de la diversificación
cuando los riesgos están correlacionados y definió portafolios eficientes e
ineficientes. Analizó los trade-off entre riesgo y rentabilidad propios al
momento de invertir en un portafolio.
Este modelo comúnmente llamado como Mean Variance establece que
la variable aleatoria son activos riesgosos que poseen un vector de
rentabilidades esperadas 휇 , en donde estas tasas de rentabilidad poseen
varianzas y covarianzas establecidas en una matriz 푉.
Como hipótesis, se maneja que las variables aleatorias, representadas
en este modelo por la esperanza del retorno, sean variables normalmente
distribuidas y que, además, el inversionista es adverso al riesgo, en el
sentido de que prefiere una menor desviación estándar del portafolio que
una mayor.
Este análisis consiste en encontrar el vector de porcentajes óptimos a
invertir en cada activo 푤 del portafolio 푝, mediante la resolución del
siguiente problema de optimización:
min 휎 ≡ min푤 ∙ 푉 ∙ 푤
푠푢푗푒푡표푎휇 ≡ 퐸 푅 = 퐸
푤 ∙ 1 = 1
44
En donde 퐸 푅 = 푤 ∙ 휇 es la tasa esperada de retorno del portafolio푝.
Este modelo Mean Variance propone entregar la solución óptima
mediante la búsqueda del portafolio con menor riesgo. La función objetivo
indica que los porcentajes destinados a cada activo serán aquellos que
minimicen la varianza total del portafolio y que cumplan con las restricciones
impuestas necesarias para hacer el problema factible.
Un requerimiento primordial en este modelo es que el monto invertido
en cada uno de los activos debe ser no negativo. Este resultado entrega una
frontera de portafolios eficientes, pudiendo el inversionista elegir cualquiera
que pertenezca a ella. A continuación se muestra un ejemplo de una frontera
de portafolios eficientes.
Gráfico 4: Gráfico ejemplo de la frontera de portafolios eficientes
0,00%2,00%4,00%6,00%8,00%
10,00%12,00%14,00%16,00%18,00%20,00%
0,00% 5,00% 10,00% 15,00% 20,00% 25,00% 30,00%
Retorno
Riesgo
Frontera de Portafolios Eficientes
Portafolio 1 Portafolio 2 Portafolio 3Portafolio 4 Portafolio 5 Portafolio 6
45
Este modelo marcó el inicio del estudio de la diversificación de las
inversiones y la selección de portafolios principalmente en el área de
mercados de capital.
Los posteriores estudios en este campo han sido realizados en base al
modelo de Markovitz, como los realizados por Sharpe (1964), Perold (1988),
Konno (1988), Konno and Yamazaki (1991), Steinbach (2001) y Zhou and
Yin (2003) entre otros.
En el estudio realizado por Konno and Yamazaki (1991) han postulado
que, a pesar que la teoría de Markowitz fue un gran avance para el área de
las inversiones, no es muy usado en la práctica debido a la dificultad de la
obtención de la matriz de varianza-covarianza necesaria para su resolución y
por tratarse de un modelo de optimización cuadrática.
Postulan que este modelo es muy difícil de resolver cuando el número
de activos (n) es mayor que 1000. Otro punto que impide que los
inversionistas utilicen este modelo regularmente es que resulta muy
inconveniente en términos de manejo y costos de transacción cuando los
pesos destinados a los activos resultan ser muy pequeños, cercanos a cero.
Esto implica que cuando n es grande, es muy probable que se destine
pequeños porcentajes a muchos activos, lo que encarece los costos de
transacción y hace inmanejable la inversión. Sin embargo, imponer al
modelo seleccionar activos sobre un valor podría alejarlo considerablemente
del valor óptimo.
El modelo propuesto por ellos reemplaza la desviación estándar por la
desviación absoluta, relajando la hipótesis de que las variables deben ser
distribuidas normalmente. Los resultados de este estudio reflejan que la
solución es muy similar a la encontrada por el modelo básico de Markowitz.
46
3. MODELO DE PORTAFOLIOS PARA LA DETERMINACIÓN DEL SURTIDO ÓPTIMO
Haciendo una analogía con la teoría financiera sobre la gestión de
portafolios de inversión, en donde se debe elegir cuánto invertir de cada
activo que conformará el portafolio minimizando el riesgo de la cartera, se
podría decir que un surtido de distintos modelos no estaría muy lejos de ser
visto como un portafolio de inversiones.
El portafolio de productos estaría conformado por un porcentaje de
productos de cierta característica en común y cada uno de estos grupos
entrega una rentabilidad a la empresa según sus costos y precios de venta,
y tiene asociado un riesgo del portafolio visto como la varianza total del
retorno.
A través de los precios de venta y los costos de los productos
estipulados en la base de datos de forma semanal es posible obtener la
rentabilidad promedio de los productos. La rentabilidad es primordial para
una empresa porque determina qué tan atractivo es un producto para
exponerlo a la venta desde el punto de vista de las ganancias del negocio.
Desde otro punto la rentabilidad puede ser vista como las utilidades de
una empresa y de esta forma la decisión sobre qué productos vender estaría
acotada a aquellos que entregan la mayor utilidad.
47
El enfoque para la solución del problema actual se modifica por la
importancia de maximizar la rentabilidad del portafolio de productos, porque
el riesgo, determinado por la varianza del portafolio, debe mantenerse bajo
un valor acotado por Falabella, que constituye lo máximo que la empresa
puede esperar.
Esta afirmación se sustenta bajo la primicia que en la actualidad ya
existe un riesgo asociado a la elección del surtido y mantener ese riesgo
inferior a ese nivel es un escenario satisfactorio cuando permite entregar
flexibilidad a la elección del vector de porcentajes, aumentando la
rentabilidad esperada para todo el portafolio de productos.
La hipótesis bajo el modelo mencionado por Markowitz es que los
inversionistas saben exactamente el momento de salida del mercado, en
donde las varianzas y covarianzas son conocidas por ese período de tiempo
y no dependen del movimiento del precio del activo.
La elección de los modelos a comprar está pensada justamente para
un período fijo de tiempo, correspondiente a una temporada y por más que
existan promociones especiales o liquidaciones durante este período, el
surtido de productos elegidos al inicio no se modifica en función de estos
cambios en los precios. La decisión se realiza de forma estática e
independiente de los factores que puedan influir en la demanda durante el
período de venta del producto, lo que cumple con la hipótesis del modelo y
permite su aplicabilidad.
48
3.1. PARÁMETROS Y VARIABLES
El modelo de portafolios para el assortment es una variación del
modelo de la teoría de portafolios ideado por Markowitz, explicado en detalle
en el capítulo anterior.
Las variables y los parámetros de este nuevo modelo están asociados
a la necesidad de encontrar el surtido de modelos con énfasis en la
rentabilidad de los mismos pues se ha demostrado que un buen assortment,
compuesto por productos rentables y atractivos para el consumidor, genera
un gran impacto en las ventas del retailer.
La primera segmentación de los datos se realizó para separar las
tiendas en tres clusters diferentes, agrupando según semejanza de clientes
basado en nivel socioeconómico, sexo y edad.
Posteriormente, pensando en la entrega de los resultados, se
segmentaron los productos en grupos según marca, rango de precio y ciclo
de vida, para cada subclase. Por lo tanto, los parámetros y las variables se
obtuvieron para esos grupos de productos.
Las variables de decisión corresponden a cada porcentaje de modelos
de una marca 푚, un rango de precio 푝 y un ciclo de vida 푎, para cada cluster
푗, denotado por 푋 .
49
El modelo de Markowitz ha servido de base para postular una solución
al problema del portafolio de productos. Las nociones de rentabilidad y
varianza anunciadas tienen su símil en el surtido, en donde los porcentajes
de producto tipo a llevar en las tiendas corresponderían al vector 푤.
Los parámetros de este problema de optimización son las
rentabilidades de cada uno de estos grupos de modelos generados con la
segmentación, denotadas por 푟 , y las varianzas asociadas a estas
rentabilidades, representando el nivel de riesgo al elegir cada grupo de
modelos para pertenecer al surtido, correspondiendo a 휎 1.
Otros parámetros existentes en el modelo están relacionados a las
restricciones impuestas por la empresa, como las cotas de los porcentajes
para cada grupo de modelos, así como también cotas para el total de
modelos básicos y ventana que debe tener el surtido de la temporada y el
nivel de riesgo aceptable dentro del mismo. Los primeros valores se
expresan como 훼 y 훽 ; 훾 para la cota de productos básicos por cada
cluster, 훿 el total de modelos ventana y 휀 la varianza máxima aceptada.
1 Los valores de las varianzas asociadas a cada grupo de modelos se obtiene mediante el cálculo de la desviación estándar del vector rentabilidad, cuya rentabilidad se obtiene a través del margen/costo para cada grupo.
50
3.2. RESTRICCIONES
Las restricciones asociadas a las variables de decisión vienen dadas
debido al origen de éstas. La primera en mencionar es que como las
variables 푋 son porcentajes, cada una de ellas debe ser mayor o igual a
cero:
푋 ≥ 0
Además, la suma de los porcentajes de modelos, para cada cluster,
debe ser igual a 1:
푋 = 1, ,
Las restricciones presupuestarias y de capacidad impuestas por la
empresa a los compradores establece que para cada subclase-cluster los
modelos deben estar acotados. Estas restricciones buscan limitar la
selección de los productos por parte de los compradores también con el fin
de lograr un óptimo surtido no necesariamente llenando las tiendas con
productos, sino que realicen una selección más recabada del assortment.
Las restricciones asociadas las cotas inferiores y superiores se
muestran a continuación:
51
‒ Restricción para que el nivel de riesgo, en términos de la varianza del
retorno, sea menor o igual al valor estipulado por la empresa:
푋 ∗ 휎, ,
≤ 휀, paracadacluster푗
‒ Restricción que establece las cotas inferior y superior para los
porcentajes de cada grupo de modelos de cada cluster 푗 y marca 푚:
훼 , ≤ 푋,
≤ 훽 ,
‒ Las siguientes restricciones establecen que el total de productos de
ciclo de vida básico o ventana deben ser menores o igual a un valor
estipulado por la empresa:
푋 ≤ 훾,
á
푋 ≤ 훿,
52
3.3. FUNCIÓN OBJETIVO
El modelo de optimización consiste en maximizar la rentabilidad del
surtido, sujeto a las restricciones detalladas en la sección anterior.
La rentabilidad del assortment final estará dada por los porcentajes de
cada grupo de modelos y su respectiva rentabilidad, por lo tanto, la función
objetivo queda expresada de la forma:
Max
푋 ∗ 푟, ,
El modelo queda entonces definido de la siguiente forma:
Max
푋 ∗ 푟, ,
푠푢푗푒푡표푎 푋 ∗ 휎, ,
≤ 휀
훼 ≤ 푋,
≤ 훽
푋 ≤ 훾,
á
푋 ≤ 훿,
푋 = 1, ,
푋 ≥ 0
53
4. DESARROLLO
4.1. ANÁLISIS DE DATOS
Es común encontrar falencias en las bases de datos de una empresa
y esto puede ocurrir por varios motivos. Los encargados de las bases no
siempre incluyen las variables necesarias para un estudio posterior del
comportamiento de las ventas o, como es común encontrar, los compradores
no son rigurosos al momento de ingresar los datos. Es por eso que la
exploración inicial de éstos resulte una tarea importante, no tan sólo para
saber con lo que se estará trabajando, sino también para establecer criterios
sobre qué debe contener una base de datos completa.
La base de datos con la cual se trabajó corresponde a los datos de tres
temporadas: Invierno 2007 (I2007), Verano 2008 (V2008) e Invierno 2008
(I2008) de las subclases Cuadro Bikini, Pijama Algodón Dama y Sostén
Fashion. Esta base contiene los datos de las ventas realizadas durante este
período de tiempo, agrupadas por semanas. En la siguiente tabla se detallan
los campos que contiene esta base de datos:
54
Tabla 3: Campos de la base de datos
Año
Período: Correspondiente al mes
Semana: Definida por valores del 1 al 5
Local: id de la tienda
xLocal: Nombre de la tienda
SubClase: id de la subclase
xSubClase: Nombre de la subclase
Marca
Origen Proveedor: Corresponde a si el SKU es nacional o importado
Modelo: Nivel superior al SKU, definido como un id
SKU: id del SKU
xSKU: Descripción del SKU: marca, modelo, color y talla
Dimensión 1: Corresponde al color del SKU
xDimensión 1: Nombre de la tabla de donde proviene el color
Dimensión 2 Corresponde a la talla del SKU
xDimensión 2: Nombre de la tabla de donde proviene la talla
mPrecio: Precio inicial del SKU
Inventario disponible: Inventario existente en cada semana
Vta unidades: Unidades vendidas del SKU
Venta neta: Valor en pesos ($) de las ventas del SKU
Costo: Costo del SKU al momento de la venta
Fecha creación: Fecha de creación del registro del SKU
Estado: El SKU puede estar activo, descontinuado u obsoleto
Todos los análisis y los cálculos de la exploración de los datos fueron
realizados para cada subclase bajo los mismos criterios. A pesar de tratarse
de subclases diferentes, se encontraron las mismas falencias en la base, las
que corresponden a: falta del 90% de los datos en la columna de las tallas,
intercambio de información entre las columnas talla y color y nombres de
55
tiendas mal escritos; en donde este último dificultaba las búsquedas por
nombre de tienda.
Por estas razones, como paso inicial se realizó una limpieza de la
base, corrigiendo los nombres de las tiendas e intercambiando las
dimensiones de talla y color respectivas, de modo que los análisis
posteriores pudieran realizarse sin ningún inconveniente.
Por política de la empresa, las tallas no están incluidas en la base de
datos porque el sistema de pedido de los productos se basa en curvas de
tallas por modelo. Estas curvas definen cuántos SKU por cada talla se debe
comprar. Dado que Falabella no utiliza este nivel para definir el surtido de
sus productos, sino que es una variable fija limitada por la cantidad de
productos a comprar de un mismo modelo, no será relevante para nuestro
análisis.
Se constató en esta revisión que un SKU está compuesto por un
modelo, un color y una talla. El modelo por su parte corresponde a un “tipo”
de producto de una cierta marca, por lo tanto, cuando se habla de modelo la
marca está incorporada como una variable relevante. El modelo, por ende,
corresponde a un nivel más agregado que el SKU.
Las ventas semanales que aparecen en la base de datos corresponden
a ventas semanales de cada SKU, por tienda y no es posible tener datos
relacionados a los clientes y sus preferencias de forma directa.
56
4.1.1. Categoría, clases y subclases
En la industria del retail los productos se dividen en diferentes
categorías. Estas categorías son creadas para diferenciar y agrupar a los
productos por sus atributos, lo que permite una completa gestión de la
categoría que incluye la determinación del rol que cumple para el retail,
evaluación de su desempeño, proposición de metas y objetivos, elaboración
de estrategias y tácticas, planes de implementación y una continua revisión
de la categoría. [31]
Falabella maneja, además del término categoría, otros que le
permiten una mejor administración de sus productos. En la categoría de
vestuario damas, existen diversas líneas que definen los diferentes grupos
entre los cuales todo el vestuario dama se puede dividir. Igualmente, estas
líneas se dividen en sub-líneas, las cuales poseen diferentes clases, otra sub
clasificación. Las clases por su lado, terminan por agruparse en las
llamadas subclases, las que constituyen el último grupo de productos en los
niveles de clasificación de Falabella.
Este trabajo se desarrolla en base a las subclases Sostén Fashion,
Cuadro Bikini y Pijama Algodón Dama. La subclase Sostén Fashion
pertenece a la clase Sostenes, Cuadro Bikini pertenece a la clase Cuadros y
Pijama Algodón Dama a Pijama. Las dos primeras correspondientes a la
sub-línea Corsetería, mientras que la última a la sub-línea Lencería.
A continuación se presenta la tabla donde detalla el total de las clases
y subclases pertenecientes a las sub-líneas analizadas.
57
Tabla 4: Sub-líneas, clases y subclases.
Sub-Línea Clase SubClase Corsetería Accesorios Corsetería Accesorios Corsetería
Conjuntos Conjunto Fashion Cuadros Cuadro Control
Cuadro Fashion Cuadro Pack Cuadro Colaless Cuadro Hikini Cuadro Bikini Cuadro Tanga Cuadro Maternal Cuadro Maxi Cuadro Microfibra
Fajas Faja Estomago Faja Pierna Larga Faja Corte Clásico Faja Corte Rebajado Faja Maternal
Modeladores Modeladores Fashion Modeladores Control Modeladores Algodón Lycra Modeladores Soporte
Sostenes Sostén Fashion Sostén Maximizer Sostén Minimizer Sostén Strapless Sostén Deportivo Sostén Soporte Sostén Estomago Sostén Maternal Sostén Algodón Lycra Sostén Microfibra
Lencería Accesorios Accesorios Babydoll Babydoll Satin
Babydoll Algodón Babydoll Gasa/Encaje
58
Batas Bata Satin Dama Bata Algodón Dama Bata Mouflon Dama Bata Toalla Dama
Camisas de dormir Camisa de dorm. Algodón Camisa de dorm. Moleton Camisa de dorm. Satin
Camisetas Camiseta Camiseta mc Camiseta sm
Pantalones Pantalones Shorts
Pijama Pijama Algodón Dama Pijama Mouflon Dama Pijama Moleton Dama Pijama Satin Dama
Zapatilla Levantarse Damas Zapatilla Levantarse Damas Pantys y Calcetas
Calcetas Calcetas Algodón Calcetas Lana Dama Calcetines Mezcla
Camisetas Camiseta Básica Camiseta Moda
Pantys elasticadas Panty Elasticada Pantys Fantasía Leggins
Como se puede observar, las subclases analizadas corresponden a
un 5% del total de las subclases de la línea, sin embargo, no se puede
establecer qué tanto peso poseen dentro de la misma pues no se cuentan
con los datos transaccionales de toda la línea.
A partir de este momento, todos los análisis realizados a las
subclases mencionadas serán posibles comparaciones entre ellas, pero que
no establecen, necesariamente, que sean las subclases más importantes
59
dentro de la línea. Además, se busca mostrar la diferencia en el volumen de
ventas y cantidad de productos que cada una de estas subclases manejan
durante las temporadas y determinar que, por estas mismas diferencias, los
surtidos también podrían ser completamente diferentes entre sí.
A continuación siguen algunos gráficos que permiten mostrar el
movimiento de estas tres subclases durante el período de un año y medio
según calendario, correspondientes a tres temporadas.
Gráfico 5: Unidades totales vendidas por subclase.
En el gráfico se puede observar que si bien la subclase Pijama
Algodón Dama es la que posee mayores unidades vendidas durante las
temporadas, los números de venta no son tan distantes entre sí y además
las subclases presentan un comportamiento similar, en donde se denota que
durante la temporada de verano se produce una mayor venta de unidades
en cada una de las subclases.
-
50.000
100.000
150.000
200.000
250.000
I2007 V2008 I2008
CUADRO BIKINI
PIJAMA ALGODÓNDAMASOSTÉN FASHION
60
En el siguiente gráfico se podrá observar las ventas, relacionado al
monto, que cada una de estas subclases presentó durante el período.
Gráfico 6: Ventas totales por subclase.
En el gráfico de ventas se observa la gran diferencia del monto total
obtenido durante las temporadas por la subclase Cuadro Bikini y las otras
dos temporadas. Esto se explica debido a que la subclase Cuadro Bikini está
constituida por productos de bajo valor en comparación con los productos
vendidos en las otras subclases. Un análisis agregado demostró que el 37%
de los sku´s de esta subclase posee un valor de venta hasta $2.490 y otro
44% un valor entre $2.500 y $6.990, lo que totaliza un 81% de los productos
vendidos por esta subclase. El mismo análisis realizado a las otras
subclases arrojó que para la subclase Pijama Algodón Dama, el 70% de los
productos se sitúa en el rango de precio entre $5.990 y $12.990; y para la
subclase Sostén Fashion el resultado es que el 60% de ellos se encuentra
entre $8.490 y $19.990.
-
200.000.000
400.000.000
600.000.000
800.000.000
1.000.000.000
1.200.000.000
1.400.000.000
1.600.000.000
1.800.000.000
I2007 V2008 I2008
CUADRO BIKINI
PIJAMA ALGODÓNDAMASOSTÉN FASHION
61
Estos datos corroboran que a pesar que las unidades vendidas por las
subclases no presentan mucha diferencia entre sí, los montos de venta
totales sí y esto se explica puesto que los productos de cada subclase se
encuentran en rangos de precios distantes, razón por la cual los montos
totales también lo serán.
Gráfico 7: Inventario promedio semanal por subclase
Se observa del gráfico anterior que el inventario promedio de la
subclase cuadro bikini presenta un aumento considerable. Sin embargo,
analizando en conjunto con los dos gráficos anteriores las ventas totales y
las unidades vendidas para esta subclase no se ha incrementado,
suponiendo con esto que mayor inventario no necesariamente implica un
crecimiento en la ventas de la temporada. Para las demás subclases el nivel
de inventario promedio ha permanecido prácticamente constante.
5
10
15
20
25
30
35
I2007 V2008 I2008
CUADRO BIKINI
PIJAMA ALGODONDAMASOSTEN FASHION
62
Gráfico 8: Promedio de modelos diferentes a la venta semanalmente
por subclase.
En cuanto se refiere a variedad, vista como la cantidad de diferentes
modelos puestos a la venta por cada subclase, se observa del gráfico
anterior que la subclase que posee la mayor cantidad de diferentes modelos
es Sostén Fashion, seguida de cerca por Pijama Algodón Dama. Bien más
abajo se ubica la subclase Cuadro Bikini con un promedio de 30 modelos
diferentes en venta por semana.
Este gráfico está creado por datos semanales pues permite visualizar
la variación en la cantidad de modelos de manera más clara, como se puede
observar para el caso de la subclase Pijama Algodón Dama donde se
presenta una disminución de los modelos durante las semanas 20 a 22 y 50
a 52. Esto se explica debido a que corresponden a épocas de liquidación de
la tienda en donde los pijamas, por ser productos con características muy
diferentes sean de verano o invierno, deben pasar un proceso de liquidación
0,00
10,00
20,00
30,00
40,00
50,00
60,00
70,00
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77
Cuadro Bikini
Pijama AlgodónDamaSostén Fashion
63
en donde los productos de invierno deben salir de la tienda para que
ingresen los de verano, y viceversa.
Es un comportamiento que también se observa, aunque en menor
medida, para el caso de la subclase Sostén Fashion, mientras que para la
subclase Cuadro Bikini esto se observa de manera aún menos perceptible.
Sin embargo, dado que el proceso de liquidación al final de una temporada
afecta a la totalidad de la línea, los modelos de una temporada deben ser
reemplazados por los nuevos modelos de la temporada entrante.
4.1.2. Segmentación de tiendas
Falabella tiene locales en todo el país, de los cuales 35 tiendas son
relevantes para este estudio porque son las que poseen a la venta las
subclases que se estudia en este trabajo, pero hay otras 28 que aparecen en
la base de datos, que no corresponden a divisiones propias de la categoría
estudiada.
Trabajar con las tiendas por sí solas entrega información detallada del
comportamiento de sus clientes, pero impedía realizar análisis más
agregados que pudieran aportar con resultados más robustos. De ahí la
iniciativa de agrupar las tiendas que tuvieran características en común.
Como punto de partida, y debido a la gran cantidad de tiendas que
posee Falabella fue necesaria realizar una clusterización de las mismas,
para permitir un manejo más fácil y agregado de los datos.
64
A través de un estudio realizado por el departamento de marketing de
la empresa, cuya información fue obtenida a través de CMR Falabella, se
realizó una clusterización mediante el método K-Media. Este método busca
separar los elementos de un conjunto en K grupos distintos, en donde cada
grupo tenga la mayor varianza entre grupos y menor varianza intra-grupos.
Se utilizó la información de sus clientes bajo los criterios de correlación de
grupo socioeconómico, sexo y edad, por cada par subclase-marca (ejemplo:
sostén fashion – basement, sostén fashion – triumph, etc.). Posteriormente
se realiza el mismo estudio para el total de las marcas, por cada subclase,
es decir, las marcas se agregan para analizar el total de la subclase.
El estudio entregó tres diferentes tipos de agrupaciones: tres clusters,
cuatro clusters y cinco clusters. Mirando con más detención cada grupo de
tiendas se optó por utilizar la agrupación que contenía tres cluster porque
era más representativa de la población y las demás agrupaciones generaban
un cluster con sólo un par de elementos, lo que finalmente atentaba en
contra del objetivo inicial de la segmentación. La siguiente tabla muestra la
composición de cada cluster.
65
Tabla 5: Clusters de tiendas
CLUSTERS 1 2 3
Alto Las Condes Chillán Damas - Centro La Dehesa Concepción Centro Calama
Lyon Copiapó Centro Manquehue Curicó El Trébol
Parque Arauco Estación Central Iquique La Calera La Serena Los Ángeles Mall Antofagasta Melipilla Plaza Oeste Osorno Plaza Vespucio Plaza Norte Punta Arenas Plaza Puente Quilpue Puerto Montt Tobalaba Rancagua Viña del Mar Talca Temuco Valdivia Valparaíso
Estos cluster no fueron seleccionados según el nivel de ventas de cada
local por lo que el objetivo de la segmentación no fue nivelarlos en relación a
unidades vendidas o ventas totales. Se necesitaba, principalmente, que
representara las características de los consumidores.
De allí se extrae, como se esperaba, que el primer cluster está
constituido por las cinco (5) tiendas reconocidas como el consumidor Abc1
del barrio Oriente de Santiago. El segundo cluster está constituido, casi en
su totalidad, por tiendas de regiones ubicadas en ciudades pequeñas en
66
volumen de población (comparativamente). Las tiendas santiaguinas que
pertenecen a él son relativamente nuevas, por lo que el comportamiento de
ellas puede asimilarse a las de regiones por el nivel de variedad que
muestran. Ya el cluster tres está constituido por aquellas tiendas de Santiago
con un gran volumen de clientes, un consumidor con características
variadas, que se comparan con las tiendas de regiones pertenecientes a él,
tiendas establecidas hace bastante tiempo y que constituyen las tiendas
principales, en capacidad y variedad, de ciudades con un volumen de
población considerable en relación al total del país.
A continuación se observan gráficos representativos de las ventas de
cada cluster, que permite, de aquí en adelante, comprender la magnitud de
los datos generados.
Gráfico 9: Unidades vendidas por subclase, temporada y cluster
- 10.000 20.000 30.000 40.000 50.000 60.000 70.000 80.000 90.000
100.000
I200
7
V200
8
I200
8
I200
7
V200
8
I200
8
I200
7
V200
8
I200
8
Cluster 1 Cluster 2 Cluster 3
Cuadro Bikini
Pijama AlgodónDamaSostén Fashion
67
Se observa del gráfico que las tres subclases se asemejan en que las
unidades vendidas durante la temporada de verano son mayores que en
temporada de invierno. Además, las unidades vendidas por la subclase
Pijama Algodón Dama son significativamente mayores que cualquiera de las
dos restantes subclases. El cluster uno presenta menores unidades
vendidas porque, comparativamente con los cluster dos y tres, éste sólo está
compuesto por cinco tiendas, mientras que los demás poseen el doble o
triple de esa cantidad. Este mismo comportamiento se visualiza en el
siguiente gráfico, donde se muestran el total del monto vendido por
subclase.
Gráfico 10: Monto total vendido por subclase, temporada y cluster
En este gráfico también se observa que a pesar de la diferencia vista
en el gráfico anterior en las unidades vendidas entre invierno y verano, para
las subclases Cuadro Bikini y Pijama Algodón Dama no se presenta una
-
100.000.000
200.000.000
300.000.000
400.000.000
500.000.000
600.000.000
I200
7
V200
8
I200
8
I200
7
V200
8
I200
8
I200
7
V200
8
I200
8
Cluster 1 Cluster 2 Cluster 3
Cuadro Bikini
Pijama AlgodónDamaSostén Fashion
68
020406080
100120140160180200
I2007 I2008 V2008 I2007 I2008 V2008 I2007 I2008 V2008
Cluster 1 Cluster 2 Cluster 3
Cuadro Bikini
Pijama AlgodónDama
Sostén Fashion
diferencia significativa en los montos como sí se puede ver en la subclase
Sostén Fashion. Además, el cluster uno para las subclases Cuadro Bikini y
Sostén Fashion tampoco presenta mucha diferencia en relación al monto
total vendido en el resto de los clusters. Una respuesta a este hecho sugiere
que los modelos que se venden en el cluster uno son más caros que los
vendidos en los otros, lo que corrobora que el cluster uno corresponda a la
clase social más alta del país y por ello en ese cluster existe la posibilidad de
vender productos diferentes y pertenecientes a un rango de precio mayor al
promedio al cual las demás clases sociales pueden acceder. Otra posible
explicación es la que debido a cambios en el precio de los productos,
generalmente efectuados a final de temporada, en donde los cluster de
clientes con menor nivel socioeconómico son más propensos a comprar,
mientras que para clientes tipo Abc1 ubicados en el cluster uno, podrían
realizar sus compras cuando el producto posee el precio inicial pues tienen
una restricción presupuestaria mayor.
Gráfico 11: Cantidad de modelos diferentes por subclase, temporada y
cluster
69
Ya en el gráfico anterior se puede constatar que en el cluster uno se
presenta una mayor variedad vista como una mayor cantidad de distintos
modelos en la tienda, lo que ocurre para las subclases Cuadro Bikini y
Sostén Fashion. Esto confirma que en ese cluster se venden modelos
diferentes de los vendidos en los demás. La clase Pijama Algodón Dama no
refleja este hecho siendo que la cantidad de modelos es similar para cada
uno de los cluster.
La agrupación en clusters facilitó el análisis dado que la información
agregada hace posible un manejo rápido de los datos. Además de la gran
cantidad de tiendas que se tienen, la base de datos correspondiente posee
en total 2.719.502 datos, lo que no permitía realizar consultas más rápidas o
trabajarlos en planillas Excel.
Gracias a esta distribución es posible encontrar similitudes en el
comportamiento de los datos según cada cluster, permitiendo establecer
criterios particulares para cada uno y los resultados serán más fidedignos en
relación a la preferencia del consumidor representativo a ese cluster.
En lo que respecta al manejo de los datos, a lo largo de todo el trabajo
se utilizará el concepto de cluster de tiendas, según subclase. Además,
como la clusterización fue hecha en base a las características similares de
los consumidores, para la obtención de los resultados del assortment, éstos
serán entregados de forma agregada por cluster, pudiendo, posteriormente,
encontrar los valores para cada tienda según sea la proporción de la tienda
relativa al cluster al cual pertenece.
70
4.1.3. Segmentación de productos
Para establecer los criterios sobre cómo realizar la segmentación de
los productos, para definir los grupos de modelos sobre los cuales se
entregaran los resultados del surtido, se observó en detalle los atributos de
cada SKU contenido en la base de datos.
Para este caso se manejan varios atributos que definen un producto,
los cuales resultan ser transversales a todas las sub-categorías estudiadas.
Se habla de marca, precio, origen proveedor (nacional/importado), ciclo de
vida, modelo, color y talla. Entre todos estos atributos, la talla no es
relevante para la decisión de compra de Falabella dado que por cada
modelo elegido las tallas se seleccionan según una curva que define la
cantidad de cada tamaño a comprar. Lo mismo se podría decir del color, que
es definido por el pack entregado por el proveedor y además, es un atributo
muy dinámico dependiendo netamente de la moda impuesta para una
temporada (el color también puede referirse al diseño).
De los atributos restantes, el origen proveedor se relaciona
principalmente con la logística y distribución de los productos. Cuando se
habla de proveedor importado corresponde a aquellos productos que se
traen desde el exterior (en particular desde China) por lo que la definición del
surtido y la cantidad a comprar debe ser hecha por lo menos un año antes
de la temporada dado que su despacho se demora aproximadamente seis
meses. Lo referente a proveedor nacional son compras realizadas a
proveedores dentro del país, lo que flexibiliza la posibilidad de compras
durante la misma temporada.
71
Se decidió, por lo tanto, que los atributos que mejor permiten
caracterizar a los productos son marca, rango de precio y ciclo de vida. La
elección de estas variables no fue al azar y responden a una serie de
criterios, explicados a continuación, que permiten obtener un portafolio
variado, flexible y en función del manejo logístico utilizado por Falabella,
principalmente porque son atributos estándares a todos los productos.
En primer lugar, la marca es un atributo constante con el cual los
consumidores se identifican y establecen preferencias a través del tiempo.
La marca de un producto es uno de los atributos más relevantes al momento
de elegir. En el estudio de Fisher y Vaydyanathan (2009) [16] definen la
marca como uno de los atributos del modelo utilizado para optimizar el
assortment en retail.
El rango de precio determina la disponibilidad de compra de los
consumidores, lo que genera, a largo plazo, una preferencia por aquellos
productos que poseen precios similares a su disponibilidad a pagar
El ciclo de vida es un atributo que permite a Falabella manejar el layout
de sus locales durante toda la temporada, logrando reflejar variedad
mediante el ingreso de nuevos productos destinados a ser vendidos durante
tres meses (correspondientes a la mitad de una temporada) y manteniendo
los productos básicos durante toda la temporada vigente. Permite también
que los consumidores diferencien los productos de moda de los productos
básicos.
72
Otro estudio sobre decisiones de surtido afirma que un assortment
debería ser cualitativa y cuantitativamente consistente. Cualitativamente en
términos de la imagen de la tienda, donde deben distinguir entre productos
básicos y los adicionales. Los últimos son seleccionados para maximizar las
ventas cruzadas con los productos básicos. Por ello, manejar el producto
según su atributo de ciclo de vida resulta ser tan importante, no tan sólo para
la logística de la tienda, sino además, para aumentar el valor del surtido en
términos de variedad y rentabilidad. Por otro lado, cuantitativamente
consistente referido a la rentabilidad que genera para la compañía. [4]
De esta forma, los grupos de modelos estará compuesto por elementos
de una marca 푚, perteneciente a un rango de precio 푝, con 푝 ∈ {1 − 퐵푎푗표,
2 −푀푒푑푖표, 3 − 퐴푙푡표} y ciclo de vida 푎, con 푎 ∈ {퐵á푠푖푐표,푉푒푛푡푎푛푎}.
Marca
Para definir cómo el atributo “marca” se verá reflejado en cada uno de
los grupos de productos, inicialmente, se constató que cada subclase tiene
en promedio entre 10 y 15 marcas distintas. Este valor es difícil de manejar
pensando que la segmentación sería hecha por otros dos criterios más,
además de las marcas. Por esta razón, por cada subclase, se analizó el total
en el monto y las unidades vendidas de cada una de las marcas para
establecer cuáles eran las más relevantes dentro de cada subclase.
Como criterio para seleccionar las marcas se observaron los resultados
del total de las ventas, de las unidades vendidas y también las marcas que
poseen mayor cantidad de modelos diferentes a la venta. Los resultados
mostraron ser muy similares entre sí puesto que, eligiendo aquellas marcas
73
que constituyen el 80% del monto total vendido resultaron ser las mismas
que representaban más del 85% de las unidades vendidas y aquellas que
poseían más del 80% del total de modelos de toda la subclase.
Así, para las subclases Cuadro Bikini y Pijama Algodón dama se
seleccionaron cinco marcas como las relevantes, dejando a las restantes en
la sexta marca catalogada como “Otras”. Para la subclase Sostén Fashion
se seleccionaron seis marcas, dejando las restantes como la séptica marca
“Otras”. En la siguiente tabla se muestran todas las marcas por cada
subclase y en color verde las marcas seleccionadas.
Tabla 6: Marcas por subclase
CUADRO BIKINI PIJAMA ALGODÓN DAMA SOSTEN FASHION
SYBILLA SCOCCI FLORES FLORES SYBILLA TRIUMPH
LADY GENNY H KITTY BASEMENT PALMERS BASEMENT MAIDENFO
BASEMENT PUCCA LADY GENNY LIZ
OTRAS
LADY GENNY
OTRAS
SYBILLA LEONISA DISNEY LIZ
OTRAS
IN.JOY UNIVERSI PALMERS TRIUMPH H BUNNY LEONISA
MAIDENFO AGATHA SLOGGI WOMEN SECR DISNEY
DISNEY KOSIUKO AMERICANIN WOMEN SECR
H KITTY IN.JOY AGATHA
Esta segmentación apunta a establecer cuáles son las marcas más
importantes al momento de definir un surtido de productos. Esto dado que
muchas veces el comprador acude al proveedor perteneciente a una marca
74
en particular y en ese momento recibe las muestras de los productos para
una nueva temporada, sobre las cuales posteriormente debe elegir.
El llamar al resto de las marcas no seleccionadas como las importantes
de “Otras” posibilita el análisis de estos modelos que comparten las mismas
características en su rango de precio y ciclo de vida, pero difieren en la
marca, lo que a futuro permite ser más flexible en las marcas de estos
productos, pero manteniendo la variedad asociada al agregar estos modelos
al assortment.
Rango de Precio
La variable rango de precio se refiere al segmento de precio al que un
producto pertenece según su valor de venta inicial. La clasificación se realiza
dentro de una misma subclase, independiente de la marca del SKU, lo que
posibilita reunir a los productos según la disponibilidad a pagar de sus
consumidores. Esta variable resulta ser un atributo estable de un producto
dado que un SKU siempre pertenecerá a uno de los segmentos, mientras
que las marcas, modelos y colores cambian con el tiempo y según la “moda”
en una temporada determinada.
Al entregar un resultado que determina que el portafolio óptimo
corresponde a un cierto porcentaje de productos que debieran caer en cada
uno de estos segmentos de precio permite establecer una variedad de
modelos y colores que cumplan con el precio establecido para el portafolio y
entrega una mayor flexibilidad al comprador para decidir, dentro de la
cantidad requerida, a qué tipo de modelos debe apuntar. De esta manera,
consumidores con una misma disponibilidad a pagar podrán elegir entre
75
varias alternativas disponibles, lo que posibilita la sustitución entre productos
de un mismo rango de precio, pero diferentes marcas o modelos.
La metodología utilizada para establecer los diferentes rangos de
precios se detalla a continuación. Se seleccionó, para cada subclase, todos
los precios existentes para los modelos de las temporadas en estudio.
Ordenando la lista de precios de menor a mayor, se obtuvo como rango de
precio 1 (bajo) al 25% de los precios más bajos, como rango de precio 3
(alto) el 25% de los precios más altos y el rango de precio 2 (medio) como el
50% de los precios restantes, es decir, los precios intermedios. Esta
clasificación fue realizada para cada subclase debido a que los precios
difieran mucho entre una y otra, como por ejemplo, el rango de precio 1-bajo
para la subclase Sostén Fashion podría fácilmente corresponder al rango de
precio 3-alto para la subclase Cuadro Bikini.
Se definió de esta forma cada rango de precio pues analizando todos
los modelos y sus respectivos precios iniciales, se constató que la división
por partes iguales (1/3 para cada rango) no era la más adecuada debido a
que los límites de los cortes para cada uno de los segmentos no
representaban una diferencia significativa entre sus precios. Se miró además
la cantidad de modelos que caían en cada uno de los segmentos y la
clasificación escogida representaba mejor la proporción de los productos en
relación a su precio.
Con esto se obtienen los siguientes porcentajes de productos para
cada nivel de rango de precio, según la subclase y cluster. El nivel Nacional
representado en el siguiente gráfico corresponde a todas las tiendas, sin
distinción.
76
0%
20%
40%
60%
80%
100%
Cluster 1 Cluster 2 Cluster 3 Nacional
CUADRO BIKINI
37%53% 52% 47%
44%40% 41% 42%
19% 7% 6% 11%
Rango Precio 3
Rango Precio 2
Rango Precio 1
0%
20%
40%
60%
80%
100%
Cluster 1 Cluster 2 Cluster 3 Nacional
SOSTEN FASHION
27% 29% 28% 28%
35% 34% 35% 35%
38% 37% 37% 37%
Rango Precio 3
Rango Precio 2
Rango Precio 1
0%
20%
40%
60%
80%
100%
Cluster 1 Cluster 2 Cluster 3 Nacional
PIJAMA ALGODON DAMA
36% 37% 37% 36%
40% 40% 40% 40%
24% 24% 23% 24%
Rango Precio 3
Rango Precio 2
Rango Precio 1
Gráfico 12: Porcentaje de modelos pertenecientes a cada rango de
precios, subclase Cuadro Bikini
Gráfico 13: Porcentaje de modelos pertenecientes a cada rango de
precios, subclase Pijama Algodón Dama
Gráfico 14: Porcentaje de modelos pertenecientes a cada rango de
precios, subclase Sostén Fashion
77
Era de esperar que la distribución de los modelos entre las diferentes
tiendas fuera muy similar dado que se pretende que los consumidores
tengan la misma variedad independiente del lugar a donde compren. Se
recuerda que estos gráficos corresponden a los diferentes modelos que caen
dentro de los rangos de precio establecidos y no se puede observar de ellos
la cantidad destinada a cada uno de esos modelos en las diferentes tiendas
de cada cluster.
Lo más significativo de los gráficos se presenta para la subclase
Cuadro Bikini, en donde se observa una gran diferencia en la cantidad de
modelos pertenecientes al rango de precios 3-alto para el cluster 1. Esto
sugiere que por ser una subclase de productos relativamente más baratos,
comparados en este caso con las otras subclases, se permita agregar al
surtido de ese cluster modelos más caros en donde la disponibilidad a pagar
de los consumidores de esas tiendas es mayor y por lo mismo se plantee un
portafolio con precios superiores al promedio, por lo cual el rango de precios
1-bajo se ve disminuido en relación a lo que ocurre para este rango en los
otros clusters.
Ciclo de vida
Como definición, el ciclo de vida de un SKU corresponde al período de
tiempo durante el cual el producto está en venta. Supone por lo tanto que el
producto tiene una duración finita dentro del mercado y por ende éste se
compra pensando previamente cuál será, o más bien, cuál debería ser su
duración dentro de una temporada.
El análisis del ciclo de vida de los productos de estas subclases pasó
por varias etapas. Como la base de datos de Falabella no consta con esta
78
información, para poder obtener este dato fue necesario que, mediante la
exploración de los datos, se definiera en base al período de venta del
modelo, a qué ciclo de vida corresponde. La metodología final que se llevó a
cabo para establecer el ciclo de vida de los productos permitió definirlos
según las semanas en que fueron vendidos durante todas las tres
temporadas, es decir, el periodo completo de tiempo consta de 78 semanas
(semana 1, 2, 3,…, 26, 27,…, 52, 53,…, 77 y 78) en donde cada temporada
tiene una duración de 26 semanas, correspondiente a seis meses según
calendario. Para ello se definió los siguientes conceptos:
Ventana: Son productos con ciclo de vida menor a 16
semanas, los que ingresan a la tienda a comienzos o a
mediados de una temporada (26 semanas aprox.).
En esta oportunidad se busca diferenciar entre dos tipos de
ventanas: cada temporada tiene una Ventana 1 y una Ventana
2, en donde Ventana 1 es el ciclo de vida para los productos
que ingresan al inicio de una temporada y Ventana 2 para los
que ingresan a mediados de una temporada.
Básico: Son productos con ciclo de vida mayor a 17 semanas,
los que usualmente ingresan a comienzos de cada temporada.
Se observó que dentro de Falabella esta segmentación tiene dos
objetivos. El primero tiene una connotación más bien de moda, el cual define
a un producto ventana como aquél de ciclo de vida más rápido, que posee
más tendencias de la moda estacional, a diferencia de los productos básicos
que poseen una demanda más estable en el tiempo, por lo que los productos
ventana resultan ser más “fashion” que estos últimos. De esta forma permite
a Falabella tener más variedad en sus tiendas, apuntando a todas las
necesidades de sus consumidores. El segundo propósito es que permite
79
definir la rotación de sus productos según su ciclo de vida. Se espera que
dado que los productos básicos están pensados para la venta durante toda
la temporada poseen una menor rotación y niveles de demanda más
estables en el tiempo. A diferencia de los productos ventana, que deben
rotarse constantemente pues de ellos depende que la tienda “luzca”
diferente y variada cada cierto tiempo dentro de la misma temporada, y por
lo cual se espera que la demanda de éstos no sea tan estable.
Los ciclos de vida fueron generados por modelo, sin especificar color ni
talla. Como ya fue explicado el color y la talla no determinan si el producto
será básico o ventana. Además se estableció este ciclo independiente del
lugar de venta del producto. Un producto es ventana o básico en todas las
tiendas del país.
A continuación se especifican los cálculos realizados para encontrar los
ciclos de vida.
A cada semana se le asignó un índice 푡, con 푡 =1,2,..,78. Para cada
modelo 푖 se definió:
i. itV = Ventas (en unidades), a nivel nacional, del modelo 푖 en la
semana 푡.
ii. )(xH i = Semana en la cual se alcanzó el 푥% de la venta total
del modelo 푖
80
Con esto se define la variable:
:min)(1
70
1
t
k kikiki VxVtxH
La cual permite definir el siguiente horizonte de venta:
iD = %)85(iH - %)5(iH , el cual representa el tiempo que le toma al
producto 푖 pasar de un 5% de sus ventas totales al 85% de las ventas
totales.
En base a estas variables se determinó los hitos importantes dentro
de cada temporada:
Inicio Temporadas e inicio Ventana 1: Corresponderá a las
semanas 1, 27 y 53. Según notación anterior, el inicio de las
temporadas e inicio de Ventana 1 estará determinado por
%)5(iH = 1, 27 o 53.
Inicio Ventana 2: Corresponderá a las semanas 14, 40, 66.
Análogo al anterior, el inicio de la Ventana 2 estará
determinado por %)5(iH = 14, 40 o 66.
1. Definición Productos Ventana 1. En teoría un producto es
Ventana 1 si su venta comienza al inicio de una temporada (es decir en las
semanas 1, 27 o 53) y su horizonte de venta es menor o igual a 16 semanas,
suponiendo que dura un poco más de la mitad de la temporada pensando en
el tiempo de liquidación cuando debe empezar a salir de la tienda.
81
Naturalmente, en la práctica, se espera observar variaciones sobre esta
regla general. Por ello, se propuso la siguiente clasificación de un producto
Ventana 1 en la temporada 푗 (푗 = 1, 2, 3).
a. Horizonte de Venta Máximo: Todo producto Ventana 1 debe
satisfacer [퐷 ≤ 16]. Además considera la siguiente sub
clasificación:
b. Sub Clasificación de Ventana 1:
Inicio: Si [(푗 -1)*26 ≤ %)5(iH ≤ (푗 -1)*26+8]
Término: Si [(푗 -1)*26 +8 ≤ %)5(iH ≤ (푗 -1)*26+13 & [
%)50(iH ≤ (푗 -1)*26+13]
Avance: Si [푗 *26 +21 ≤ %)5(iH ≤ (푗 +1)*26] &
[ %)50(iH > (푗 +1)*26]
La sub clasificación Inicio considera productos cuya venta se inicia
dentro de las primeras 8 semanas de la Ventana 1 y su horizonte de venta
no excede las16 semanas.
La sub clasificación Término considera productos cuya venta se inicia
después de la mitad de la Ventana 1 (de la temporada en cuestión), se
alcanza el 50% de sus ventas totales antes del fin de la Ventana 1 y su
horizonte de venta no excede 16 semanas.
La sub clasificación Avance considera productos cuya venta se inicia al
final de la Ventana 2 anterior, se alcanza el 50% de sus ventas totales al
82
comienzo de la Ventana 1 (de la temporada en cuestión) y su horizonte de
venta no excede 16 semanas.
2. Definición Productos Ventana 2. La clasificación de los
productos Ventana 2 sigue la misma estructura que los productos Ventana 1.
a. Horizonte de Venta Máximo: Todo producto Ventana 2 debe
satisfacer [퐷 ≤ 16].
b. Sub Clasificación de Ventana 2:
Inicio: Si [(푗-1)*26+13 ≤ %)5(iH ≤ (푗 -1)*26+21]
Término: Si [(푗 -1)*26 +21 ≤ %)5(iH 푗 *26] &
[ %)50(iH ≤푗 *26]
Avance: Si [(푗 -1)*26 +8 ≤ %)5(iH ≤ (푗 -1)*26+13 & [
%)50(iH > (푗 -1)*26+13]
3. Definición Productos Básicos. Por defecto, se define los
productos Básicos como todos aquellos que no son Ventana 1 o Ventana 2,
es decir, [퐷 > 16]. La temporada asociada a un producto Básico es aquella
en la que el producto alcanzó el 50% de sus ventas.
83
Las definiciones anteriores se utilizaron para establecer los ciclos de
vida de cada modelo. Se determinaron los valores %)5(iH , %)85(iH ,
%)50(iH y [퐷 ≤ 16] para cada uno de ellos. Con esta información estaban
las condiciones de aplicar las reglas definidas más arriba y se encontraron
los siguientes resultados, mostrados en el siguiente gráfico:
Gráfico 15: Porcentajes de modelos básicos y ventana por subclase
0%
20%
40%
60%
80%
100%
Cuadro Bikini Pijama AlgodónDama
Sostén Fashion
61%42%
65%
39%58%
35%
Ventana
Básico
84
4.2. DETERMINACIÓN DE PARÁMETROS Y VARIABLES
Una vez establecidos los atributos que tendrán los modelos
pertenecientes a los diferentes grupos de productos la información de la
base de datos se organizó en base a ellos para empezar a calcular los
parámetros del modelo.
En primer lugar, por cada modelo 푖 y cluster 푗se obtiene el monto total
de las ventas y los costos durante la temporada, denominados 푉 y
퐶 respectivamente. La rentabilidad promedio semanal 푟 se calcula de la
siguiente forma:
푟 =푉 − 퐶퐶 ∗ 푇
En donde 푇 corresponde a las semanas durante las cuales el modelo
estuvo a la venta. Este tiempo se calcula en base a la información del mes
inicial y mes final de venta obtenidos inicialmente para determinar el ciclo de
vida del producto, en donde el mes inicial corresponde al mes que alcanza el
5% de sus ventas totales y el mes final cuando alcanza el 85% de sus
ventas totales.
Posteriormente se calcula la rentabilidad promedio y el riesgo por cada
uno de esos modelos según sea la marca, el rango de precio y ciclo de vida
al que pertenecen. A este conjunto de modelos del cluster 푗,que pertenecen
85
a una marca 푚, a un cierto rango de precio 푝 y ciclo de vida 푎 se
denominará como 푀 .
La rentabilidad 푟 y la varianza 휎 de este producto se calculan de
la siguiente forma:
푟 = 푟
푀
∈
휎 = 푟 − 푟푀
∈
Estos valores permiten conocer la rentabilidad del portafolio de
productos, lo que proporciona una herramienta para gestionar las ganancias
y el riesgo que se quiera tener según el tipo de productos a llevar en cada
tienda.
Con los datos del inventario de cada uno de los modelos y sus ventas
fue posible determinar el porcentaje actual de cada uno de los grupos de
productos definidos.
Previa la utilización de estos datos se filtró aquellos que no aportaban a
la información e inducían a errores y a nociones equivocadas de la cantidad
real de los modelos y rentabilidades promedio. Se marginó del cálculo a
aquellos modelos que poseían un inventario menor a cero y a cuyas ventas
totales semanales fueran inferior a $100.000, un número arbitrario que
86
corresponde al 0,1% del total de las ventas y que permite discriminar el ruido
que aportan a los resultados. Observando los datos se podría decir que
productos que sumen un total de ventas menor a ese valor podría
corresponder a saldos de temporadas pasadas por lo que ingresar estos
valores al análisis de las temporadas actuales podría distorsionar los
resultados. Lo mismo se realizó para las semanas de mucha alza, por
ejemplo navidad, día de la madre, etc. El objetivo de este filtro es el mismo al
definir el tiempo 푇 como aquél correspondiente entre el momento en que el
modelo ha vendido el 5% y el 85% del total de la temporada pues con esto
se deja fuera el periodo de liquidación de los productos, donde los precios
son significativamente inferiores a su valor inicial y la percepción de estos
modelos en relación a su rango de precio definido previamente ha cambiado.
A continuación se adjuntan las tablas en donde se detallan las
estimaciones de las rentabilidades, la varianza y los valores de los
porcentajes de cada grupo de productos, además de la rentabilidad y la
varianza del cluster 1 para la subclase Cuadro Bikini.
Los resultados de los cálculos de las rentabilidades y las varianzas de
cada grupo se encuentran en la sección Anexos, punto 8.1: Rentabilidades y
varianzas por cada grupo de productos. Las tablas correspondientes a las
subclases y clusters faltantes se encuentran en el punto 8.2: Porcentajes
actuales por cada grupo de productos.
87
Tabla 7: Rentabilidades y varianzas por cada grupo de productos para la
subclase Cuadro Bikini en el cluster 1
Rango Precio
CUADRO BIKINI - CLUSTER 1 RENTABILIDAD
SYBILLA FLORES LADY GENNY PALMERS BASEMENT OTRAS
Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
1-Bajo 9,4% 26,7% 1,6% 4,8% 11,4% 2-Medio 12,4% 1,1% 3,3% 9,6% 3,3% 8,8% 2,1% 5,0%
3-Alto 3,6% 7,6% 2,2% 1,2%
VARIANZA
SYBILLA FLORES LADY GENNY PALMERS BASEMENT OTRAS
Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
1-Bajo 9,7% 23,9% 0,4% 3,1% 7,0% 2-Medio 8,3% 0,3% 1,9% 5,6% 3,0% 4,6% 1,3% 5,4%
3-Alto 1,4% 3,0% 1,8% 6,2%
Tabla 8: Porcentajes actuales de cada grupo de productos para la
subclase Cuadro Bikini en el cluster 1
CUADRO BIKINI - CLUSTER 1
MIX ACTUAL SYBILLA FLORES LADY GENNY PALMERS BASEMENT OTRAS
Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
1-Bajo 21,8% 1,6% 1,9% 2,2% 1,6% 0,8% 0,2%
2-Medio 1,5% 0,4% 4,6% 0,2% 1,0% 2,3% 3,3% 7,4% 0,6% 14,4% 7,1%
3-Alto 0,9% 0,5% 12,9% 12,8% Rentabilidad 4,9% Stdev 2,4%
88
El estimar estas cotas para ingresarlas a la restricción puede ser muy
complejo, ya que es equivalente a buscar los valores óptimos mediante una
mezcla de criterios sobre demanda, preferencias de los consumidores y
necesidades por logística de Falabella. Por lo mismo, los valores actuales
para cada producto tipo se utilizaron como punto de partida para identificar
las cotas necesarias para la resolución del problema de optimización. Sin
embargo, la flexibilidad para la obtención de los valores finales del surtido
dependerá del comprador y de cuánto la empresa está dispuesta a apostar
por algunas marcas o productos (por ejemplo para campañas especiales de
ciertas marcas se saldría un poco de lo estipulado previamente por la
metodología). Por esta razón este valor, dentro del modelo, puede ser
modificado.
Para la cota asociada al riesgo se tomó el valor actual de la varianza
por cada cluster. Su supone para esta decisión que la empresa no estaría
dispuesta a tener niveles de riesgo mayores a los que actualmente tiene en
su surtido.
Para la restricción asociada a los límites en productos básicos y
ventana en una temporada se utilizó los porcentajes actuales destinados a
cada uno de ellos. Se piensa que esos valores fueron decididos previa la
selección del surtido de las temporadas en análisis por el comprador, pues al
momento de realizar la compra se define a priori cómo quiero que luzcan las
tiendas en relación a la variedad de sus productos y la rotación de los
mismos durante la temporada en curso.
89
5. RESULTADOS
Se definió que la búsqueda del surtido óptimo se efectuaría mediante la
utilización del enfoque de análisis de portafolio Mean Variance, por la
maximización de la rentabilidad total del portafolio, manteniendo un nivel de
riesgo acotado por la empresa. (Ver sección 3.3 Función objetivo, pág. 51)
Las estimaciones de los parámetros muestran que, como se esperaba,
los modelos con ciclo de vida ventana poseen una mayor rentabilidad, pero
están asociados a mayor riesgo. De ahí la necesidad de equilibrar un
portafolio que contenga modelos de ambos ciclos de vida. A pesar que los
modelos básicos poseen una menor rentabilidad, aportan más estabilidad al
portafolio y son productos más seguros a la hora de exponer en las tiendas.
La presencia de una diferencia clara en las rentabilidades de un
producto de un ciclo de vida a otro y los riegos asociados a ellos evidencia
un trade-off que dependerá del surtido de productos que se escoja para el
portafolio y será lo que definirá para qué lado se moverá la balanza.
Otro punto importante para el resultado es que Falabella basa la
elección de los productos para una nueva temporada en gran parte debido a
los criterios de logística y rotación de éstos en la temporada según su ciclo
de vida. Apuestan a los avances de temporada, así también como a la
rotación de los productos de “moda”. Para poder definir cómo se realizarán
tales rotaciones, ingresos y salidas de productos necesitan manejar
proporciones por cada tipo de producto que les permita un mejor control de
cada etapa de la temporada.
90
La eficacia del modelo Mean Variance para encontrar una solución
óptima de forma rápida fue un punto relevante en este trabajo. La utilización
de programas de optimización para encontrar la solución de este problema
impedía que el modelo encontrado pudiera ser utilizado a futuro por la
complejidad que esto implicaba. Por esta razón y con el fin de que esta
metodología pudiera ser incorporada rápidamente a las funciones del
comprador y a las planificaciones de las subclases se optó por la utilización
del Solver de Excel para la resolución del problema de optimización.
Para correr el solver de Excel se crearon dos tablas por cada subclase
cluster, una que contenía los valores porcentajes del surtido actual por cada
grupo de modelos y la otra que contendría los valores sugeridos una vez
corrido el modelo. A su vez, en otras tablas se agruparon las rentabilidades y
las desviaciones estándar de cada uno de los grupos. Mediante la fórmula
suma producto se obtuvo la rentabilidad por cada subclase-cluster y su
respectiva varianza. El solver se corrió bajo las condiciones de adoptar no
negativos y adoptar modelo lineal, con las demás opciones por defecto. La
función objetivo correspondió a la maximización de la celda correspondiente
a la rentabilidad, cuyo valor se obtiene de las rentabilidades de cada grupo
de modelos y las variables de decisión correspondientes a qué porcentaje de
esos grupos a llevar por cada subclase-cluster.
A continuación se muestran una figura que ilustra el método de
resolución:
91
Ilustración 6: Método de resolución mediante Solver, Excel.
Los resultados obtenidos de la resolución del modelo se detallan en la siguiente sección.
92
5.1. ANÁLISIS DE RESULTADOS
Como se ha mencionado con anterioridad, los resultados del modelo de
optimización son porcentajes que representan cuánto debe destinarse, del
total del surtido, a una marca, de un rango de precio y un ciclo de vida. La
ventaja de trabajar con porcentajes y no números fijos es la de proporcionar
una mayor flexibilidad al comprador de una categoría a elegir, dentro de los
atributos descritos, los modelos que él cree más adecuados para el surtido
en base a lo que él ha estudiado y observado, en relación a las tendencias
del momento e información histórica que pudiera dar indicios de las
preferencias de los consumidores. Otro punto relevante en esta decisión fue
que, principalmente al referirse a productos de moda, los modelos van
cambiando constantemente temporada por temporada, por lo que hablar de
atributos relevantes es la forma más adecuada para definir un surtido
cuando se presenta este dinamismo en la categoría. Esto le permite además
a Falabella utilizar sus propios modelos de demanda para generar los
pronósticos más detallados al momento de definir, finalmente, qué y cuántos
modelos comprar; lo que también hace posible establecer el surtido exacto
para cada tienda en particular.
La varianza de un modelo perteneciente a uno de los grupos puede ser
vista como el riesgo que posee el producto dentro del portafolio, el cual
según como varíen sus ventas variará su rentabilidad en relación al conjunto
de modelos pertenecientes a él. De los cálculos realizados se percató que
los productos con ciclo de vida “Ventana” tienden a ser más rentables que
los productos “Básicos”, pero a su vez también resultan ser más riesgosos.
Es un resultado esperado dada la connotación de “Fashion” inherente a un
producto ventana. Al estar relacionado con la moda existente puede
93
finalmente ser o no ser del gusto del consumidor. De ahí la relevancia de
estudiar cómo el riesgo influencia la rentabilidad de un surtido cuando existe
este trade-off entre los productos.
La frontera de surtidos eficiente sería posible de visualizar al realizar
varias corridas utilizando esta metodología, modificando las restricciones de
porcentajes para cada grupo de modelos. De esta forma se tendría, para
cada subclase-cluster, valores de rentabilidad y varianza que podrán ser
comparados dentro de un gráfico donde se muestre la frontera eficiente. Sin
embargo, hay que destacar que la eficiencia vista en este modelo será
aquella definida por los parámetros y restricciones de la empresa en estudio.
Como se podrá observar en las tablas de resultados que se expondrán
a lo largo de este capítulo, los valores de las rentabilidades de cada surtido
por par subclase-cluster aumentaron en consideración con la rentabilidad del
surtido actual, manteniendo el mismo nivel de riesgo representado por
valores iguales en su desviación estándar. El período de análisis para los
datos actuales corresponde a las tres temporadas en estudio (invierno 2007,
verano 2008 e invierno 2008). Este resultado muestra una notoria mejoría en
la elección de los modelos para el surtido pudiendo, además, mantener las
condiciones expuestas por la empresa en la ejecución del problema de
optimización. Le entrega a Falabella una opción diferente de mirar la
distribución de sus productos apuntando a aquellos con mayor rentabilidad
sin ir en desmedro de la variedad y de la participación de cada marca en
cada una de las subclases.
94
Tabla 9: Porcentajes actuales y sugeridos para cada grupo de modelos, subclase Cuadro Bikini
CUADRO BIKINI CLUSTER 1 - ACTUAL SYBILLA FLORES LADY GENNY PALMERS BASEMENT OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
Bajo 21,8% 1,6% 1,9% 2,2% 1,6% 0,8% 0,2% Medio 1,5% 0,4% 4,6% 0,2% 1,0% 2,3% 3,3% 7,4% 0,6% 14,4% 7,1% Alto 0,9% 0,5% 12,9% 12,8%
Rentabilidad 4,9% Stdev 2,4%
CLUSTER 1 - SUGERIDO SYBILLA FLORES LADY GENNY PALMERS BASEMENT OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
Bajo 3,7% 6,9% 2,9% 0,0% 8,5% 0,0% 0,0% Medio 14,8% 0,0% 4,8% 0,0% 0,0% 0,0% 0,9% 0,0% 9,4% 17,0% 14,3% Alto 0,0% 0,0% 16,9% 0,0%
Rentabilidad 7,4% Stdev 2,4%
95
CUADRO BIKINI CLUSTER 2 - ACTUAL SYBILLA FLORES LADY GENNY PALMERS BASEMENT OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
Bajo 28,0% 3,5% 3,7% 4,9% 2,5% 1,1% 0,5% Medio 3,0% 0,8% 7,0% 0,2% 1,2% 4,2% 5,0% 9,5% 1,0% 13,0% 1,7% Alto 0,6% 0,5% 8,0% 0,1%
Rentabilidad 4,0% Stdev 1,3%
CLUSTER 2 - SUGERIDO SYBILLA FLORES LADY GENNY PALMERS BASEMENT OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
Bajo 22,5% 4,3% 5,0% 12,5% 4,1% 0,0% 0,0% Medio 8,4% 0,0% 0,0% 7,2% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% Alto 11,6% 0,0% 0,0% 24,4%
Rentabilidad 7,7% Stdev 1,3%
96
CUADRO BIKINI CLUSTER 3 - ACTUAL SYBILLA FLORES LADY GENNY PALMERS BASEMENT OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
Bajo 24,9% 3,4% 3,3% 4,0% 3,0% 1,1% 0,4% Medio 2,4% 0,8% 6,1% 0,2% 1,1%
5,4% 4,0% 10,6% 1,5% 14,6% 2,5%
Alto 1,2% 0,6% 8,7% 0,0% Rentabilidad 4,2% Stdev 1,3%
CLUSTER 3 - SUGERIDO SYBILLA FLORES LADY GENNY PALMERS BASEMENT OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
Bajo 15,1% 3,1% 4,5% 0,0% 6,6% 0,0% 0,0% Medio 13,3% 0,0% 0,0% 6,3% 0,0% 0,0% 9,8% 0,0% 0,0% 19,5% 0,3% Alto 0,0% 13,9% 7,6% 0,0%
Rentabilidad 6,0% Stdev 1,3%
97
De las tablas anteriores se puede visualizar lo que ya se ha
mencionado, en donde la rentabilidad de los surtidos por cada cluster
aumentó considerablemente en comparación con el mix actual. Las razones
para esto son que la optimización se enfocó en aquellos grupos de modelos
con mayor rentabilidad, pero como se mantuvieron las restricciones se
puede ver que la varianza del portafolio no fue dañada. Sin embargo, sí hay
grandes cambios dentro de cada marca, como por ejemplo para los casos de
Palmers y Basement en el cluster 1, Flores y otras marcas en el cluster 2 y
para el cluster 3 se repiten para las marcas Flores, Palmers y Basement. Los
cambios que ocurren aquí es que, inicialmente, el mayor porcentaje de sus
modelos pertenecían al ciclo de vida básico, lo que posterior a la
optimización, se sugiere que estas marcas sean predominantemente de ciclo
de vida ventana.
En general, dependiendo de la marca, los cambios pueden darse en el
sentido de pasar de modelos de varios rangos de precio y ciclo de vida a
centrarse a un par, o también lo contrario, marcas en donde sólo se ha
vendido modelos de un rango de precio y/o un ciclo de vida a sugerir abrirse
a varios de ellos. Esto genera que en varios casos la variedad de la marca
vista como modelos pertenecientes a distintos rangos de precio ha sido
disminuida. Esto incluso puede verse como un resultado positivo cuando se
ha pensado que la variedad y en inventario actual de Falabella es un poco
excesivo (hipótesis generada posterior a una visita a local Damas del centro
de Santiago).
Este resultado proporciona valores coherentes en relación a la
rentabilidad y variedad dado que el surtido estará compuesto por modelos de
todas las marcas, ciclos de vida y rango de precio, pero distribuidos de forma
óptima en relación a la maximización de la rentabilidad del mix de productos.
A continuación los resultados para la subclase Pijama Algodón Dama.
98
Tabla 10: Porcentajes actuales y sugeridos de cada grupo de modelos, subclase Pijama Algodón Dama
PIJAMA ALGODON DAMA CLUSTER 1 - ACTUAL SCOCCI SYBILLA H KITTY BASEMENT PUCCA OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
Bajo 0,0% 0,8% 5,3% 8,2% 2,1% 0,9% 4,7% 0,6% 0,3% 1,3% 0,5% Medio 5,9% 7,2% 2,0% 7,8% 9,5% 3,3% 1,3% 2,8% 1,9% 1,6% 4,6% 9,9% Alto 0,4% 0,4% 0,2% 0,3% 4,4% 2,8% 3,3% 3,7% 1,9%
Rentabilidad 8,8% Stdev 1,9%
CLUSTER 1 - SUGERIDO SCOCCI SYBILLA H KITTY BASEMENT PUCCA OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
Bajo 0,0% 0,0% 12,4% 7,6% 12,1% 0,0% 0,0% 6,5% 0,0% 0,0% 9,7% Medio 11,2% 3,5% 0,0% 3,6% 0,8% 2,9% 5,2% 2,4% 0,0% 0,0% 0,0% 1,1% Alto 0,0% 0,0% 0,0% 0,0% 0,0% 3,3% 6,7% 0,0% 11,2%
Rentabilidad 11,1% Stdev 1,9%
99
PIJAMA ALGODON DAMA CLUSTER 2 - ACTUAL SCOCCI SYBILLA H KITTY BASEMENT PUCCA OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
Bajo 0,2% 0,4% 5,5% 8,1% 2,2% 0,5% 4,8% 1,3% 0,6% 1,2% 0,8% Medio 6,8% 8,1% 1,3% 6,9% 9,0% 3,5% 1,2% 2,9% 2,2% 0,6% 4,2% 9,5% Alto 0,3% 0,3% 0,2% 0,4% 3,9% 2,9% 3,9% 4,3% 2,1%
Rentabilidad 6,4% Stdev 1,7%
CLUSTER 2 - SUGERIDO SCOCCI SYBILLA H KITTY BASEMENT PUCCA OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
Bajo 0,0% 3,9% 0,0% 8,1% 15,3% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% Medio 8,1% 4,1% 7,8% 6,0% 0,0% 0,0% 14,5% 0,0% 0,0% 3,3% 14,3% 2,4% Alto 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% 6,9% 0,0% 5,3%
Rentabilidad 7,2% Stdev 1,7%
100
PIJAMA ALGODON DAMA CLUSTER 3 - ACTUAL SCOCCI SYBILLA H KITTY BASEMENT PUCCA OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
Bajo 0,2% 0,6% 5,1% 8,2% 2,1% 0,3% 5,2% 1,3% 1,1% 0,6% 1,2% 0,4% Medio 6,5% 8,5% 1,4% 7,4% 8,9% 1,9% 1,5% 3,4% 2,2% 1,2% 4,5% 8,4% Alto 0,7% 0,6% 0,1% 0,3% 3,9% 3,6% 3,2% 4,1% 1,5%
Rentabilidad 6,9% Stdev 1,7%
CLUSTER 3 - SUGERIDO SCOCCI SYBILLA H KITTY BASEMENT PUCCA OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
Bajo 0,0% 0,0% 0,0% 2,6% 0,0% 8,3% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0% Medio 17,1% 0,0% 17,6% 2,0% 0,0% 4,8% 15,6% 0,0% 0,0% 0,0% 7,2% 0,0% Alto 0,0% 0,0% 0,0% 0,0% 0,0% 2,5% 9,4% 0,0% 12,9%
Rentabilidad 8,5% Stdev 1,7%
101
De los resultados para la subclase Pijama Algodón Dama se
observan los mismos comportamientos en cuanto a variedad, cambios en
las proporciones de las marcas y su distribución entre los distintos rangos
de precio y ciclo de vida. A pesar de que las rentabilidades también
presentan un aumento, la diferencia no es tan altamente notoria como en
la subclase Cuadro Bikini. Se podría explicar este hecho debido a que los
productos pertenecientes a esa subclase son productos de bajo costo, por
lo tanto, comparativamente su precio de venta también será inferior al de
las otras subclases. Esto permite apuntar a modelos con mayor
rentabilidad sin modificar, necesariamente, el precio de los productos en
venta y si se refleja un cambio en éstos, no afectaría la disponibilidad a
pagar de los consumidores porque no se presenta una gran diferencia
entre los precios de esos productos.
Se puede observar los mismos resultados con los valores obtenidos
de la optimización para la subclase Sostén Fashion. Incluso el promedio
del aumento en la rentabilidad para los cluster 2 y 3 es un poco inferior al
obtenido por la subclase Pijama Algodón Dama. Contrariamente, el
cluster 1 de esta subclase muestra una gran diferencia en relación a los
otros dos cluster, presentando un aumento de casi el doble en la
rentabilidad del mix. Los cambios más notorios se observan en las marcas
Triumph, Basement, Maidenfo, Sybilla y en otras marcas, representado
por una mayor proporción de estas marcas en modelos ventana, siendo
que para la primera marca, Triumph, los modelos anteriormente dispersos
en varios rangos de precio, ahora se presenta sólo en rango de precio
medio para el ciclo de vida básico. Este resultado está acorde con las
características de este cluster, dado que por tratarse de consumidores de
nivel socioeconómico Abc1 tendrían una mayor disponibilidad a pagar por
productos de moda.
Los resultados se muestran a continuación.
102
Tabla 11: Porcentajes actuales y sugeridos de cada grupo de modelos, subclase Sostén Fashion
SOSTEN FASHION CLUSTER 1 - ACTUAL FLORES TRIUMPH BASEMENT MAIDENFO LADY GENNY SYBILLA OTRAS
RP Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Bajo 0,8% 0,3% 0,5% 9,1% 0,2% 4,2% 1,5% 5,1% 1,0%
Medio 14,0% 0,1% 7,3% 2,3% 10,2% 3,5% 5,0% 1,7% 9,7% 2,8% Alto 0,1% 9,0% 2,7% 6,6% 0,3% 2,0% 0,0%
Rentabilidad 3,6% Stdev 2,1%
CLUSTER 1 - SUGERIDO FLORES TRIUMPH BASEMENT MAIDENFO LADY GENNY SYBILLA OTRAS
RP Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Bajo 0,0% 0,0% 0,0% 5,0% 4,3% 0,0% 5,7% 0,0% 11,0%
Medio 14,2% 0,0% 22,3% 0,0% 4,8% 8,9% 4,1% 0,0% 0,0% 0,0% Alto 0,0% 0,0% 0,0% 0,0% 10,1% 9,5% 0,0%
Rentabilidad 6,7% Stdev 2,1%
103
SOSTEN FASHION CLUSTER 2 - ACTUAL FLORES TRIUMPH BASEMENT MAIDENFO LADY GENNY SYBILLA OTRAS
RP Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Bajo 0,8% 0,0% 0,8% 0,4% 0,0% 0,0% 14,4% 1,1% 4,6% 2,9% 5,2% 1,0%
Medio 15,8% 0,1% 7,7% 2,4% 9,1% 3,1% 0,4% 1,5% 0,0% 0,0%
9,4% 1,7% Alto 0,0% 0,1% 7,4% 3,0% 0,0% 0,0% 4,8% 0,5% 0,0% 0,0% 1,9% 0,0%
Rentabilidad 3,2% Stdev 0,7%
CLUSTER 2 - SUGERIDO FLORES TRIUMPH BASEMENT MAIDENFO LADY GENNY SYBILLA OTRAS
RP Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Bajo 2,7% 0,1% 0,0% 0,0% 2,0% 0,1% 8,7% 3,0% 4,8% 2,7% 3,7% 9,0%
Medio 11,2% 1,2% 14,2% 3,1% 3,4% 3,1% 0,0% 7,1% 0,6% 1,0% 0,6% 4,9% Alto 0,4% 1,2% 3,2% 1,3% 2,9% 0,8% 0,0% 0,0% 0,6% 1,4% 0,9% 0,0%
Rentabilidad 4,1% Stdev 0,7%
104
SOSTEN FASHION CLUSTER 3 - ACTUAL FLORES TRIUMPH BASEMENT MAIDENFO LADY GENNY SYBILLA OTRAS
RP Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Bajo 0,7% 0,0% 0,7% 0,4% 0,0% 0,0%
0,1% 12,5% 1,2% 4,3% 2,1% 5,0% 0,7%
Medio 16,2% 0,1% 7,4% 2,7% 11,3% 4,0% 0,9% 1,5% 0,0% 0,0% 9,1% 1,9% Alto 0,0% 0,1% 7,0% 2,4% 0,0% 0,0% 5,2% 0,4% 0,0% 0,0% 1,9%
Rentabilidad 3,1% Stdev 0,8%
CLUSTER 3 - SUGERIDO FLORES TRIUMPH BASEMENT MAIDENFO LADY GENNY SYBILLA OTRAS
RP Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Bajo 2,5% 0,5% 0,0% 0,0% 3,7% 0,1% 0,0% 6,7% 1,7% 4,2% 2,3% 0,0% 14,6%
Medio 13,7% 0,1% 12,7% 2,1% 6,8% 4,2% 0,0% 8,1% 1,8% 0,3% 0,0% 3,9% Alto 0,3% 0,0% 5,4% 0,6% 0,5% 0,2% 0,0% 0,0% 1,7% 1,5% 0,1%
Rentabilidad 4,1% Stdev 0,8%
105
Como una manera de cuantificar este aumento en la rentabilidad del
surtido se supondrá, de manera simple, que permanece constante el total
de unidades vendidas por cada subclase-cluster. Esta suposición
pretende aislar las posibles políticas de crecimiento de una categoría y el
incremento en la demanda de los productos por diversos factores, con el
fin de visualizar la ganancia desde el punto de vista de la mejora en la
gestión del surtido.
Mediante el cálculo del promedio del precio por cada par subclase-
cluster y usando la rentabilidad actual y la sugerida proporcionada por el
modelo se obtienen los siguientes valores de ganancia en dólares y la
consecuente diferencia generada entre la rentabilidad actual y la sugerida.
Tabla 12: Rentabilidad sugerida y su diferencia con rentabilidad
actual, cuantificada.
SubClase Cluster USD$ Sugerido USD$ Diferencia
CUADRO BIKINI Cluster 1 18.331 6.322
Cluster 2 28.228 13.619 Cluster 3 20.009 6.245
PIJAMA ALGODON DAMA
Cluster 1 149.488 29.898 Cluster 2 90.508 10.127 Cluster 3 117.014 21.328
SOSTEN FASHION Cluster 1 26.108 12.144 Cluster 2 14.067 3.286 Cluster 3 17.107 4.347
Falabella ha mostrado ser una empresa conservadora en sus
surtidos. Apunta a incorporar más productos básicos siendo que éstos
presentan una mayor rentabilidad que los modelos ventana. Prefieren
mantener una gran variedad de marcas y sku´s lo que se pudo constatar
en la visita a una de las tiendas. Parte de estas actitudes en relación al
106
assortment fueron traspasadas a las restricciones para poder lograr un
mix final que cumpliera con sus exigencias.
De los números resultantes se constata que a pesar de mantener el
porcentaje de productos básicos requeridos por la empresa por cada
subclase-cluster la proporción interna de las marcas se modificó en pro
del ingreso de productos más rentables, pero que permitiera mantener el
nivel de riesgo actual. Este resultado es muy satisfactorio al analizar los
valores obtenidos porque presenta una variedad diferente de la existente
pero con aumentos en la rentabilidad, que era el objetivo principal en la
aplicación de esta metodología.
Existe un punto importante a tomar en cuenta al momento de utilizar
esta metodología. Como también se podrá observar de los datos y los
resultados, la optimización sólo es realizada con aquellos grupos de
productos que poseen datos, es decir, con aquella información histórica
de los modelos que ya son parte del surtido actual de la empresa. Esto
ocurre pues al no tener información de las rentabilidades y por ende, de la
varianza de un grupo en particular, el valor dentro del problema será igual
a cero, por lo cual nunca será visto como una opción al momento de la
maximización. Lo mismo ocurre con aquellos grupos donde el número de
modelos incluido en él es tan mínimo (ejemplo: 2 modelos) que la
desviación estándar es igual a cero, lo que distorsiona los cálculos y fue
necesario quitarlos del análisis.
Para hacer más completo el análisis y para que la metodología
pueda ser utilizada incluso para estudiar el ingreso de nuevos productos,
como por ejemplo incorporar nuevas marcas, sería necesario simular esos
valores para ingresarlos al problema y de esta forma encontrar el surtido
óptimo con toda la información de todos los posibles candidatos a
107
pertenecer al mix. Lo mismo para cada nuevo modelo que se presente
pues podrá ser catalogado dentro de un rango de precio y un ciclo de
vida.
La simulación puede ser realizada dado que al momento que el
comprador conozca los productos disponibles para una nueva temporada
sabrá cual es su costo, con el cual podrá obtener su precio inicial. Con
este valor calcula la rentabilidad del producto y al ingresarlo al grupo de
modelos al que podría pertenecer, mediante las fórmulas mostradas en
capítulos anteriores, tendrá el valor de la nueva rentabilidad del grupo y
su varianza. Los nuevos datos hacen posible el ingreso del grupo a los
cálculos de la optimización, en donde este nuevo producto ya concurre
como un candidato al surtido.
La metodología proporciona infinitas oportunidades para simular un
nuevo mix de productos, mediante el cálculo de las rentabilidades y
varianzas cada vez que se desea ingresar un nuevo modelo al abanico de
opciones para el assortment. Además, es importante recordar que la
flexibilidad proporcionada por esta metodología se refleja en que las
restricciones están limitadas por cotas entregadas por la empresa, que
también pueden ser modificadas si se desea cambiar la proporción en
alguna de las marcas o de los ciclos de vida de la subclase, lo que
entregaría nuevos escenarios para el surtido de productos.
108
5.2. COMPARACIÓN
Al momento de comparar qué tan beneficiosa es esta metodología y
qué ventajas tiene por sobre otros métodos, lo más intuitivo es realizar
esta comparación contra la forma en que actualmente lo compradores
seleccionan los productos para un nuevo surtido.
Como se ha mencionado, Falabella no utiliza modelos matemáticos
para tomar estas decisiones, recurriendo a un extenso análisis semanal y
por temporada, modelo a modelo. Mirando una marca a la vez, obtienen
los resultados del manejo del inventario, montos y unidades de venta y
observan cómo se va vendiendo cada modelo en relación al tiempo que
lleva en la tienda. Como resultado de este completo y extensivo análisis
obtienen aquellos productos con mayor éxito durante la temporada, los
cuales pasan a ser indiscutidos integrantes del surtido de la temporada
siguiente. Si se tratan de productos más “fashion” se busca, para el nuevo
surtido, productos con las mismas características. Aquellos modelos que
no tuvieron un buen rendimiento, por lo contrario, son retirados del futuro
mix. Como los productos notoriamente exitosos no son suficientes para
completar el assortment, los modelos restantes van ingresando de
acuerdo a la tendencia de la moda, campañas especiales que los
proveedores ofrezcan y muchos de ellos también por criterio del
comprador.
Realizando este análisis a los datos se obtienen resultados muy
similares al actual assortment, es decir, los candidatos a pertenecer al
surtido según este método son aquellos con mejores números y por ende,
el surtido futuro no cambiaría mucho en sus proporciones a lo que se
109
tiene en la actualidad. Es un resultado esperado dado que utilizando estos
análisis basados en ventas históricas se presenta el hecho de que el
surtido actual también ha sido creado en base a los mismos productos
exitosos, es decir, mayormente con las mismas características.
En el capítulo de la revisión bibliográfica se habló sobre los diversos
modelos de assortment y la data necesaria para la utilización de ellos. Se
mencionó también que con la información que se tiene no es posible es
estudio de esos modelos, por lo que, en esta etapa del trabajo, también
no es posible hacer comparaciones con ellos. Sin embargo, cualquier
comparación que se pueda realizar con resultados obtenidos a través del
análisis de las ventas y sus unidades entregarían los mismos posibles
productos para el mix. Es el caso de indicadores como el ROE o el ROS
que también utilizan valores como el inventario y las ventas para
establecer cuáles son los modelos con mejor rendimiento.
Este enfoque de la teoría de portafolios permite entregar un mix
diferente y variado, manteniendo el nivel de riesgo actual. Es flexible en
simular diversos escenarios y el ingreso de nuevos productos, logrando
aumentos considerables en la rentabilidad del mix de productos.
Al realizar las comparaciones en los grupos de modelos obtenidos
con esta metodología y los generados con el análisis modelo a modelo
elaborado comúnmente por Falabella se concluye que las mayores
diferencias, además de la ganancia que se obtiene con el primero en
rentabilidad, es que promueve la incorporación de productos de moda
destinados a venderse en menos tiempo por sobre los que se mantienen
durante toda la temporada. Esto significa, en palabras simples, que al
tener más productos ventana en el surtido el visual de la tienda cambiará
110
0,0%1,0%2,0%3,0%4,0%5,0%6,0%7,0%8,0%9,0%
Cluster 1 Cluster 2 Cluster 3
Cuadro Bikini
Rentabilidad
Actual
Sugerido
más seguido durante la temporada, pudiendo generar mayor interés por
parte de los consumidores en los productos nuevos que van entrando;
todo esto incluso manteniendo la proporción de productos básicos que
Falabella requiere para una subclase. Además, el poner énfasis en los
productos más rentables, en vez de tener “poca cantidad de mucha
variedad” permite un mejor manejo logístico de los productos.
A continuación, se ilustran los gráficos por subclase que permiten
visualizar de manera más clara el aumento en la rentabilidad de cada par
subclase-cluster que entrega el modelo.
Gráfico 16: Comparación rentabilidad actual v/s sugerida, subclase
Cuadro Bikini
111
0,0%
2,0%
4,0%
6,0%
8,0%
10,0%
12,0%
Cluster 1 Cluster 2 Cluster 3
Pijama Algodón Dama
Rentabilidad
Actual
Sugerido
0,0%1,0%2,0%3,0%4,0%5,0%6,0%
7,0%8,0%
Cluster 1 Cluster 2 Cluster 3
Sosten Fashion
Rentabilidad
Actual
Sugerido
Gráfico 17: Comparación rentabilidad actual v/s sugerida, subclase
Pijama Algodón Dama
Gráfico 18: Comparación rentabilidad actual v/s sugerida, subclase
Sostén Fashion
112
6. CONCLUSIONES
Las decisiones sobre surtido en toda cadena de retail es un
problema que conlleva varios estudios y análisis de los datos.
A lo largo de este trabajo se ha hablado sobre cómo los académicos
han aportado varios enfoques a la literatura en la búsqueda constante de
un surtido óptimo. La diferencia entre ellos radica principalmente en lo que
se quiere estudiar más en profundidad, ya sea basado en las utilidades de
los consumidores, eficiencia en el espacio destinado a cada producto,
efectos de sustitución, ventas, entre otros; y los datos dispuestos para
ello. Pero en lo que todos concuerdan es en la relevancia que tiene una
buena toma de decisiones sobre los productos a formar parte de un nuevo
assortment para el éxito de sus ventas. El desafío de cada nueva
metodología que se elabora es poder alcanzar ese surtido óptimo al que
todo retail aspira, logrando un modelo robusto y a su vez flexible frente a
la diversidad de productos y situaciones inherentes a toda gestión en esta
industria.
La metodología utilizada en este trabajo de título, mediante teoría de
portafolios, entregó un enfoque volcado a la rentabilidad de cada modelo
y el riesgo asociado a apostar por aquellos productos más rentables que
otros. Este método, basado en el modelo Mean Variance ideado por
Markowitz, consiste en un problema de optimización en donde la función
objetivo es maximizar la rentabilidad esperada del portafolio, en donde en
este caso el portafolio se refiere al mix de productos. La variable de
decisión son los porcentajes de cada grupo de productos formado por una
marca, un rango de precio y un ciclo de vida.
113
La primera segmentación realizada con los datos fue referente al
total de tiendas de Falabella. Las 35 tiendas relevantes para este estudio
fueron segmentadas en tres diferentes cluster basados en criterios
socioeconómicos, de sexo y edad. El objetivo era permitir trabajar los
datos de forma más agregada, además de agrupar a los clientes con
características similares, y por ende, los resultados a ser entregados
serían por cada cluster, fácilmente extrapolables a cada tienda de forma
individual según el tamaño de la misma y el orden de venta que cada una
posee.
La segunda segmentación fue pensada en los modelos. Se requirió
agrupar los productos en atributos similares que fuera posible estudiar su
comportamiento y entregar un resultado que le permitiera al comprador
tener una mayor flexibilidad para que, de entre los modelos
pertenecientes a cada grupo, decidiera cuál elegir. De esta forma se optó,
por las razones ampliamente analizadas en este informe, agrupar a los
productos por marca, rango de precio (1-bajo, 2-medio, 3-alto) y ciclo de
vida (básico y ventana).
Los resultados obtenidos al aplicar esta metodología a los datos de
las subclases Cuadro Bikini, Pijama Algodón Dama y Sostén Fashion en
las temporadas Invierno 2007, Verano 2008 e Invierno 2008 mostraron
mejoras significativas en la rentabilidad de los surtidos, bajo el mismo
nivel de riesgo asociado a los nuevos porcentajes de productos. En
promedio, las diferencias en rentabilidad resultaron ser de 2,7% para la
subclase Cuadro Bikini, 1,5% para Pijama Algodón Dama y 1,7% para
Sostén Fashion.
114
Los cambios más relevantes en el surtido, comparado con la
distribución actual, son la concentración de algunas marcas en los
modelos básicos con buen rendimiento y la apuesta de otras a productos
ventana. Algunas de estas marcas perdieron la variedad que tenían en
relación a su presencia en varios rangos de precio diferentes para dar
paso a centrarse en sólo algunos pocos. A pesar de estas diferencias en
las distribuciones, el modelo de optimización estaba sujeto a varias
restricciones impuestas por la empresa, tales como la mantención del
nivel de riesgo actual y varias cotas asociadas a la proporción de las
marcas y los productos básicos y ventana totales que debía tener el
surtido. Esta última cota es la que permite mantener un nivel del 60% de
productos básicos por cada cluster. Si se relaja ésta restricción se
presentaría niveles de rentabilidad aún mayores de los encontrados. Esto
ocurre porque del resultado de la estimación de las rentabilidades y las
varianzas de los grupos de productos se percibió que los modelos
ventana son más rentables que los básicos, pero presentan una varianza
mayor, pues están asociados al riesgo de apostar por un producto nuevo
y de moda frente a un producto básico más estándar. Al relajar la
restricción sobre el 60% del total de básicos en el surtido el método
maximiza la rentabilidad incorporando al mix más modelos ventana, lo
que es intuitivo debido a que son más rentables.
La entrega de los resultados mediante porcentajes por grupos de
productos proporciona flexibilidad a esta metodología permitiendo a los
compradores poder elegir cada modelo y su cantidad basado en el
porcentaje total de cada grupo, que será diferente, además, para cada
cluster. El entregar resultados diferentes por cada cluster apunta a definir
surtidos según las características de los consumidores asociados a cada
tienda. Este hecho se observa de forma clara cuando se miran los
resultados del surtido para el cluster 1, conformado por las tiendas del
grupo socioeconómico Abc1 de la ciudad de Santiago. Comparado con
115
los otros dos cluster, en él se encuentran mayores valores en la
rentabilidad del mix, además de tener la posibilidad de apostar por
productos más rentables y más caros dentro del surtido.
Sin embargo, lo que no pudo ser analizado en este trabajo fue cómo
influyen aquellos grupos de productos de los cuales no se tiene
información histórica. Por falta de datos sobre las ventas de ciertos
modelos, los parámetros de rentabilidad y varianza fueron iguales a cero,
lo que una vez ingresado al modelo de optimización éste no los toma en
cuenta al momento de maximizar. El resultado por lo tanto sólo contempla
aquellos productos de los cuales sí se tenía información. No obstante,
este hecho no resulta ser tan insatisfactorio pues aporta otro enfoque para
destacar la flexibilidad de esta metodología. Se sugiere que estos datos
puedan ser incorporados por los compradores pues del abanico de
opciones de productos ellos conocerán sus costos y podrán calcular su
precio futuro, pudiendo de esta forma lograr obtener los parámetros de
rentabilidad y varianza requeridos. Esto proporciona además la posibilidad
de simular el comportamiento de nuevas marcas o nuevas tendencias
ingresando los valores según el grupo de productos al cual pertenezcan
estas nuevas opciones.
Se concluye, por lo tanto, que este nuevo enfoque mediante teoría
de portafolios entrega una opción robusta y flexible para la toma de
decisiones de un nuevo surtido. Obteniendo un mix óptimo posterior a la
maximización de la rentabilidad esperada, este método asocia el riesgo
inherente a productos de moda con la ganancia de cada modelo, un
indicador que siempre está presente al momento de analizar el
rendimiento de un buen assortment.
116
Como sugerencia para trabajos futuros se recomendaría el estudio
en conjunto de la aplicación de esta metodología con pronósticos de
demanda asociados a los ciclos de vida de los modelos. Como se pudo
constatar en este trabajo, se logra una mayor rentabilidad en el surtido
optando por ingresar los productos más rentables al mix, en este caso
asociado al ciclo de vida ventana. Sin embargo, no existe evidencia clara
de que los productos de moda serán aceptados por el consumidor. Parte
de este riesgo se hace cargo el método mediante la utilización de la
varianza, pero se cree que estudios de demanda y preferencias del
consumidor podría aportar en esta decisión.
117
7. BIBLIOGRAFÍA
[1] ANDERSON, S.P., A. DE PALMA, J.F. THIESSE. 1992. Discrete
Choice Theory of Product Differentiation. The MIT Press, Cambridge, MA.
[2] BASUROY, S., NGUYEN, D. 1998. Multinomial logit market share
models: Equilibrium characteristics and strategic implications.
Management Science, Vol. 44 (10), pp 1396-1408.
[3] BOATWRIGHT, P.J.C. Nunes. 2001. Reducing assortment: An
attribute-based approach to travel demand. The MIT Press, Cambridge,
MA.
[4] BRIJS Tom, SWINNEN Gilbert, VANHOOF Koen, WETS Geert. 1999.
Using Association Rules for Product Assortment Decisions: A Case Study.
KDD, pp 254-260.
[5] BRONIACZYK Susan M., HOYER Wayne D., MCALISTER Leigh.
1998. Consumer´s Perceptions of the Assortment Offered in a Grocery
Category: The Impact of Item Reduction. Journal of Marketing Research,
Vol. XXXV, pp 166-176.
[6] BULTEZ Alain, NAERT Philippe. 1988. Shelf allocation for Retailers
profit. Marketing Science, Vol. 7 (3), pp 211-231.
[7] CACHON Gérard P., TERWIERSCH Christian. 2005. Retail Assortment
Planning in the Presence of Costumer Search. Manufacturing & Service
Operations Management, Vol. 7 (4), pp 330-346.
[8] Calidad de Servicio en la Industria del Retail en Chile, Tiendas por
Departamento. Enero 2010. Santiago, Universidad de Chile, Centro de
Estudios del Retail.
118
[9] CARO, Felipe, GALLIEN, Jérémie. 2007. Dynamic Assortment with
Demand Learning for Seasonal Consumer Goods. Management Science,
Vol. 53 (2), pp 276-292.
[10] CHERNEV, Alexander. 2008. The Role of Purchase Quantity in
Assortment Choice: The Quantity-Matching Heuristic. Journal of Marketing
Research, Vol. XLV, pp 171-181.
[11] CORSTJENS, Marcel, DOYLE, Peter. 1981. A model for optimizing
retail space allocations. Management Science, Vol. 27 (7), pp 822-833.
[12] Emisión de Bonos Corporativos, Abril 2009. Presentación Falabella.
[13] Estudio CERET - Prochile sobre el Cluster de Servicios del Retail:
Oferta y Potencialidad Exportadora. 2009. AC Nielsen.
[14] Estudio CERET “Metodología para el Desarrollo de Indicadores de la
Calidad de Servicio en la Industria del Retail en Chile”, para el formato de
supermercados. 2007. GPS.
[15] Fellete Rafe. 2008.
[16] FISHER, Marshall L., VAIDYANATHAN, Ramnath. 2009. An Algorithm
and Demand Estimation Procedure for Retail Assortment Optimization.
Working Paper, OPIM Department, The Wharton School, University of
Pennsylvania, PA.
[17] GAUR, Vishal, HONHON, Dorothée. 2006. Assortment Planning and
Inventory Decisions Under a Locational Choice Model. Management
Science, Vol. 52 (10), pp 1528-1543.
[18] Global Powers of Retailing 2011. 2011. Deloitte.
[19] GOURVILLE, John T., SOMAN, Dilip. 2005. Overchoice and
Assortment Type: When and Why Variety Backfires. Marketing Science,
Vol. 24 (3), pp 382-395.
119
[20] GUADAGNI, P.M., LITTLE, J.D.C. 1983. A logit model of brand
choice calibrated on scanner data. Marketing Science, Vol. 2, pp 203-238.
[21] HANSSMANN, F. 1957. Determination of optimal capacities of service
for facilities with a linear measure of inefficiency, Operations Research 5
(5), pp 713–717.
[22] HENKEMEYER, Daniela. 2009. The Influence of an Assortment´s
Context on Customers Perceived Variety. Master Thesis International
Business. Maastricht, University of Maastricht, Faculty of Economics &
Business Administration.
[23] KÖK, Gürhan A., FISHER, Marshall L., VAIDYANATHAN, Ramnath.
2009. Assortment Planning: Review of Literature and Industry Practice.
Operations Research & Management Science, Vol. 122, pp 1-55.
[24] KONNO, Hiroshi, YAMAZAKI, Hiroaki. 1991. Mean-Absolute Deviation
Portfolio Optimization Model and Its Applications to Tokyo Stock Markets.
Management Science, Vol. 37 (5), pp 519-531.
[25] HOCH, Stephen J. T., BRADLOW, Eric T., WANSINK, Brian. 1999.
The Variety of an Assortment. Marketing Science, Vol. 18 (4), pp 527-546.
[26] LANCASTER, Kevin. 1990. The Economist of Product Variety: A
Survey. Marketing Science, Vol. 9 (3), pp189-206.
[27] Memoria Annual 2010. 2010. Saga Falabella.
[28] NAHUM, Paola. 2007. Metodología para la toma de decisiones de
surtido de categoría en una tienda de conveniencia. Memoria para optar al
título de Ingeniero Civil Industrial. Santiago, Universidad de Chile,
Facultad de Ciencias Físicas y Matemáticas, Departamento Ingeniería
Civil Industrial.
[29] PENTICO, David W. 2008. The Assortment problem: A Survey.
Science Direct, pp 295-309.
120
[30] PIÑA, Pamela. 2007. Metodología para apoyar la toma de decisiones
en surtido de supermercados. Memoria para optar al título de Ingeniero
Civil Industrial. Santiago, Universidad de Chile, Facultad de Ciencias
Físicas y Matemáticas, Departamento Ingeniería Civil Industrial.
[31] PIZARRO, Claudio. 2007. Apuntes IN547: Gestión de Retail [Clases].
FCFM. Departamento de Ingeniería Industrial. Universidad de Chile.
[32] QUELCH, J.A., KENNY D. 1994. Extend profits, not product lines.
Harvard Business Review, Vol. 72, pp 153-160.
[33] RAMDAS, Kamalini. 2003. Managing Product Variety: An Interactive
review and research directions. Production and Operations Management,
Vol. 12 (1), pp 79-101.
[34] Reporte de Mercado. 2006. Colliers International. Santiago.
[35] RODRÍGUEZ, Natalia. 2007. Metodología para generar una
propuesta de surtido de una categoría de un supermercado. Memoria
para optar al título de Ingeniero Civil Industrial. Santiago, Universidad de
Chile, Facultad de Ciencias Físicas y Matemáticas, Departamento de
Ingeniería Industrial.
[36] SIDGMAN, Camila. 2011. Metodología para Apoyar la Toma de
Decisiones relacionadas con Surtido en una Categoría en una Tienda por
Departamentos. Memoria para optar al título de Ingeniero Civil Industrial.
Santiago, Universidad de Chile, Facultad de Ciencias Físicas y
Matemáticas, Departamento de Ingeniería Industrial.
[37] SMITH, S.A., AGRAWAL N. 2000. Management of Multi-item retail
inventory systems with demand substitution. Operations Research, Vol.
48, pp 50-64.
[38] SRIDHAR, Moorthy K.1984. Market Segmentation, Self-Selection,
and Product Line Design. Marketing Science, Vol. 3 (4), pp 288-307.
121
[39] STASSEN, Robert E. 2002. Logistics and Assortment depth in the
retail supply chain: Evidence from grocery categories. Logistics
Management.
[40] UGARTE, Alfredo. 2008. Falabella, Liderazgo en Chile y Fuerte
Crecimiento en Países de la Región.
[41] VAN HERPEN, Erica y PIETERS, Rik. 2002. The Variety of an
Assortment: An Extension to the Attribute-Based Approach. Marketing
Science, Vol. 21 (3), pp 331-341.
[42] VAN RYZIN, Garret, MAHAJAN, Siddharth. 1999. On the Relationship
Between Inventory Costs and Variety Benefits in Retail Assortments.
Management Science, Vol. 45 (11), pp 1496-1509.
[43] W. SADOWSKI. 1959. A Few Remarks on the Assortment Problem,
Management Science, Vol. 6 (1), pp 13–24.
[44] www.df.cl
[45] www.estrategia.cl
[46] www.falabella.cl
[47] http://www.jstor.org/pss/4480178
[48] www.svs.cl
[49] www.utexas.edu/features/archive/2005/hyperchoice.html
122
8. ANEXOS
8.1. RENTABILIDADES Y VARIANZAS POR CADA GRUPO DE PRODUCTOS
8.1.1. Cuadro Bikini
CUADRO BIKINI - CLUSTER 1 RENTABILIDAD
SYBILLA FLORES LADY GENNY PALMERS BASEMENT OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
1-Bajo 9,4% 26,7% 1,6% 4,8% 11,4% 2-Medio 12,4% 1,1% 3,3% 9,6% 3,3% 8,8% 2,1% 5,0% 3-Alto 3,6% 7,6% 2,2% 1,2%
VARIANZA SYBILLA FLORES LADY GENNY PALMERS BASEMENT OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
1-Bajo 9,7% 23,9% 0,4% 3,1% 7,0% 2-Medio 8,3% 0,3% 1,9% 5,6% 3,0% 4,6% 1,3% 5,4% 3-Alto 1,4% 3,0% 1,8% 6,2%
123
CUADRO BIKINI - CLUSTER 2
RENTABILIDAD
SYBILLA FLORES LADY GENNY PALMERS BASEMENT OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
1-Bajo 6,0% 17,9% 1,4% 2,8% 10,3% 2-Medio 2,8% 1,0% 9,3% 2,6% 7,4% 1,3% 4,3% 1,7% 3,8% 3-Alto 1,4% 1,0% 14,9%
VARIANZA SYBILLA FLORES LADY GENNY PALMERS BASEMENT OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
1-Bajo 4,1% 15,1% 0,3% 1,0% 6,1% 2-Medio 2,0% 0,5% 2,5% 1,2% 5,4% 1,0% 2,0% 1,1% 3,1% 3-Alto 0,1% 0,5% 2,3%
CUADRO BIKINI - CLUSTER 3
RENTABILIDAD
SYBILLA FLORES LADY GENNY PALMERS BASEMENT OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
1-Bajo 6,3% 20,2% 1,6% 2,7% 10,8% 2-Medio 3,1% 1,0% 9,1% 1,8% 6,2% 1,8% 4,5% 2,2% 2,3% 3-Alto 2,0% 10,6% 2,2%
VARIANZA SYBILLA FLORES LADY GENNY PALMERS BASEMENT OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
1-Bajo 4,1% 19,4% 0,3% 0,9% 7,6% 2-Medio 1,8% 0,5% 2,5% 1,1% 2,8% 1,3% 5,4% 1,1% 4,3% 3-Alto 0,4% 4,6% 1,9%
124
8.1.2. Pijama Algodón Dama
PIJAMA ALGODÓN DAMA - CLUSTER 1 RENTABILIDAD SCOCCI SYBILLA H KITTY BASEMENT PUCCA OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
1-Bajo -1,8% 7,6% 17,2% 3,7% -0,7% 8,3% 24,6% 2,7% 8,8% 2-Medio 3,0% 8,3% 5,5% 12,5% 3,6% 9,9% 9,3% 12,0% 8,4% 11,6% 3,8% 9,8% 3-Alto 9,8% 14,2% 18,6% 2,9% 17,5%
VARIANZA SCOCCI SYBILLA H KITTY BASEMENT PUCCA OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
1-Bajo 4,1% 4,0% 11,2% 0,4% 11,2% 3,6% 14,9% 1,6% 1,1% 2-Medio 1,6% 9,4% 1,8% 11,0% 1,6% 11,6% 3,2% 3,9% 2,1% 11,5% 2,2% 10,7% 3-Alto 8,3% 7,6% 7,5% 1,0% 9,4%
PIJAMA ALGODÓN DAMA - CLUSTER 2 RENTABILIDAD SCOCCI SYBILLA H KITTY BASEMENT PUCCA OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
1-Bajo 8,9% 4,9% 12,5% 2,9% 2,2% 3,7% 6,7% 0,8% 5,4% 2-Medio 3,3% 8,2% 6,1% 12,3% 2,1% 4,3% 4,9% 6,6% 5,4% 22,2% 2,8% 7,4% 3-Alto 4,1% 7,3% 13,3% 2,3% 13,1%
125
PIJAMA ALGODÓN DAMA - CLUSTER 2
VARIANZA SCOCCI SYBILLA H KITTY BASEMENT PUCCA OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
1-Bajo 10,7% 2,1% 9,0% 0,5% 1,6% 2,5% 2,1% 1,2% 0,9% 2-Medio 1,6% 9,1% 2,6% 10,1% 1,9% 5,0% 1,5% 1,6% 2,5% 23,8% 1,0% 10,8% 3-Alto 3,5% 3,4% 6,8% 0,8% 15,6%
PIJAMA ALGODÓN DAMA - CLUSTER 3 RENTABILIDAD SCOCCI SYBILLA H KITTY BASEMENT PUCCA OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
1-Bajo 3,5% 5,5% 12,5% 3,3% 9,2% 3,8% 10,3% 1,4% 2,3% 6,9% 2-Medio 3,0% 7,6% 6,4% 12,0% 2,8% 10,9% 5,4% 6,1% 7,2% 12,0% 2,7% 7,9% 3-Alto 6,8% 8,8% 16,1% 2,5% 17,1%
VARIANZA SCOCCI SYBILLA H KITTY BASEMENT PUCCA OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
1-Bajo 15,4% 2,2% 10,3% 1,7% 1,5% 2,6% 3,8% 0,6% 2,1% 0,0% 2-Medio 1,2% 8,3% 2,7% 9,8% 1,1% 7,9% 1,2% 4,5% 3,3% 5,2% 1,1% 11,0% 3-Alto 7,4% 3,4% 6,3% 0,7% 10,9%
126
8.1.3. Sostén Fashion
SOSTÉN FASHION - CLUSTER 1 RENTABILIDAD FLORES TRIUMPH BASEMENT MAIDENFO LADY GENNY SYBILLA OTRAS
RP Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana 1-Bajo 6,1% 2,0% 7,0% 4,3% 36,6% 2,4% 8,2%
2-Medio 2,0% 1,9% 5,5% 6,8% 8,1% 2,1% 5,6% 1,8% 4,1% 3-Alto 1,3% 3,5% 1,5% 11,9% 2,8%
VARIANZA FLORES TRIUMPH BASEMENT MAIDENFO LADY GENNY SYBILLA OTRAS
RP Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana 1-Bajo 0,4% 1,8% 5,0% 1,5% 11,1% 1,6% 5,1%
2-Medio 1,3% 1,6% 5,8% 19,7% 5,2% 0,9% 1,0% 1,5% 5,8% 3-Alto 1,8% 7,0% 0,8% 14,9% 1,9%
SOSTÉN FASHION - CLUSTER 2 RENTABILIDAD FLORES TRIUMPH BASEMENT MAIDENFO LADY GENNY SYBILLA OTRAS
RP Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana 1-Bajo 2,3% 20,0% 4,1% 24,5% 1,8% 9,4%
2-Medio 1,7% 1,6% 8,4% 2,2% 5,9% 4,3% 1,5% 4,7% 3-Alto 0,8% 2,8% 2,0% 2,4%
127
SOSTÉN FASHION - CLUSTER 2
VARIANZA FLORES TRIUMPH BASEMENT MAIDENFO LADY GENNY SYBILLA OTRAS
RP Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana 1-Bajo 2,1% 10,5% 2,6% 11,8% 1,5% 3,9%
2-Medio 1,6% 1,2% 6,6% 3,3% 5,6% 0,9% 2,2% 3,4% 3-Alto 1,5% 5,5% 2,5% 4,4%
SOSTÉN FASHION - CLUSTER 3 RENTABILIDAD FLORES TRIUMPH BASEMENT MAIDENFO LADY GENNY SYBILLA OTRAS
RP Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana 1-Bajo 2,8% 12,1% 4,3% 25,6% 1,8% 9,1%
2-Medio 1,5% 1,5% 6,0% 1,9% 6,7% 3,1% 4,7% 2,0% 6,2% 3-Alto 1,6% 2,3% 1,5% 3,2%
VARIANZA FLORES TRIUMPH BASEMENT MAIDENFO LADY GENNY SYBILLA OTRAS
RP Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana 1-Bajo 2,9% 12,1% 1,9% 14,1% 1,3% 2,9%
2-Medio 1,5% 1,1% 7,2% 2,4% 5,7% 0,5% 0,8% 1,8% 3,9% 3-Alto 1,9% 7,4% 1,0% 2,6%
128
8.2. PORCENTAJES ACTUALES POR CADA GRUPO DE PRODUCTOS.
8.2.1. Cuadro Bikini
CUADRO BIKINI CLUSTER 1 - ACTUAL SYBILLA FLORES LADY GENNY PALMERS BASEMENT OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
Bajo 21,8% 1,6% 1,9% 2,2% 1,6% 0,8% 0,2% Medio 1,5% 0,4% 4,6% 0,2% 1,0% 2,3% 3,3% 7,4% 0,6% 14,4% 7,1% Alto 0,9% 0,5% 12,9% 12,8%
Rentabilidad 4,9% Stdev 2,4%
129
CUADRO BIKINI CLUSTER 2 - ACTUAL SYBILLA FLORES LADY GENNY PALMERS BASEMENT OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
Bajo 28,0% 3,5% 3,7% 4,9% 2,5% 1,1% 0,5% Medio 3,0% 0,8% 7,0% 0,2% 1,2% 4,2% 5,0% 9,5% 1,0% 13,0% 1,7% Alto 0,6% 0,5% 8,0% 0,1%
Rentabilidad 4,0% Stdev 1,3%
CLUSTER 3 - ACTUAL SYBILLA FLORES LADY GENNY PALMERS BASEMENT OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
Bajo 24,9% 3,4% 3,3% 4,0% 3,0% 1,1% 0,4% Medio 2,4% 0,8% 6,1% 0,2% 1,1%
5,4% 4,0% 10,6% 1,5% 14,6% 2,5%
Alto 1,2% 0,6% 8,7% 0,0% Rentabilidad 4,2% Stdev 1,3%
130
8.2.2. Pijama Algodón Dama
PIJAMA ALGODON DAMA CLUSTER 1 - ACTUAL SCOCCI SYBILLA H KITTY BASEMENT PUCCA OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
Bajo 0,0% 0,8% 5,3% 8,2% 2,1% 0,9% 4,7% 0,6% 0,3% 1,3% 0,5% Medio 5,9% 7,2% 2,0% 7,8% 9,5% 3,3% 1,3% 2,8% 1,9% 1,6% 4,6% 9,9% Alto 0,4% 0,4% 0,2% 0,3% 4,4% 2,8% 3,3% 3,7% 1,9%
Rentabilidad 8,8% Stdev 1,9%
CLUSTER 2 - ACTUAL SCOCCI SYBILLA H KITTY BASEMENT PUCCA OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
Bajo 0,2% 0,4% 5,5% 8,1% 2,2% 0,5% 4,8% 1,3% 0,6%
1,2% 0,8% Medio 6,8% 8,1% 1,3% 6,9% 9,0% 3,5% 1,2% 2,9% 2,2% 0,6% 4,2% 9,5% Alto 0,3% 0,3% 0,2% 0,4% 3,9% 2,9% 3,9% 4,3% 2,1%
Rentabilidad 6,4% Stdev 1,7%
131
PIJAMA ALGODON DAMA
CLUSTER 3 - ACTUAL SCOCCI SYBILLA H KITTY BASEMENT PUCCA OTRAS Rango Precio Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana
Bajo 0,2% 0,6% 5,1% 8,2% 2,1% 0,3% 5,2% 1,3% 1,1% 0,6% 1,2% 0,4% Medio 6,5% 8,5% 1,4% 7,4% 8,9% 1,9% 1,5% 3,4% 2,2% 1,2% 4,5% 8,4% Alto 0,7% 0,6% 0,1% 0,3% 3,9% 3,6% 3,2% 4,1% 1,5%
Rentabilidad 6,9% Stdev 1,7%
8.2.3. Sostén Fashion
SOSTEN FASHION CLUSTER 1 - ACTUAL FLORES TRIUMPH BASEMENT MAIDENFO LADY GENNY SYBILLA OTRAS
RP Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Bajo 0,8% 0,3% 0,5% 9,1% 0,2% 4,2% 1,5% 5,1% 1,0%
Medio 14,0% 0,1% 7,3% 2,3% 10,2% 3,5% 5,0% 1,7%
9,7% 2,8% Alto 0,1% 9,0% 2,7% 6,6% 0,3% 2,0%
Rentabilidad 3,6% Stdev 2,1%
132
SOSTEN FASHION CLUSTER 2 - ACTUAL FLORES TRIUMPH BASEMENT MAIDENFO LADY GENNY SYBILLA OTRAS
RP Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Bajo 0,8% 0,8% 0,4% 14,4% 1,1% 4,6% 2,9% 5,2% 1,0%
Medio 15,8% 0,1% 7,7% 2,4% 9,1% 3,1% 0,4% 1,5%
9,4% 1,7% Alto
0,1% 7,4% 3,0%
4,8% 0,5%
1,9%
Rentabilidad 3,2% Stdev 0,7%
CLUSTER 3 - ACTUAL FLORES TRIUMPH BASEMENT MAIDENFO LADY GENNY SYBILLA OTRAS
RP Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Básico Ventana Bajo 0,7% 0,7% 0,4% 0,1% 12,5% 1,2% 4,3% 2,1% 5,0% 0,7%
Medio 16,2% 0,1% 7,4% 2,7% 11,3% 4,0% 0,9% 1,5% 9,1% 1,9% Alto
0,1% 7,0% 2,4%
5,2% 0,4%
1,9%
Rentabilidad 3,1% Stdev 0,8%