Estandarización de productos y gestión automatizada de SKUs

10/09/2026

El mes pasado, me senté frente al director de operaciones de una marca de bienes de consumo rápido (FMCG) en Ciudad Ho Chi Minh. Su proyecto de reconocimiento de productos basado en IA iba tres semanas atrasado. La razón no fue que el algoritmo fallara al ejecutarse, sino que los datos de entrada eran demasiado caóticos. El mismo aceite de motor de 4L estaba registrado como "Aceite 4L" en la Sucursal A, "Aceite de motor 4 litros" en la Sucursal B y "Aceite 4L" en el almacén central. No me atrevería a decir qué aprendió realmente el sistema de IA. La lección es simple: si no limpian sus datos primero, la IA solo les ayuda a replicar el desorden más rápido. Necesitamos comenzar estandarizando el proceso de clasificación de productos, en lugar de saltar directamente a la tecnología.

Paso 1: Redefinir el marco de clasificación de productos

Antes de alimentar cualquier dato al sistema, necesitan sentarse y acordar un lenguaje común. Este es el paso que más tiempo consume pero el más importante. Sus entradas deben incluir una lista de todos los SKUs actuales, los conjuntos de categorías que usan actualmente en su ERP o WMS, y una lista de códigos de error comunes. La tarea es eliminar nombres duplicados y establecer una estructura jerárquica clara. Por ejemplo, en lugar de escribir solo "Leche", definan el estándar como "Categoría: Alimentos > Grupo: Lácteos y Bebidas > Tipo: Leche fresca > Variante: 180ml". La salida visible es una sola hoja de Excel o archivo CSV donde cada producto tiene un solo nombre y un código único. Saben que este paso está completo cuando dos empleados de almacén en diferentes sucursales miran el mismo producto y lo llaman con el nombre exacto, sin necesidad de preguntar a nadie más.

Paso 2: Limpiar y estandarizar los datos existentes

Muchas empresas omiten este paso, asumiendo que los datos antiguos desaparecerán solos. No será así. Los datos heredados son la raíz de todos los conflictos futuros. La entrada es todo el historial de ingresos de los últimos 12 a 24 meses. La tarea es usar reglas lógicas para consolidar variantes de nombres en códigos estándar. Si tienen grandes conjuntos de datos, el procesamiento manual es imposible. Aquí, las herramientas de procesamiento de lenguaje natural (NLP) pueden ayudar a detectar errores tipográficos o nombres casi duplicados. Una vez trabajé con Masan y varias empresas de fideos instantáneos, donde solo los nombres de sabor tenían decenas de variaciones. Usamos algoritmos de coincidencia aproximada para consolidarlos. La salida es un conjunto de datos "limpio" donde cada SKU corresponde a exactamente una descripción estándar. La métrica de finalización es una reducción de registros duplicados o ambiguos a un nivel aceptable, típicamente por debajo del 5%.

Paso 3: Construir un modelo de asignación de códigos automatizada

Ahora llegamos a la tecnología. Las entradas son el conjunto de datos limpio del Paso 2 y fotos o descripciones de nuevos productos. La tarea es entrenar un modelo de aprendizaje automático, ya sea basado en texto o en visión por computadora, para reconocer nuevos productos y asignar el código de clasificación correcto. No necesitan un modelo complejo desde el inicio. Comiencen con un modelo simple, como la clasificación basada en nombres de productos y algunos atributos básicos. Luego, expandan a la lectura de códigos de barras o al reconocimiento de imágenes de empaques. La salida visible es un sistema capaz de sugerir un código SKU para cada nuevo producto con cierto nivel de confianza. Saben que este paso está hecho cuando el sistema puede asignar correctamente códigos al menos al 90% de los productos conocidos y proporcionar advertencias claras cuando se encuentra con un producto desconocido del que no está seguro.

Paso 4: Integrar en los procesos de ingreso de múltiples sucursales

Un modelo que funciona bien en un laboratorio es una cosa, pero funcionar bien en un almacén a las 5 a.m. es otra. La entrada es su sistema WMS o ERP actual. La tarea es integrar el modelo de IA en el proceso de ingreso. Cuando el personal escanea un código o fotografía un nuevo producto, el sistema verifica automáticamente y asigna el código de clasificación. Si la confianza es alta, lo acepta automáticamente. Si es baja, lo envía a una cola para revisión humana. Es crucial asegurar la consistencia en toda la cadena. Un producto codificado en un almacén central en Binh Duong debe tener el mismo código y categoría cuando llegue a un almacén de distribución en Hanói o a un socio en Tailandia. He visto esto funcionar efectivamente al trabajar con empresas de lubricantes, donde las inconsistencias de datos les costaban semanas en la conciliación de inventario. La salida es un flujo de ingreso sin problemas con la entrada manual de datos minimizada. La finalización se marca por una reducción significativa en el tiempo de procesamiento de nuevos lotes y la eliminación de instancias donde dos almacenes registran códigos diferentes para el mismo producto.

Paso 5: Monitorear, retroalimentar y escalar

El trabajo no termina cuando el sistema se pone en línea. Los datos siempre cambian. Se lanzan nuevos productos, cambian los diseños de empaque y surgen nuevos errores de entrada de datos. Las entradas son los registros de actividad diarios y las excepciones manejadas por humanos. La tarea es establecer un bucle de retroalimentación. Cada vez que un empleado de almacén corrige un código asignado incorrectamente por la IA, el sistema debe registrar ese error y usarlo para reentrenar el modelo. Así es como la IA se vuelve más inteligente en tiempo real. También necesitan rastrear métricas de precisión y tasas de intervención manual. Si las tasas de intervención aumentan, significa que los datos de entrada están volviendo a contaminarse o que el modelo se está quedando obsoleto. Escalar de una línea, una fábrica, a toda una cadena minorista es un proceso cauteloso. No intenten aplicarlo a todo el sistema de inmediato. Comiencen con un almacén y una categoría de producto específica. Una vez estable, repliquen el proceso a otras sucursales. Para cerrar, volvamos al director de operaciones que mencioné al inicio. Después de aplicar el proceso correcto del Paso 1 al Paso 5, el proyecto no solo se puso al día en el cronograma, sino que superó las expectativas. El sistema de IA ya no es una caja negra preocupante, sino un empleado virtual de almacén que siempre es consistente. Los datos limpios, los SKUs estándar y la tranquilidad en la gestión han regresado. Ese es el verdadero resultado de una automatización adecuada.

Esta serie proviene de proyectos que realmente se entregaron. Más información en el blog de AIVISION, detalles sobre reconocimiento facial y el resto de nuestras soluciones, o contáctenos.