Optimización de exhibición: lecciones de estanterías muertas

09/09/2026

Muchos aún creen que la optimización de exhibición es dominio exclusivo de los equipos de imagen de marca. Asumen que organizar productos por color, logo o directivas regionales es suficiente. Sin embargo, la realidad de la implementación demuestra lo contrario. Las estanterías pueden verse hermosas pero no atraer compradores, o los compradores pueden tener que deambular sin rumbo para encontrar lo que necesitan. El problema no es la estética, sino si el producto está en la posición correcta en el momento exacto en que la demanda aumenta. Este es un desafío de analítica de retail donde los datos de ventas en tiempo real deben interactuar directamente con el espacio físico.

El problema de los metros cuadrados 'dormidos'

Recuerdo una cadena de retail en el sur especializada en productos de consumo rápido (FMCG). Su desafío parecía simple: las ventas por metro cuadrado estaban disminuyendo, mientras que los costos inmobiliarios subían constantemente cada año. Contrataron a una gran firma de consultoría para rediseñar sus planogramas. El resultado fueron planos hermosos, pero después de la implementación, los ingresos se mantuvieron estancados. ¿Por qué? Los diseños eran estáticos. Se basaban en datos promedios trimestrales, mientras que el comportamiento de compra del consumidor vietnamita cambia rápidamente con las estaciones, las promociones e incluso el clima.

Al hablar con directores de operaciones, a menudo se quejan de que los cajeros y el personal de ventas no pueden mantenerse al día con los datos. Venden basándose en la intuición y la experiencia. Un vendedor hábil podría 'sentir' que la alta humedad de hoy significa una mayor demanda de productos hidratantes, pero el sistema de gestión de inventario permanece al tanto. Esta desconexión entre la realidad del piso de venta y los datos de la computadora es la brecha que las soluciones modernas de IA buscan cerrar. No necesitamos un sistema para reemplazar a los humanos; necesitamos un sistema que ayude a los humanos a tomar decisiones más rápidas y precisas.

Condiciones del mundo real: datos sucios y procesos rígidos

Antes de discutir algoritmos, debemos abordar las duras condiciones del mundo real en las fábricas y almacenes de Vietnam, así como en mercados vecinos como Tailandia y Filipinas. Los datos de ventas a menudo son ruidosos. Los productos se escanean incorrectamente, las promociones presenciales no se registran en los sistemas POS, o ocurren quiebres de stock sin alertas. Si alimentas un algoritmo con datos 'sucios', obtendrás resultados 'locos'.

Otro obstáculo es el proceso de toma de decisiones. En muchas empresas, cambiar la posición de una botella de aceite de motor o un paquete de fideos instantáneos en una estantería requiere al menos tres niveles de aprobación. Mientras tanto, los datos en tiempo real muestran que el Producto A se vende el doble de lo previsto, pero el Producto B ocupa su espacio. Si debes esperar tres días para obtener permiso para mover el inventario, la oportunidad se pierde. El desafío aquí no es solo tecnológico, sino romper el ciclo de aprobaciones tradicionales. Hemos implementado soluciones con grandes corporaciones como Masan y socios en la industria de lubricantes, y encontramos que la mayor barrera no es el software, sino la disposición de las personas para confiar en una señal de datos sobre la 'tradición'.

La bifurcación algorítmica: elegir entre velocidad y precisión

Al abordar este desafío de estrategia de retail, nos enfrentamos a dos caminos principales. El primero es usar algoritmos de ordenamiento estáticos. Son fáciles de implementar y de bajo costo, pero solo funcionan bien en mercados estables. El segundo es usar IA Agéntica combinada con Visión por Computadora. Este es un camino más difícil, que requiere inversión en infraestructura de cámaras y procesamiento de big data, pero permite que el sistema detecte automáticamente discrepancias entre el planograma diseñado y la realidad de la estantería.

Elegimos el segundo camino para casos con alta rotación de productos. El sistema analiza los datos de ventas en 15 minutos. Si un producto muestra una tendencia de crecimiento repentino, el algoritmo propone una nueva posición. La clave aquí es la 'explicabilidad'. El personal no necesita saber cómo funciona el algoritmo, pero necesita saber *por qué* un producto debe moverse hacia arriba. Si la IA simplemente dice 'Muévelo', el personal no actuará. La IA debe decir 'Muévelo a la altura de los ojos porque los ingresos de este producto aumentaron un 20% en comparación con ayer'. Esta transparencia es la clave para mantener a los humanos comprometidos en el proceso.

Qué medir cuando no puedes medirlo todo

Después de la implementación, no deberíamos perseguir números absolutos como 'un aumento del 5% en ingresos'. En cambio, necesitamos mirar métricas cualitativas y de comportamiento. Observar si el tiempo promedio que un miembro del personal tarda en encontrar y reorganizar el inventario ha disminuido. Anteriormente, pasaban mañanas enteras contando inventario y organizando. Ahora, gracias a las alertas automáticas de los sistemas de reconocimiento de imágenes, solo necesitan manejar anomalías. La eficiencia laboral aumenta, pero lo más importante es que también aumenta la proactividad.

Hay un detalle interesante que observé en un proyecto en México, donde operan cadenas de retail multinacionales. Cuando el sistema comenzó a proponer cambios pequeños y continuos, el equipo de ventas comenzó a monitorear el tablero de control por sí mismo. Ya no esperaban directivas de arriba hacia abajo. Miraban los datos y proponían ideas ellos mismos. Esta es la cultura de datos. No proviene de instalar software, sino de que las personas comienzan a entender el valor de la información. Las ventas por metro cuadrado aumentan no porque la IA sea mágica, sino porque las decisiones se toman más rápido y se basan en hechos en lugar de intuición. AIVISION ha acompañado este proceso en la construcción de la base, ayudando a las empresas a convertir datos crudos en acciones específicas, pero el éxito final sigue perteneciendo a la capacidad operativa propia de la empresa.

Si pudiera empezar de nuevo, ¿qué elegiría diferente?

Si tuviera la oportunidad de empezar de nuevo, dedicaría más tiempo a la capacitación humana. La tecnología representa solo el 30% del éxito. El restante 70% radica en si el personal confía y usa la herramienta. He visto sistemas de IA muy caros abandonados en la esquina de la sala de control simplemente porque los usuarios sentían que los hacía verse mal. No querían ser 'dirigidos' por una computadora. Si empezara de nuevo, diseñaría la interfaz para que la IA actúe como asistente, no como jefe. Presentaría opciones, y los humanos serían quienes presionen el botón de confirmación.

En última instancia, la optimización de exhibición no es un proyecto de una sola vez. Es un proceso continuo. Los mercados cambian, los productos cambian y los consumidores cambian. La pregunta para cualquier gerente que lee este artículo no es '¿Qué puede hacer la IA por mí?', sino '¿Mi organización es lo suficientemente flexible para cambiar la posición de un producto en 15 minutos sin pedirle permiso al jefe?'. Si la respuesta es no, entonces no importa cuánto dinero inviertan en tecnología, siguen atascados en el pasado.

Si están evaluando un proyecto similar, nuestro equipo puede ayudarles a definir el alcance antes de gastar nada. Vean lo que construimos o agenden una conversación.