Estantería limitada, candidatos ilimitados. ¿Qué SKUs entran en la lista y cuánto espacio recibe cada uno? Problema clásico del retail OR: surtido + espacio.
En pocas palabras
¿Te suena?
- La tienda tiene 3000 SKUs y 1800 huecos; el comprador renegocia 'entran' y 'salen' cada mes.
- Una página de categoría e-commerce lista 200 productos; los 20 primeros hacen el ingreso, los últimos 50 reciben 0-1 pedidos/mes y el panel cambia semanalmente.
- El proveedor trae un producto nuevo; el jefe de categoría elige el SKU a desplazar por intuición.
- La marca A pide más estantería, la B dice 'cae mi visibilidad'; ambas ofrecen fees de listing.
- Decimos que cada tienda necesita su lista, pero mantener 50 listas para 50 tiendas es imposible.
- Cambio de temporada: cambiar 200 productos; decidimos entre arrastrar stock o vender con descuento.
- El cliente no encuentra el producto en la estantería y cambia a la marca de al lado (sustitución); no podemos medir esta pérdida.
Por qué importa
Cómo se resuelve
Profundidad técnica
Cómo se resuelve
Profundidad técnicaEn una frase: Cuando el cliente no encuentra el producto deseado, suele pasarse al de al lado (sustitución) — retirar un producto de baja rotación no pierde solo sus propias ventas, puede romper toda una cadena. Al revés: dar más espacio al más vendido sube el margen de toda la categoría.
En la literatura de investigación operativa (disciplina que usa matemáticas y computación para resolver decisiones de negocio) se estudian dos problemas: Assortment Planning Problem (APP) — qué productos en la lista; Shelf-Space Allocation Problem (SSAP) — cuánto espacio para cada listado. Las formulaciones modernas los resuelven juntos. Solución en tres etapas:
1. Modelado. Por SKU: demanda base, elasticidad de espacio, matriz de sustitución, margen, volumen de estantería, restricciones de proveedor. Por tienda/categoría: área total, mínimo de SKUs, reglas de variedad."
2. Decisión con solver. Una tienda / una categoría (50-500 candidatos): MIP/CP en tiempo razonable. Multi-tienda / multi-categoría: descomposición Lagrangeana o heurísticas. Modelo MNL (multinomial logit — método que modela la probabilidad de qué producto elige el cliente entre varios) que maximiza ingreso esperado. Salida: lista de SKUs + facings por SKU.
3. Integración de campo. La salida son planogramas + listas para el jefe de tienda y de categoría. Si hay variación por tienda, salida separada. Los datos POS cierran el ciclo de retroalimentación semanalmente. En e-commerce el orden de listing se actualiza automáticamente."
Alternativas
Manual + hoja de cálculo + experiencia del jefe de categoría
GratisGratis
Para quién: Una tienda o 2-3 categorías, pocos SKUs
- + Cero coste
- + Sensibilidad local
- + Decisiones rápidas y flexibles
- − Inmanejable más allá de 5 tiendas y 500 SKUs
- − Sin modelado de sustitución
- − Presión del proveedor (slotting fee) distorsiona
- − Conocimiento en la persona
Software local de gestión de categoría
Empresarial25.000–100.000 TRY licencia + 5.000–15.000 TRY/año (observación mercado TR)
Para quién: Minorista mediano (10-50 tiendas), enfocado en planograma
- + Planograma + herramientas de listing
- + Soporte local, integración POS
- + Implementación rápida
- − Sin algoritmo de óptimo real, basado en reglas
- − Soporte de sustitución / elasticidad débil
- − Variación por tienda difícil
Software internacional de gestión + optimización de surtido
Empresarial30.000–250.000 EUR licencia + 10.000–40.000 EUR/año
Para quién: Cadena grande, e-commerce multi-categoría
- + Modelo MNL, optimización MIP/CP
- + Clustering de tiendas + listing local
- + Integración con A/B testing
- − Caro
- − Implantación 6-12 meses
- − Dependiente de calidad POS
Solvers open-source + aplicación a medida
Código abiertoLicencia gratis; 12-20 semanas internas o 350K-1M TRY consultoría
Para quién: E-commerce/retail con equipo técnico y reglas específicas
- + Sin licencia, personalización total
- + Integración POS directa
- + MNL y choice modeling open-source
- − Data scientist + OR internos obligatorios
- − Muy dependiente de calidad de datos
- − Mantenimiento continuo
Recomendación
Pregunta en la reunión
- ¿Modeláis la sustitución (probabilidad de cambiar de X a Y si falta X)? ¿Usáis MNL u otro modelo de elección?
- ¿Es configurable la elasticidad de espacio?
- ¿Hacéis clustering de tiendas y proponéis surtido distinto por cluster?
- ¿El planograma llega a la tienda por pantalla/impresora?
- ¿Soportáis A/B testing? ¿Cómo se seleccionan los grupos piloto?
- ¿Se pueden meter acuerdos de proveedor (mín SKU, slotting fee, exclusividad) como restricciones?
- ¿Cómo funciona la integración POS? ¿Flujo semanal automático?
- Si dejamos de trabajar con vosotros, ¿cómo recuperamos datos maestros, histórico de surtido y planograma?
Detalles técnicos
Nota del editor
Coloquialmente “gestión de categoría”, “decisión de surtido” o “planograma”. Académicamente dos problemas distintos: Assortment Planning Problem (APP) y Shelf-Space Allocation Problem (SSAP). Las formulaciones modernas los resuelven juntos. Sin conocer la distinción se acepta “hacemos planogramas” como suficiente — lo que se necesita es optimización con sustitución.
Lo más omitido en la industria: el efecto de sustitución. Al quitar un producto, no se pierden todos los clientes — algunos cambian a la marca vecina, otros se van. ¿El software modela esta matriz de transición o trabaja con “venta promedio”? La diferencia es típicamente 30%+ de error de pronóstico.
Camino paso a paso — para la pyme
Etapa 1 — Medir primero. Mínimo 12 semanas de datos POS: ventas diarias/semanales por SKU, ingreso por categoría, distribución por tienda, duración de stockout. Si hay loyalty, análisis de cesta."
Etapa 2 — Extraer el activo de conocimiento. Datos maestros de SKU, observaciones de sustitución, acuerdos de proveedor, objetivos de categoría.
Etapa 3 — Piloto. 8-12 semanas, 1-3 categorías y 5-10 tiendas. Criterios antes: margen +3% min, stockout -20% min, SKUs muertos -40% min.
Etapa 4 — Escalado. 3-6 meses. Ciclo de revisión mensual."
Riesgos — qué puede salir mal
- Calidad de datos. Los stockouts aparecen como “cero ventas”. Reconstrucción de ventas perdidas.
- Presión del proveedor. La marca A pide más, ofrece slotting fee; si la salida no resiste, pierde sentido. Contratos como restricciones.
- Modelo de sustitución mal calibrado. MNL necesita calibración; validar con A/B en piloto.
- Dependencia de un único proveedor. Histórico y planograma críticos. Export estándar en el contrato.
Mirada técnica al método
| Enfoque | Escala típica | Tiempo | ¿Óptimo garantizado? |
|---|---|---|---|
| MIP (joint surtido + espacio) | 50-200 SKUs, una tienda | minutos | Sí (dentro de límite) |
| MNL + greedy | 100-1000 SKUs | minutos | No, 95%+ |
| Lagrange (multi-tienda) | 50-200 tiendas × 500 SKUs | horas | No, 95-98% |
| Basado en reglas (margen × velocidad) | Software local | inmediato | No, 75-85% |
| Basado en ML (uplift + A/B) | E-commerce grande | continuo | No, experimental |
Función objetivo elegida:
- Objetivo 1 — Margen total esperado: Estándar.
- Objetivo 2 — Máximos ingresos: Cuando volumen prima sobre margen.
- Objetivo 3 — Equilibrio de variedad: Para variedad.
- Objetivo 4 — Mínimo stockout: Cuando experiencia de cliente prima.
Multi-objetivo: suma ponderada o jerárquico. Ideal: A/B."
Fuentes académicas
Ver sources en el frontmatter.
Fuentes
- Corstjens, M. y Doyle, P. (1981). A model for optimizing retail space allocations. Management Science, 27(7), 822–833.
- Kök, A. G., Fisher, M. L. y Vaidyanathan, R. (2008). Assortment planning: Review of literature and industry practice. Retail Supply Chain Management, 99–153.
- Talluri, K. y van Ryzin, G. (2004). Revenue management under a general discrete choice model of consumer behavior. Management Science, 50(1), 15–33.
- Instituto Estadístico de Turquía — Índice de Ventas al Por Menor (mensual). Referencia para tendencia de ingresos retail en TR.
- Centro de Tesis YÖK — palabras clave: ‘surtido’ o ’estantería’ — 25+ tesis turcas. tez.yok.gov.tr
Glosario
- Assortment Planning
- Selección de qué productos llevar en una tienda o categoría e-commerce dada una estantería o página limitada.
- Shelf-Space Allocation
- Decidir cuánto espacio (cuántos facings) recibe cada producto listado, equilibrando demanda y margen contra espacio.
Problemas relacionados
¿Cuándo Pedir, y Cuánto?
Un comercio, una tienda online o un distribuidor con 200–5.000 SKU. Para cada SKU la pregunta es: cuándo pido al proveedor y cuánto. Los proveedores entregan 3–21 días después del pedido (lead time), la demanda oscila día a día, algunos productos caducan, el espacio de almacén es finito y casi todos los proveedores fijan una cantidad mínima de pedido (MOQ). La decisión: qué SKU pedir, cuándo y en qué cantidad, para mantener a raya tanto la 'rotura de stock' (venta perdida) como el 'exceso de stock' (caja atrapada, caducidad). El control manual sirve hasta ~50–100 SKU; por encima, 'lo llevo en la cabeza' falla — o pides de más o te quedas sin algo crítico.
¿Cuánto de cada producto debo pedir para no quedarme sin stock ni acumular existencias?
Escrito para pymes minoristas, de e-commerce o fabricantes que gestionan 500-5.000 SKUs. Si su equipo de compras sigue ordenando cada mes desde una hoja de cálculo con la media de los últimos tres meses más un diez por ciento, y aun así ve estantes vacíos y almacenes saturados al mismo tiempo, está en este problema. Cuando la misma empresa convive con roturas (5-15% de venta perdida) y stock muerto (10-25% de capital atrapado), la intuición ha llegado a su límite: estacionalidad, incertidumbre del plazo de entrega y SKUs de baja rotación no se corrigen a mano referencia por referencia. Una previsión sistemática combinada con política de inventario suele liberar 1,8-5,4M TRY/año de capital de trabajo sobre 50M TRY de ingresos y eleva el nivel de servicio del 85% al 95%.