Bruno, la plataforma colaborativa que optimiza los inventarios en el retail
Inteligencia artificial aplicada al retail
- Gracias a la implementación de IA aplicada a los inventarios, el retail ha generado un aumento de la productividad de sus reponedores en un 40%, lo que se traduce en un crecimiento promedio del 7% de sus ventas.
Dentro de las complicaciones del retail, es conocer con precisión su stock de productos, la cantidad que pudieran faltan y cuáles son las pérdidas. En la generalidad hay empresas que pueden tener pérdidas cercanas a los 100 mil millones de dólares por quiebre de stock. Este problema se genera por el llamado “inventario fantasma”, que es cuando el sistema de gestión de inventario muestra que un producto en particular está disponible (tiene stock >0), pero no está realmente presente.
Para atender esta problemática nace Bruno, el asistente digital de ejecución en góndola, creación de Zippedi -desarrollo apoyado por Magical Startups- que utiliza Inteligencia Artificial para controlar los inventarios y ayudar a disminuir las pérdidas. Y es que aún cuando muchos modelos de optimización de inventario se han desarrollado desde hace más de 50 años, su puesta en práctica en el retail ha sido muy lenta debido a la incorrecta gestión de los datos recopilados.
¿Cómo funciona la Plataforma?
Robot
Usando inteligencia artificial, Zippedi desarrolló un robot que está equipado con distintos sensores y cámaras de alta resolución, con las que recorre de forma autónoma el supermercado por completo. Este robot digitaliza las góndolas, generando información en tiempo real del surtido, quiebres de stock, precios, ubicación del producto, implementación de carteles promocionales, entre otros.
Chatbot
Bruno es el eje central de la plataforma colaborativa, en forma de chatbot, que permite la comunicación entre el retail y los proveedores, de este modo los datos obtenidos anteriormente son de utilidad para que los reponedores ejerzan una mejor ejecución en góndola, es decir, para tomar decisiones como por ejemplo aumentar el stock y evitar los quiebres.
“Hoy con el advenimiento de modelos de machine learning se pueden analizar las ventas y esto puede ayudar a detectar problemas de disponibilidad con cierto grado de efectividad, particularmente para productos con muy alta rotación. Sin embargo, para la mayoría de los productos este enfoque es poco práctico, debido a que estas detecciones distan mucho de ser en tiempo real y por el alto número de falsos positivos”, afirma Ariel Schilkrut, co fundador de Zippedi .
Un ejemplo:
Al partir el día el reponedor consulta a Bruno la lista de productos que necesita reponer para ir directamente a la bodega por ellos. Luego, al estar en la sala el reponedor le solicita que le muestre tarea por tarea según el pasillo seleccionado para ir ejecutando cada una de éstas. La aplicación retorna el nombre del producto, la imagen del quiebre de stock, el código del producto, ubicación precisa en metros de izquierda a derecha y su altura y por último el stock disponible en el local.
El trabajo de Bruno con proveedores y retail ha permitido disminuir los tiempos de ajuste de inventarios, implementar productos del fondo de surtido, que se pierden en bodega, y aumentar la disponibilidad en góndola al activar a tiempo las tareas de reposición. El proveedor ahora tiene visibilidad de la disponibilidad de sus productos en cada una de las tiendas y el control por producto de su ajuste correspondiente. Otro punto interesante es que con el uso de Bruno el proveedor puede estimar la cantidad de horas de reposición que son necesarias para mantener una disponibilidad óptima, de acuerdo con las tareas de reposición que se generan.
Los robots de Zippedi están presentes en los tres grupos de retail más grandes del país, además de tiendas de Latinoamérica y Estados Unidos, recorriendo más de 3.000 kms y analizando más de 100 millones de imágenes cada mes. Para mayor información visite: https://www.zippedi.com/.
