Rendimiento del lineal y prevención de roturas de stock

¿Cómo mejora un software de planogramas basado en IA el rendimiento del lineal a medida que cambian el surtido y la demanda?

La mejora proviene la frecuencia de la frecuencia con la que se puede corregir un layout, no de un un único planograma: un software de planogramas basado en IA recalcula la asignación de espacio a medida que cambian las ventas, el surtido y el equipamiento, lo que evita que el rendimiento del lineal se deteriore entre las distintas revisiones de categoría. Retano Shelfplan genera cada layout a partir de la geometría del equipamiento, los datos maestros de producto (dimensiones, embalaje y restricciones de colocación) y los resultados de venta ordenados por facturación, unidades o margen. Los facings se dimensionan después para que la proporción de superficie de lineal que ocupa un producto corresponda a su peso en el criterio elegido, respetando los límites establecidos para cada clase ABC.

Lo que diferencia la generación automatizada del dibujo asistido por reglas, en el retail de alimentación y gran consumo FMCG, es la escala del recálculo. Los layouts pueden regenerarse de forma masiva — para una única tienda, un formato o toda la cadena— y el resultado incluye como un resumen de cambios y la lista de productos que el algoritmo no ha podido colocar, de modo que el category manager trabaja sobre las excepciones en lugar de tener que rediseñar los estantes.

El rendimiento del lineal se mide después con los mismos datos con los que se construyó el layout: ingresos por unidad de superficie de lineal ocupada y útil, resultados de venta visualizados directamente sobre el layout del equipamiento y análisis de zonas de calor del área de ventas. Cuando los servicios analíticos están conectados, las recomendaciones de layout llegan como cambios concretos en los facings, que pueden compararse con la versión actual antes de aplicarse.

¿Qué funcionalidades de un software de planogramas y planificación de espacio para retail deberían verificarse con los propios datos de la cadena?

Las funcionalidades que conviene verificar con datos reales de tienda son las que determinan cuánto trabajo manual queda después de la puesta en marcha. Durante la evaluación hay dos aspectos que suelen subestimarse: los datos maestros que el sistema necesita antes de poder generar cualquier layout y hasta qué punto puede representar el equipamiento real de una cadena.

• Calidad de los datos maestros — cómo se comporta el sistema cuando faltan dimensiones o atributos de embalaje para una parte del surtido y cómo se cierran esos huecos antes de generar el primer layout. Retano Shelfplan guarda las dimensiones físicas en una base de datos específica con importación y exportación masivas, y la implantación incluye normalizar lo que ya existe en los sistemas del retailer.
• Equipamiento no estándar sin trabajo a medida — ganchos y zonas perforadas, cestas, zonas verticales y equipamiento sin una estructura de baldas estándar, gestionados mediante plantillas de equipamiento reutilizables en lugar de una configuración independiente para cada tienda.
• Gestión de excepciones — una lista clara de los productos que el algoritmo no ha podido colocar y una forma de resolverlos sin tener que reconstruir el layout desde cero.
• Recálculo a escala de toda la cadena, para que una actualización de categoría no se convierta en un proyecto manual de varias semanas.
• Conexión con la ejecución en tienda: tareas de layout en la app móvil, confirmación mediante fotografías, captura del realograma y verificación automática del cumplimiento mediante Retano VeriShelf AI.
• Intercambio de datos con la planificación relacionada — Retano Shelfplan trabaja con Retano Catman y transmite la capacidad del lineal a Retano SCM.

El historial de versiones, la comparación de planogramas y la aprobación electrónica son el estándar básico en esta categoría de software, no elementos diferenciadores.

¿Qué ven realmente las herramientas de IA que detectan roturas de stock mediante escaneo del lineal y visión artificial?

Estas herramientas comparan la imagen del lineal con el planograma aprobado y clasifican las discrepancias según su tipo: un producto ausente, menos facings de los previstos, producto en posición incorrecta, producto no autorizado en el lineal o layout que se ha alejado del estándar. Cuando existe la ausencia de un producto es solo uno de esos tipos. Retano VeriShelf AI utiliza un modelo de reconocimiento previamente entrenado con imágenes de retail y adaptado al surtido de cada cadena: las desviaciones se registran sin necesidad de un supervisor presente, una tarea correctiva llega al empleado de tienda casi de inmediato y el resultado de la verificación vuelve a Retano Shelfplan, donde se mantiene el planograma para realizar la comprobación.

De todos los tipos de discrepancias, el espacio vacío es el que requiere una interpretación más cuidadosa, sobre todo en el retail de alimentación y gran consumo FMCG. La visión artificial informa del estado del lineal en el momento de la captura, no del estado del inventario: un hueco puede significar que el artículo está agotado en toda la cadena, que está en el almacén de tienda o que se ha desplazado a otro equipamiento. Separar esos casos exige datos de stock y de reposición junto a la imagen. La colocación incorrecta no tiene esa limitación: la desviación respecto al planograma es visible directamente en la imagen.

Dos condiciones operativas fijan el “techo” o límite práctico del sistema. La constancia en la captura de imágenes importa más de lo que parece: iluminación, ángulo y encuadre fueron algunos de los factores donde los primeros despliegues de reconocimiento de lineal perdían precisión, y esa disciplina depende de los equipos de tienda, no del modelo. La frecuencia de captura determina el resto: un equipamiento fotografiado una vez por semana devuelve una imagen semanal de la disponibilidad en el lineal, por muy exacta que sea cada lectura.

¿Qué provoca las roturas de stock en el lineal de los supermercados y cómo las abordan los retailers mediante software?

En el retail de alimentación las roturas de stock se remiten a cuatro causas distintas, y entender cuál predomina en una categoría importa más que la elección de la herramienta. Las cuatro se miden en el mismo punto —el lineal— pero se distinguen por un detalle decisivo: si el producto falta también en la tienda o solo en el facing. Eso es lo que determina qué sistema ayuda. Las estimaciones del sector suelen situar la proporción de SKU ausentes del lineal en torno al 5-10% en un momento determinado, cifra que aumenta durante las promociones; las cifras varían según categoría, formato y método de medición, por lo que indican un orden de magnitud y no un objetivo sobre el que planificar.

Los errores de previsión de demanda producen verdaderas situaciones de escasez donde no hay stock en ningún punto de la tienda. Una capacidad de estante desalineada con la frecuencia de entrega puede dejar vacío el facing entre entregas en los productos de alta rotación, mientras el stock sigue disponible en otros puntos de la cadena. Los fallos de ejecución dejan el producto en la tienda pero fuera del lineal: en el almacén, en el equipamiento equivocado o sin reponer después de una actualización promocional. La inexactitud del registro de inventario enmascara las otras tres causas, porque el sistema muestra existencias que el lineal no tiene.

Ninguna herramienta por sí sola cierra las cuatro causas: están en procesos distintos, así que los sistemas también difieren. Retano SCM trabaja en el ámbito de los pedidos. Retano Shelfplan actúa sobre la capacidad: la capacidad del lineal obtenida del planograma alimenta la planificación de la cadena de suministro, de modo que el número de facings y la frecuencia de entrega se fijan uno en función de la otra y no por separado. Retano VeriShelf AI actúa sobre la ejecución. La precisión de los registros es la única causa que el software detecta pero no resuelve por sí solo: exige disciplina de recuento en la tienda.