Caso de Estudio
Automated Replenishment Reports Saved 120+ Hours Monthly
Cutting analysis time from days to minutes — boosting in-stock rates across Walmart Canada.
En P&G Canadá, Arturo automatizó los reportes de reposición para Walmart, reemplazando revisiones manuales semanales con dashboards de POS e inventario. Los analistas pasaron de gastar 3 días en revisiones SKU-tienda a actuar en minutos, ahorrando más de 120 horas mensuales y mejorando las tasas de disponibilidad en todo el portafolio.
Resultados Clave
La Transformación
El Desafío
El equipo de reposición de P&G en Walmart Canadá se ahogaba en trabajo manual. Cada analista dedicaba aproximadamente 3 días semanales a extraer datos de tasas de llenado SKU-tienda de Retail Link, formatearlos en plantillas y buscar problemas de disponibilidad. Con 8 analistas cubriendo cientos de combinaciones, solo podían investigar profundamente una fracción de los problemas potenciales. Para cuando identificaban un patrón de desabasto —como un SKU de Pantene vacío en 15 tiendas de Ontario—, ya era jueves o viernes, demasiado tarde para influir en el siguiente ciclo de reposición. Este retraso costaba ingresos reales: productos en cuartos traseros no generaban ventas, y a menudo la ventana promocional había pasado. El "inventario fantasma" era un punto ciego crítico: Retail Link mostraba stock disponible, pero el producto estaba en el almacén, no en el estante, invisible para compradores y analistas. Nadie tenía una forma sistemática de distinguir entre "bajas ventas por baja demanda" y "bajas ventas porque el producto no está en el estante".
Nuestro Enfoque
Automatizamos toda la tubería de extracción a insight. Primero, creamos scripts para extraer automáticamente datos de POS e inventario de Retail Link, eliminando descargas manuales y copias en hojas de cálculo. La extracción se ejecutaba durante la noche, dejando los datos listos para el lunes por la mañana. La pieza clave fue la lógica de detección de inventario fantasma: algoritmos que comparaban la velocidad de venta (POS) contra los niveles de inventario en mano. Si una tienda mostraba 40 unidades pero vendía cero en 7 días para un producto que normalmente mueve 8 unidades semanales, se marcaba como probable inventario fantasma. También establecimos umbrales ajustados por categoría, ya que artículos voluminosos como toallas de papel tienen patrones diferentes a artículos pequeños como cuchillas. Cada analista recibía un dashboard personalizado listo para el lunes, mostrando la salud de su categoría: tiendas marcadas clasificadas por impacto en ingresos, patrones de desabasto en tendencia y sospechosos de inventario fantasma. Los dashboards se diseñaron alrededor del flujo de trabajo real del analista, no como una herramienta BI genérica, sino como una vista construida a propósito que respondía a las preguntas específicas que hacían cada semana. En lugar de pasar 3 días buscando problemas, podían revisar problemas preidentificados el lunes por la mañana y actuar el mismo día, contactando gerentes de tienda, ajustando pronósticos o escalando al comprador de reposición. También creamos un correo electrónico semanal de resumen para los líderes de categoría, destacando los 10 principales problemas por impacto estimado en ingresos en todos los territorios de los analistas. Esto dio a la gerencia visibilidad sobre las mayores oportunidades sin requerir que abrieran los dashboards ellos mismos.
El Resultado
La automatización ahorró más de 120 horas de analistas al mes en todo el equipo, equivalentes a aproximadamente 3 semanas de capacidad de tiempo completo redirigidas del manejo de datos a la acción estratégica. Las tasas de disponibilidad mejoraron un 1% en todo Walmart Canadá, lo que parece pequeño hasta que se calcula el impacto en los ingresos a través de todo el portafolio de P&G en el mayor minorista de Canadá. A la escala de P&G con Walmart Canadá, una mejora del 1% en la disponibilidad se tradujo en ingresos incrementales significativos. Las entregas a tiempo mejoraron un 5% porque los analistas podían marcar problemas de reposición antes de que se convirtieran en desabastecimientos, en lugar de reaccionar después de que los estantes ya estuvieran vacíos. La sola detección de inventario fantasma valió la pena el proyecto, ya que reveló problemas de disponibilidad que habían sido completamente invisibles en el proceso de revisión manual. Pero la verdadera transformación fue comportamental. Los analistas pasaron de ser buscadores de problemas reactivos a solucionadores de problemas proactivos. Podían identificar una tendencia de desabasto el lunes y tener una acción correctiva en su lugar antes del siguiente pico de ventas del fin de semana. Los dashboards se convirtieron en el ritmo operativo estándar para el equipo de reposición; cada lunes comenzaba con el reporte automatizado. Los nuevos analistas se integraron más rápido porque el sistema les indicaba dónde enfocarse, en lugar de requerir meses de experiencia para saber qué tiendas y SKUs vigilar.
¿Quieres resultados similares para tu organización?
HablemosTambién Te Puede Interesar
How High is High: Breaking the Negative Feedback Loop in Automated Replenishment
Identified critical flaw in Walmart's automated replenishment, developed custom OSA algorithm, and drove $3M incremental revenue across two P&G categories in 4 months.
Leer caso de estudioCracking Nielsen's ETL: From 20 Days to 3
Faster POS data: cutting Nielsen ETL from 20 days to 3.
Leer caso de estudio¿Listo para convertir datos en decisiones?
Hablemos de cómo lograr ROI medible en meses.