Scoring de exhibición con IA en Filipinas: análisis del proceso

05/10/2026

Proceso de puntuación de exhibición en el punto de venta: ¿Dónde está el cuello de botella al expandirse a Filipinas?

Al comenzar a implementar la supervisión de exhibición de productos en el punto de venta (display scoring) en un mercado nuevo como Filipinas, la mayoría de los equipos de gestión de ventas piensan que el problema radica en el software. Pero según la experiencia de asesoría a empresas de bienes de consumo masivo (FMCG) en Vietnam y el Sudeste Asiático, la realidad es más compleja. Aproximadamente la mitad del tiempo y el presupuesto se consume en la conciliación manual de datos y la resolución de casos excepcionales que el sistema de IA aún no puede procesar de forma totalmente automática. Esta cifra puede llevar a malentender que necesitamos un algoritmo "mágico", cuando el problema central está en el proceso operativo humano que lo rodea.

Para llevar la Visibilidad con IA a la práctica, necesitamos analizar cada etapa del proceso actual. Imaginen una cadena de supermercados en Manila. Hoy, el vendedor (saché) va a verificar el inventario. Toman fotos del estante. El problema surge en la etapa siguiente: esos datos llegan al centro, y el personal de logística ingresa o verifica la información. El cuello de botella no está en la toma de fotos, sino en convertir esa imagen en una decisión de negocio: producto a punto de agotarse, precio incorrecto o competidor ocupando el espacio. La IA interviene en el paso de convertir la imagen en datos estructurados. Pero la decisión de "qué hacer a continuación" sigue siendo responsabilidad humana.

Bifurcación 1: ¿Estandarizar los datos de entrada o priorizar la velocidad de recolección?

Esta es la primera y más dolorosa decisión. ¿Eligen exigir a los vendedores que tomen fotos según un estándar muy estricto (ángulo de 45 grados, iluminación adecuada, sin obstrucciones) para garantizar la precisión de la IA, o eligen una opción flexible para que el vendedor pueda completar la visita más rápido?

El intercambio aquí es muy claro. Si eligen un estándar estricto, la precisión de identificación de SKU será alta, pero se enfrentarán a la resistencia del equipo de ventas. Tomarán menos fotos, o las tomarán de manera descuidada para evitar el proceso. Si eligen flexibilidad, obtendrán grandes volúmenes de datos pero con calidad ruidosa. Con las soluciones actuales como VTraks, el sistema tiene la capacidad de procesar imágenes reales de la tienda con una precisión declarada del 99,97% (según vtraks.com), pero esto requiere que los datos de entrada tengan cierto nivel de nitidez y ángulo de visión. Estandarizar no significa tomar fotos en un estudio, sino construir un proceso de fotografía correcto directamente en el celular. Si el mercado filipino tiene muchas tiendas pequeñas con poca luz, pueden necesitar considerar un paso adicional de verificación de calidad de imagen en el dispositivo móvil antes de la carga. No dejen que la IA asuma la tarea de corregir errores humanos. Dejen que las personas hagan su trabajo: tomar buenas fotos. El resto, que lo maneje la máquina.

Bifurcación 2: ¿Automatización total o mantener el ciclo humano?

El proceso de puntuación de exhibición no debe ser un camino de un solo sentido. Muchas empresas cometen el error de pensar que la IA dará una puntuación y ahí termina. En realidad, la IA es una herramienta de apoyo a la toma de decisiones, no el tomador de decisiones. En esta etapa, debemos elegir: ¿la IA creará automáticamente informes y enviará alertas, o la IA propondrá acciones y esperará la confirmación del gerente?

Mi recomendación es combinar. Dejen que la IA maneje el gran volumen de trabajo tedioso: identificación de SKU, comparación con el planograma, cálculo de la puntuación de cumplimiento. Pero mantengan un paso de "confirmación" para los casos límite (edge cases). Por ejemplo, si la IA detecta un producto que no está en el catálogo actual, o un precio que está parcialmente oculto, dejen que el sistema lo marque como "requiere revisión". El gerente de zona revisará estos casos. Esto genera confianza. Si dejan que la IA castigue o premie automáticamente basándose en pequeños errores de identificación, perderán rápidamente la confianza del equipo de ventas. Dejen que las personas trabajen con datos limpios y estructurados, en lugar de tener que buscar entre cientos de fotos. Esa es la esencia de la Visión por IA en la gestión: no reemplaza el cerebro, lo libera de procesar información cruda.

Bifurcación 3: ¿Centrarse en unas pocas métricas o medir todo?

Al expandirse a un nuevo mercado, el atractivo de la IA es la capacidad de medir todo: cobertura de inventario, precios, ubicación, limpieza del estante, e incluso la actitud del personal (si hay cámaras). Pero tengan cuidado. Medir demasiadas métricas sin significado estratégico crea "ruido de información". Los empleados no sabrán qué mejorar primero.

Necesitan elegir 2-3 indicadores clave (KPIs) que reflejen directamente los ingresos. Por ejemplo: % de SKU con inventario en el estante (detección de agotamiento) y Cumplimiento del Planograma. Estas métricas son el núcleo de la puntuación de exhibición. No intenten forzar el análisis de emociones o métricas secundarias en la etapa inicial. Mantengan el proceso enfocado. Cuando hayan dominado estas 2 métricas principales en Filipinas, entonces expandan a otras. Esto ayuda al equipo a centrarse en la mejora correcta, y los datos de entrada serán más consistentes, lo que aumenta la eficiencia del modelo de IA.

El resultado del viaje de Visibilidad con IA en Filipinas

Volviendo a la estimación inicial de que casi la mitad de los recursos se desperdician. Cuando el proceso se rediseña según las bifurcaciones anteriores, ese desperdicio no desaparece por completo, pero cambia de "falla técnica" a "proceso operativo". En lugar de perder tiempo debatiendo si la IA identificó mal, el equipo se centra en cómo aumentar la cobertura de inventario en los puntos de venta clave. La Visibilidad con IA no es un milagro que convierte a un equipo de ventas débil en uno fuerte. Es una lupa que les permite ver exactamente dónde está el problema y con qué rapidez.

Implementar con éxito en un nuevo mercado no depende de cuántas cámaras tengan o de qué tan complejo sea el algoritmo, sino de si se atreven a eliminar los pasos manuales innecesarios. Dejen que la máquina haga el trabajo de la máquina, y que las personas hagan el trabajo de las personas. Ese es el camino más sostenible para llevar la puntuación de exhibición a la práctica, ya sea que estén en Hanói, Manila o Ciudad de México. AIVISION y socios como VTraks están apoyando a muchas grandes marcas de la región a lograr esto, pero el problema operativo final siempre le pertenece a su empresa.

Si este tema toca un problema real en su empresa, conversemos: contacten a AIVISION y les ayudamos a evaluar el primer paso.