Caso de Estudio
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.
Como Analista de Reposición en el equipo dedicado de P&G para Walmart Canadá, identifiqué un fallo crítico en la reposición automatizada de RetailLink que causaba el subrendimiento sistemático de las "tiendas doradas". Al desarrollar un algoritmo personalizado de Disponibilidad en Estante (OSA) usando R y Knime, demostré que la automatización creaba bucles de retroalimentación negativa. El piloto entregó resultados inmediatos, escalando de 20 tiendas a una implementación en todo Canadá y expandiéndose a la categoría de mayor margen de P&G.
Resultados Clave
La Transformación
El Desafío
El sistema automatizado de reposición de RetailLink de Walmart estaba creando un bucle de retroalimentación negativa oculto, destruyendo sistemáticamente las ventas en las tiendas de mejor desempeño de P&G. El mecanismo era sutil: los productos voluminosos de Femme Care llegaban a las tiendas y se almacenaban en el área trasera. Si el personal no los llevaba a los estantes a tiempo, la disponibilidad en estante disminuía. RetailLink no podía distinguir entre "producto en almacén trasero" y "producto no necesario". Veía ventas bajas, las interpretaba como baja demanda y ordenaba menos en el siguiente ciclo. Menos inventario significaba aún menor disponibilidad en estante, ventas aún más bajas y pedidos aún más pequeños. Las "tiendas doradas", con ventas inicialmente excelentes, declinaban hacia pronósticos semanales de un solo dígito sin culpa de la demanda real.
- El patrón se repitió en toda la categoría de Femme Care: docenas de tiendas mostraban el mismo declive sistemático, sugiriendo un problema a nivel de sistema en lugar de problemas de demanda aislados.
- Cientos de combinaciones SKU-tienda hacían imposible la intervención manual: necesitábamos un enfoque basado en datos para distinguir las ventas bajas por disponibilidad de la baja demanda genuina.
- Cuanto más tiempo funcionaba el bucle, más difícil era revertirlo: las tiendas con meses de pedidos suprimidos habían acumulado pronósticos tan bajos que incluso volver al stock normal en estante no arreglaría inmediatamente el pedido automatizado.
Nuestro Enfoque
Desarrollo del Algoritmo:
- Desarrollé un algoritmo personalizado de Disponibilidad en Estante (OSA) utilizando datos de POS de RetailLink, niveles de inventario y flujos de trabajo en R/Knime. El algoritmo comparó la velocidad real de POS contra la demanda esperada basada en la demografía de la tienda y el rendimiento histórico. Esto nos permitió identificar qué combinaciones SKU-tienda de bajas ventas eran problemas de disponibilidad versus baja demanda genuina.
- La clave fue el patrón de "tienda dorada": tiendas que habían tenido buen rendimiento históricamente pero que ahora estaban en declive. Construimos un modelo de puntuación que señalaba tiendas donde la trayectoria del declive coincidía con la firma del bucle de retroalimentación negativa en lugar de cambios orgánicos de demanda.
Diseño del Piloto y Convicción de las Partes Interesadas:
- Propuse el piloto "How High is High": sobre-stock estratégico de 10-20 productos de Femme Care en aproximadamente 20 tiendas doradas en Canadá. La tesis era contraintuitiva: pedíamos a Walmart que ordenara más de un producto que su sistema decía tener baja demanda.
- Presenté los hallazgos a los equipos de reposición y compradores de Walmart junto con mi gerente y líder de ventas. Hicimos un compromiso audaz: "Si esto no funciona después de un mes, mi gerente y yo alquilaremos una U-Haul y compraremos personalmente el exceso de inventario de todas las tiendas de Ontario". Los datos fueron convincentes, pero esa apuesta personal selló la aprobación.
Escala Rápida y Expansión:
- Lanzamos el piloto dentro de una semana de la aprobación. Las tiendas con sobre-stock mostraron recuperación de POS dentro de dos semanas a medida que el producto regresaba consistentemente a los estantes. Walmart solicitó la expansión antes de que terminara el período inicial de evaluación de un mes.
- Escalamos a una implementación en todo Canadá después de un mes de fuerte rendimiento. Luego aplicamos la misma metodología a Afeitado, la línea de productos de mayor margen de P&G, que mostró patrones idénticos de bucles de retroalimentación con multipacks de afeitadoras voluminosas.
El Resultado
Ingresos e Impacto en el Mercado:
- $3M en ingresos incrementales generados en 4 meses: +$2M en POS de Femme Care (aumento del 4% en la categoría) y +$1M en POS de Afeitado (aumento del 4% en la categoría).
- Reducción del 10% en rupturas de stock en las categorías gestionadas, con un aumento del 5% en entregas a tiempo a medida que los patrones de pedido corregidos se estabilizaban.
- Todo el aumento de ingresos provino de corregir un fallo existente en el sistema: sin nuevos productos, promociones o gastos de marketing. Recuperación pura de la demanda que la automatización había estado suprimiendo.
Reconocimiento y Valor Estratégico:
- Premio Pearl del equipo de P&G Walmart Canadá: uno de los honores de reconocimiento más altos para la cuenta de Walmart.
- La metodología fue adoptada como práctica estándar para categorías de productos voluminosos de alta velocidad en todo el negocio de Walmart de P&G. La lección: la automatización es poderosa, pero la automatización no monitoreada puede destruir valor silenciosamente.
Lo Que Dice el Cliente
Rápidamente se convirtió en la persona de datos a la que todos acudían—organizado, meticuloso y un gran aliado. Co-creamos procesos de reposición para ecommerce; su forma de pensar fuera de lo tradicional mejoró de manera consistente cómo trabajaba el equipo.
Bebul Soomro
Director de Supply Chain, Procter & Gamble
¿Quieres resultados similares para tu organización?
HablemosTambién Te Puede Interesar
¿Listo para convertir datos en decisiones?
Hablemos de cómo lograr ROI medible en meses.