Para una cadena de moda rápida con colección estacional, una cadena de productos frescos o un retail con vida útil corta, la decisión de reducir el precio de forma monótona a lo largo de la temporada para liquidar inventario — cuándo y con qué porcentaje. En la literatura: Markdown Pricing — Smith-Achabal (1998), Bitran-Mondschein (1997), Caro-Gallien (2012).
En pocas palabras
¿Te suena?
- Somos una cadena de moda rápida con colección estacional de 200-1.000 SKU; cada temporada (verano/invierno) llega una nueva colección, tras 4-12 semanas hay que liquidar el stock no vendido — usamos la regla 'sumar 10% de descuento cada semana' y no sabemos cuán lejos estamos del óptimo.
- Operamos una cadena de ropa-calzado-accesorios de 30-100 tiendas; el stock no vendido a fin de temporada se convierte en dead stock en 20-35%, vendido a precios de salvamento o donado.
- Somos una cadena de productos frescos (frutería, panadería, carnicería, platos preparados); los artículos diarios deben venderse cerca del fin de la vida útil — '30% de descuento tras las 18:00' es por reglas; qué SKU se vacía a qué hora con qué descuento no se analiza.
- Somos un retail de e-commerce; los precios de SKU sensibles a la moda pueden actualizarse a diario — pero 'qué precio en qué día' lo fija el planificador por intuición, la elasticidad no se cuantifica.
- A mitad de temporada un competidor abrió de repente un 40% de descuento; respondimos con un 30%, pero qué SKU y a qué porcentaje era óptimo — si llegamos tarde o pronto — no se mide.
- Hay preocupación de imagen de marca: 'rebajas profundas erosionan la percepción premium', pero 'cuán bajo es el dead-stock aceptable a fin de temporada' no se ha respondido numéricamente.
- En cada cierre de temporada el informe 'cuál fue el margen real' es intuitivo — no existe una simulación de 'si el timing de las rebajas hubiera sido óptimo cuánto más habríamos ganado'.
- Dependemos de una plataforma de precios minoristas de un único proveedor; se anuncia un módulo de 'optimización de markdown' pero qué enfoque académico (Smith-Achabal, Bitran-Mondschein, Bayesian) utiliza no es transparente.
Por qué importa
Cómo se resuelve
Profundidad técnica
Cómo se resuelve
Profundidad técnicaEn una frase: Al inicio de temporada estima la elasticidad precio-demanda de cada SKU (cuánto eleva la demanda un 1% de descuento); para las semanas restantes hasta el final, elige el precio por semana mediante programación dinámica (inducción hacia atrás — del fin al inicio) — beneficio total máximo (incluyendo valor residual al final de temporada) bajo un tope de descuento máximo que protege la imagen de marca.
En la literatura de Investigación de Operaciones (disciplina que usa matemáticas e informática para resolver decisiones de negocio) y pricing minorista este problema se llama Markdown Pricing o Dynamic Pricing for Perishables. Los fundamentos académicos se establecieron a fines de los 90 y principios de los 2000: programación dinámica determinista, DP estocástico con demanda Poisson, revisiones exhaustivas y pilotos reales en minoristas de moda rápida. Solución en tres etapas:
1. Modelado — calendario de temporada + curva demanda-precio + restricción de monotonía. Entradas: (a) calendario de temporada — inicio (p. ej. verano marzo, invierno septiembre), fin (4-12 semanas después), puntos de decisión semanales o diarios, (b) datos SKU — stock inicial, precio completo, coste, categoría (sensible a la moda / básico, estacional / continuo, exclusivo del minorista / marca), (c) curva demanda-precio — demanda semanal esperada a precio completo + elasticidad (1% de bajada de precio sube la demanda un X%); estimada desde datos de temporadas previas (mínimo 4-8 temporadas) por regresión o analogía de productos similares, (d) valor de salvamento de dead stock — recuperación / donación / coste de descarte, (e) restricciones — paso de markdown (10/20/30/40/50%), tope máximo por protección de imagen (≤50%), markdown monótono (el precio baja en el tiempo, no rebota — distinción clave con RM), precio mínimo. Variables de decisión: por SKU × por semana, porcentaje de markdown del panel. Objetivo: maximizar beneficio total = Σ (precio − coste) × ventas + valor de salvamento.
2. Solución — Smith-Achabal determinista, Bitran-Mondschein estocástico, Bayesian + Thompson sampling. Smith-Achabal (1998) DP determinista — curva de demanda determinista, inducción hacia atrás computa el precio óptimo semanal; simple y rápido, calculable a mano en escala SKU+tienda única. Bitran-Mondschein (1997) DP estocástico — demanda Poisson, precios se actualizan semanalmente; escala media (50-300 SKU) en minutos. MIP multi-producto — efectos de canibalización (rebaja de SKU X afecta ventas de SKU Y); MIP sobre calendario × panel SKU × panel markdown, solver comercial o open-source maduro resuelve en minutos-horas (200-1.000 SKU). Bayesian dynamic pricing + Thompson sampling — elasticidad incierta, actualización Bayesiana semanal, Thompson balancea exploración-explotación; enfoque moderno para repricing diario en e-commerce; Caro-Gallien (2012) lo aplicaron en piloto de moda rápida. Heurística + simulación — regla simple + simulación; no académica óptima pero simple de implementar. Disposición de fin de temporada — outlet / donación / carry-over como entrada de valor de salvamento.
3. Integración en campo — panel de precios + flujo de aprobación + calibración fin de temporada. Salida en cuatro capas: (a) panel de recomendación semanal de precios — por SKU × semana, precio sugerido, ventas esperadas, stock esperado fin de temporada, contribución al margen, (b) visualización del calendario de markdown — tipo Gantt: qué SKU con qué banda de descuento en qué semana; aprobado al inicio de temporada, revisado en desviaciones, (c) informe de seguimiento de precios competidores — señal diaria/semanal, alerta si la desviación > X% con revisión recomendada, (d) informe de rendimiento + calibración fin de temporada — real vs. previsto, desviación de elasticidad, ratio dead stock, margen bruto; este informe actualiza el modelo de la próxima temporada. Integración superior: PIM (catálogo SKU), POS (ventas reales), plataforma e-commerce (API de precios online), WMS (stock), flujo de aprobación del category manager. El flujo de aprobación es crítico: la sugerencia óptima no se aplica de forma automática, el category manager aprueba (sobre todo cambios > X%); imagen y posicionamiento de marca quedan como juicio humano. Comité fin de temporada (4× al año): real vs. plan margen bruto, ratio dead stock, calibración de elasticidad, lecciones para el modelo de la siguiente temporada.
Alternativas
Manual + hoja de cálculo con regla de markdown
GratisCero licencia
Para quién: Minorista pequeño (tienda única, <100 SKU/temporada), colección sencilla
- + Cero coste de software
- + Saber de campo del category manager en primer plano
- + Regla de un solo número (p. ej. 10% sem 4, 20% sem 6, 30% sem 8) aplicada rápido
- + Ciclo de aprobación corto
- − Más de 100 SKU no permite curva tiempo-precio manual
- − Elasticidad no estimada, sólo intuitiva
- − Dead stock 20-35% — óptimo -20-30%, no medido
- − Seguimiento de competidor con retraso — manual
- − Calibración fin de temporada no escrita
Solver open-source + modelo propio de markdown
Código abiertoLicencia libre; 12-24 semanas de desarrollo interno o 500K-1,5M TRY de consultoría
Para quién: Minorista mediano con equipo técnico, integración PIM/POS deseada
- + Cero coste de licencia
- + Calendarios de markdown deterministas y estocásticos y enfoques bayesianos de precios dinámicos están maduros en la literatura abierta
- + Modelo de elasticidad calibrado sobre los datos propios
- + Módulo de canibalización multi-producto extensible
- + Código abierto — transparencia auditable
- − Requiere OR + data science + integración internos
- − De prototipo académico a producción 6-12 meses
- − Flujo de aprobación + UI a construir aparte
- − Mantenimiento en el minorista
Plataforma de precios minoristas con módulo de markdown
Empresarial400K-2M TRY licencia + 150K-600K TRY/año mantenimiento (observación del mercado TR)
Para quién: Cadena minorista mediana-grande (30-150 tiendas, 500-3.000 SKU/temporada), PIM/POS/e-commerce integrados
- + Módulo de markdown listo (bibliotecas académicas dentro)
- + PIM + POS + e-commerce + WMS integrados
- + Flujo de aprobación + tracker de competidores integrado
- + Soporte operativo + formación
- + Interfaz en idioma local
- − Qué enfoque académico se usa puede no ser transparente
- − Modelo de calibración de elasticidad suele ser una caja negra — negociable
- − Licencia alta + despliegue largo (9-15 meses)
- − Personalización a regulación local añade tiempo
- − Riesgo de lock-in con un único proveedor
Plataforma OR internacional para retail + modelo propio de markdown
Empresarial1-4M EUR licencia + 300K-1M EUR/año mantenimiento
Para quién: Cadena minorista grande (150+ tiendas, 3.000+ SKU/temporada, multi-país + e-commerce + multi-marca)
- + DP de markdown determinista + DP de markdown estocástico + precios dinámicos bayesianos + muestreo de exploración-explotación integrados
- + Módulo maduro de canibalización multi-producto
- + Coordinación multicanal (tienda + e-commerce + outlet)
- + Módulo rico de scrape + señales de precios competidor
- + Metodología transparente — las cifras de mejora de margen y dead stock se pueden verificar de forma independiente
- − Licencia alta + despliegue largo (12-24 meses)
- − Personalización a regulación local añade tiempo
- − Requiere equipos internos OR + integración
- − Alcance amplio — puede ser excesivo a tamaño medio
Recomendación
Pregunta en la reunión
- ¿Qué corre realmente bajo el motor de optimización de markdown — un programa dinámico determinista, un programa dinámico estocástico con demanda Poisson, aprendizaje bayesiano con muestreo de exploración-explotación, un MIP multi-producto, o un motor heurístico/basado en reglas? ¿Está documentada la variante elegida en la especificación?
- ¿Cómo se estima la elasticidad precio-demanda — regresión sobre datos previos, analogía de productos similares, o entrada del usuario? ¿Cómo se reporta el error de estimación?
- ¿Cómo se expresa la restricción de markdown monótono (precio cae, no rebota) en el modelo? ¿Soporta excepciones de rebote (campaña termina)?
- ¿Se modela canibalización multi-producto o los SKU se resuelven de forma independiente?
- ¿Se soporta el tope máximo de descuento por protección de imagen (≤50%)? ¿Cómo se ajusta el suelo de dead stock aceptable bajo el tope?
- ¿Hay tracker de precios competidor — diario/semanal automático o manual? ¿Genera revisiones de markdown activadas por señales?
- En un piloto con datos operativos reales (12-16 semanas incluyendo un cierre de temporada), ¿cómo se presenta el ahorro vs. la regla manual previa — margen +X%, dead stock -X%, clearance +X%?
- Si finaliza el contrato, ¿en qué formato estándar se pueden exportar historial de markdown, calibración de elasticidad, datos de rendimiento fin de temporada y elecciones de parámetros del algoritmo?
Detalles técnicos
Nota editorial
En el día a día este problema se llama “rebajas de fin de temporada”, “precio outlet”, “clearance” o “liquidación”. El nombre académico es Markdown Pricing o Dynamic Pricing for Perishables; referencias clásicas Smith-Achabal (1998) determinista y Bitran-Mondschein (1997) estocástica. Revisión moderna: Elmaghraby-Keskinocak (2003); libro canónico: Talluri-van Ryzin (2004); artículo famoso de aplicación: Caro-Gallien (2012) — piloto real en un minorista de moda rápida.
Distinción con #006 Revenue Management: RM fija precios para productos de capacidad fija + caducidad temporal (asientos de avión, habitaciones de hotel, entradas de eventos) con trayectoria dinámica al alza y a la baja; la capacidad no se agota a fin de temporada sino que se reinicia diariamente. Markdown fija precios para productos ligados a stock + ligados a temporada con trayectoria monótonamente decreciente; el stock no se reinicia y el excedente se convierte en dead stock. Los dos problemas comparten libro de RM pero su matemática difiere.
Distinción con #011 Newsvendor: Newsvendor es la decisión de cantidad de pedido en una sola periodo antes de la temporada; markdown es la decisión dentro de la temporada. Se ejecutan secuencialmente.
Distinción con #017 Assortment Planning: Assortment Planning decide ‘qué SKU en el lineal’ (inicio de temporada); markdown ‘con qué precio se vende lo listado’ (dentro de la temporada).
El punto más omitido en el campo: estimación de la elasticidad precio-demanda. Los modelos académicos toman la elasticidad como entrada; los practicantes no la calculan, usan intuición. Caro-Gallien (2012) mostraron en un minorista de moda rápida que la estimación de elasticidad + óptimo dinámico elevó el margen de clearance un 5-8% por encima de la regla. La elasticidad puede estimarse a nivel de categoría (los productos sensibles a moda tienen alta elasticidad, los básicos baja), a nivel SKU o segmento. Sin error de estimación medido, el algoritmo parece óptimo pero recomienda mal en el campo; la calibración fin de temporada es obligatoria.
Segundo punto: importancia de la restricción de monotonía. El precio de markdown decrece monótonamente; viene del comportamiento de espera del cliente — si espera ‘caerá más tarde’, espera. Excepciones de rebote (fin de campaña) existen, pero la formulación base académica asume monotonía — diferencia clave con RM.
Tercer punto: canibalización multi-producto. La rebaja de un SKU afecta también a otros SKU de la misma categoría. Sin modelar, las previsiones de beneficio total son erróneas. Se modela vía MIP multi-producto o matriz de elasticidad cruzada.
Cuarto punto: restricción de imagen de marca. Descuentos profundos erosionan la percepción premium; los modelos académicos imponen un tope máximo (≤50%). Bajo el tope una fracción de dead stock es aceptable; por encima del tope, transferencia a outlet o donación.
Guía paso a paso — para PyMEs
Etapa 1 — Medir antes de planificar. Al menos 4-8 temporadas de datos previos: por SKU, ventas semanales, precio semanal, stock residual fin de temporada, disposición, coste. Taxonomía de categoría construida. ¿Flujo de datos de precios competidor establecido — si no, rondas manuales semanales.
Etapa 2 — Estimar la elasticidad. Regresión a nivel de categoría sobre datos previos. Sensible a moda: -2 a -4; básicos: -0,5 a -1,5. Reportar error (R² o MAPE). Capital de conocimiento: matriz categoría × % markdown × semana.
Etapa 3 — Piloto. 12-16 semanas (incluyendo un cierre de temporada). Sub-conjunto (50-100 SKU, una categoría) corre Smith-Achabal en paralelo con la regla manual. Criterios escritos: margen +5%, dead stock -15%, clearance +20% mínimo.
Etapa 4 — Despliegue. 12-18 meses hasta alcance completo de SKU + canibalización multi-producto + señal de competidor + e-commerce. Comité fin de temporada trimestral.
Riesgos — qué puede ir mal
Desviación en la estimación de elasticidad. Mal estimada → óptimo erróneo. Solución: calibración fin de temporada, separada por categoría, R² > 0,6 mínimo.
Retraso en precios competidor. Reacción 1-2 semanas tarde → algoritmo interpreta ‘demanda débil’ y sugiere descuento más profundo. Solución: scrape diario, revisión activada por señal, autoridad de aprobación rápida del category manager.
Erosión de imagen de marca. Óptimo markdown puede pedir 60-70% — la percepción premium erosiona en 1-2 temporadas. Solución: tope máximo (≤50%), artículos por encima del tope a outlet / donación.
Lock-in con un único proveedor. Sin cláusula ’exportación anual en formato estándar de historial de markdown, calibración de elasticidad, datos fin de temporada, archivo de señales de competidor’, cambiar de proveedor cuesta la memoria de calibración inter-temporada.
Mirada técnica al método de solución
| Enfoque | Escala típica | Tiempo de solución | ¿Óptimo garantizado? |
|---|---|---|---|
| Regla manual (‘10% cada semana’) | Pequeña (<100 SKU) | instantáneo | No, 50-70% óptimo |
| Smith-Achabal DP determinista | Mediana (100-500 SKU) | segundos-minutos | Sí (bajo demanda determinista) |
| Bitran-Mondschein DP estocástico (Poisson) | Mediana (100-500 SKU) | minutos | Sí (bajo Poisson) |
| MIP multi-producto (canibalización) | Mediana-grande (200-1.000 SKU) | minutos-horas | Sí (dentro de la cota) |
| Bayesian dynamic pricing + Thompson sampling | E-commerce diario | continuo | No, regret-bound garantizado |
| Heurística + simulación | Cualquier escala | segundos-minutos | No, calidad práctica |
Elección de función objetivo:
- Objetivo 1 — Máx. beneficio de temporada: Clásico.
- Objetivo 2 — Máx. % margen bruto: Foco imagen premium.
- Objetivo 3 — Mín. dead stock: Si el residual aceptable a fin de temporada es bajo.
- Objetivo 4 — Multiobjetivo (beneficio + imagen + dead stock): Frente Pareto o suma ponderada.
Variantes de markdown: clásico Smith-Achabal; estocástico Bitran-Mondschein; multi-producto; multi-tienda; e-commerce online; basado en promociones; markdown + disposición fin de temporada; markdown + redistribución de stock.
Fuentes académicas
Listadas en el frontmatter en sources. Smith y Achabal (1998) y Bitran y Mondschein (1997) en Management Science — las dos referencias fundacionales; Elmaghraby y Keskinocak (2003) revisión exhaustiva; Talluri y van Ryzin (2004) libro canónico; Caro y Gallien (2012) en Operations Research — piloto real en un minorista de moda rápida, muy famoso en la literatura de aplicación OR.
Fuentes
- Smith, S. A. y Achabal, D. D. (1998). Clearance pricing and inventory policies for retail chains. Management Science, 44(3), 285-300. Estudio empírico fundacional de markdown pricing en grandes cadenas de EE. UU.
- Bitran, G. R. y Mondschein, S. V. (1997). Periodic pricing of seasonal products in retailing. Management Science, 43(1), 64-79. DP estocástico con demanda Poisson.
- Elmaghraby, W. y Keskinocak, P. (2003). Dynamic pricing in the presence of inventory considerations: Research overview, current practices, and future directions. Management Science, 49(10), 1287-1309. Revisión exhaustiva.
- Talluri, K. T. y van Ryzin, G. J. (2004). The Theory and Practice of Revenue Management. Springer. Libro canónico de RM (incluye capítulo de markdown).
- Caro, F. y Gallien, J. (2012). Clearance pricing optimization for a fast-fashion retailer. Operations Research, 60(6), 1404-1422. Piloto + despliegue real en un minorista de moda rápida — muy famoso en la literatura de aplicación OR.
- Centro de Tesis YÖK — palabras clave: ‘markdown’, ‘sezon-sonu fiyatlama’, ‘dynamic pricing’ — 15+ tesis de la academia TR. tez.yok.gov.tr
Glosario
- Markdown Pricing
- Práctica retail de OR que fija una trayectoria de precios típicamente monótonamente decreciente a lo largo del horizonte de venta de un artículo estacional o perecedero, equilibrando margen y riesgo de dead stock.
- Dynamic Pricing for Perishables
- Clase amplia de problemas de OR de pricing donde el valor del artículo decrece en el tiempo (alimentos frescos, moda, electrónica con nuevas generaciones, habitaciones de hotel pasada la fecha de entrada) y los precios deben adaptarse — monótonamente decrecientes o al alza y a la baja.
- Gestión de Ingresos
- Fijación dinámica de precios para inventario perecedero y de capacidad fija (habitaciones, asientos de avión, entradas) según la demanda.
- Newsvendor
- Modelo clásico de inventario de un único periodo que da la cantidad óptima de pedido para perecederos, equilibrando merma y rotura.
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%.
¿Qué productos quedan en la lista y cuánto espacio para cada uno?
Escrito para una pyme minorista con 30-200 tiendas o un operador de e-commerce con 500-5.000 SKUs. Si cada mes se discute qué productos quedan en estantería, cuánto espacio recibe cada uno y a qué referencia retirar para dar paso a un proveedor nuevo, este es su problema. El listado intuitivo y los planogramas hechos a mano erosionan en silencio el margen de la categoría: los más vendidos quedan con poco frente, las SKUs muertas ocupan espacio y el efecto sustitución (el cliente se va a la competencia cuando no encuentra su producto) queda invisible. Un proceso de decisión sistemático a nivel tienda-categoría suele desplazar el margen anual en 2-6M TRY sobre una categoría de 50M TRY.