Who’s shopping where? The power of geospatial analytics in omnichannel retail

¿Quiénes compran y dónde? El poder de la analítica geoespacial para el retail omni-canal

¿Quiénes compran y dónde? El poder de la analítica geoespacial para el retail omni-canal

Mediante el uso de analítica geoespacial avanzada, los retailers están en condiciones de cuantificar el verdadero valor económico de cada una de sus tiendas en todos los canales – y de capturar insights sorprendentes.

La ola de cierres de tiendas en todo el sector de retail estadounidense continúa. Solo en 2017, más de 7.000 tiendas cerraron sus puertas en EEUU, imposibilitadas de resistir la rápida migración de los clientes hacia el comercio electrónico, el crecimiento explosivo de marcas con entrega directa al consumidor (DtC), y la saturación de la superficie de venta minorista en un mercado sobredimensionado. La superficie de retail per cápita en Estados Unidos es de 15 a 20 veces mayor que la de otros grandes mercados desarrollados. El tráfico de consumidores en centros de compras también ha caído en forma sostenida, al igual que los márgenes en prácticamente todas las categorías. En vista de estas tendencias, cada vez resulta más difícil justificar el mantenimiento de grandes y costosas tiendas físicas si no se alcanzan los objetivos de ventas. De hecho, en los primeros meses de 2018, los retailers han anunciado planes para eliminar otros más de 3.800 puntos de venta.

Pero desafortunadamente, es frecuente ver que se cometen errores al decidir cuáles tiendas cerrar, dañando así aún más el negocio. También se pasan por alto oportunidades valiosas para expandir la presencia en el mercado y potenciar el crecimiento. La razón principal es el uso de métricas desactualizadas: muchos retailers continúan usando una combinación de análisis de tendencias y drivers financieros “entre 4 paredes” para evaluar el desempeño de sus tiendas – es decir, lo primero que tienen en cuenta son las ventas y las utilidades generadas dentro de las cuatro paredes de la tienda, sin considerar su impacto en el resto de los canales. Este análisis influye en algunos casos sobre otras decisiones, referidas por ejemplo a personal o inventario. Sin embargo, hoy día los consumidores compran en varios canales: pueden visitar una tienda para ver físicamente los productos y luego comprarlos online, o a la inversa, investigar sobre un artículo online y adquirirlo en una tienda. En ese contexto, las métricas tradicionales son, en el mejor de los casos, indicadores parciales del potencial de un punto de ventas.

Los retailers más sofisticados están examinando cuidadosamente la interrelación entre los recorridos de decisión del cliente offline y online, y utilizando una perspectiva omni-canal acerca del desempeño de sus tiendas – permitiendo que cada una reciba “crédito” por todas las ventas en las que desempeñó algún rol, ya sean offline u online. De esta manera, los retailers obtienen una visión más exacta acerca del valor económico total de cada tienda, lo que a su vez les permite tomar mejores decisiones sobre su presencia onmi-canal. ¿Su arma secreta? Analítica geoespacial avanzada.

Fuera de las cuatro paredes

Las tiendas físicas no van a desaparecer. Calculamos que las ventas en tiendas continuarán representando entre el 75 y el 85% del total de las transacciones de aquí a 2025. Dicho esto, es importante aclarar que un negocio físico ya no es solo un espacio para comprar productos. Ahora cumplen varios roles diferentes: pueden servir como lugar para exhibir y experimentar productos, centros de retiro de pedidos online (o lugar de recepción de cambios o devoluciones originadas en el mismo canal), grandes vestidores donde grupos de amigos pueden probarse prendas y compartir selfies en medios sociales, o un destino para ir en busca de ideas e inspiración. Es absolutamente posible para una tienda física tener bajas ventas y ganancias dentro de sus cuatro paredes y al mismo tiempo contribuir positivamente al desempeño general del vendedor.

Retailers can now measure the total cross-channel value of a retail store.

Los adelantos en datos y analítica posibilitan a los retailers cuantificar el efecto halo (positivo) de una tienda y su efecto de canibalización (negativo) o, en otras palabras, la forma en que la existencia de una tienda influye en el desempeño de la compañía en los demás canales de ventas (Gráfico 1). Hace ya bastante tiempo que los retailers reconocen que una tienda puede tener un efecto de halo, pero tradicionalmente lo han considerado desde una perspectiva de marketing, es decir, que una tienda física contribuye al conocimiento de la marca de la misma forma que lo hacen un cartel publicitario o un anuncio en TV. Desde esa óptica, el efecto halo siempre ha sido difícil de medir. Sin embargo, en un universo omni-canal, la contribución de una tienda puede ir más allá, impulsando las ventas en otros canales y viceversa. La investigación de McKinsey sugiere que el halo de una tienda respecto del comercio electrónico puede representar entre el 20 y el 40 por ciento de su valor económico total.

Una nueva era en datos y analítica

Durante décadas, los retailers han explotado una variedad de fuentes de datos – información de punto de venta, datos demográficos, tendencias del mercado, y muchas más – para aprender sobre sus clientes y brindarles un mejor servicio. En la actualidad, gracias a la disponibilidad de nuevos tipos y fuentes de información, las compañías están en posición de capturar un entendimiento mucho más profundo de los consumidores y los mercados. Los retailers tienen acceso a más datos sobre el comportamiento de los consumidores que nunca antes, y recurren a tácticas como programas optativos de envío de comprobantes electrónicos o información anonimizada sobre localización de dispositivos móviles.

Los datos agregados pueden arrojar luz no solo sobre la cantidad, sino también sobre la calidad del tráfico de clientes. Esta información permite a los retailers obtener información detallada acerca de cómo las personas se mueven e interactúan dentro de un mercado, y de cómo se comportan en los canales offline y online.

Y no se debe solo a que hay más datos disponibles. Ahora, las compañías tienen acceso al enorme poder de cómputo de los modelos de aprendizaje automático (ML). Estos modelos pueden analizar grandes activos de datos y ayudar a generar insights granulares y aplicables a nivel de micro-mercado.

En las empresas más sofisticadas, los datos geoespaciales y su análisis suelen ser responsabilidad de un grupo dedicado de analítica avanzada (AA). Ese grupo, que puede estar centralizado o localizarse en una función específica, impulsa el uso de advanced analytics rompiendo los silos. Así, genera insights transversales que reúnen las prioridades de múltiples funciones, como marketing, ventas, finanzas o inmuebles.

La combinación de técnicas geoespaciales avanzadas y aprendizaje automático, aplicada a datos confiables sobre conducta de los consumidores, produce conocimientos muy útiles para los retailers. En particular, les ayuda a tomar mejores decisiones acerca de expandir o contraer sus redes físicas, como también a elaborar planes de acción a nivel de tienda para optimizar su desempeño. Asimismo, algunos retailers están utilizando esos conocimientos para movilizar a la fuerza de ventas y priorizar sus inversiones.

Analítica geoespacial en acción: Caso práctico

Consideremos el caso de un retailer global especializado que vende sus productos a través de su propia red de comercios físicos, una tienda online y cuentas mayoristas. Las ventas de la empresa estaban declinando debido a la fuerte competencia. Para averiguar cómo revertir esa tendencia en toda la red, la compañía recurrió a ML geoespacial.

Un equipo de científicos de datos elaboró un modelo analítico a la medida de la marca, apalancando datos internos y externos por igual. El equipo testeó cientos de variables y usó técnicas geoespaciales para identificar los factores con mayor efecto (positivo o negativo) en las ventas totales a nivel local (por código postal) (Gráfico 2).

Using geospatial machine learning, a retailer identified the factors that most affect a zip code's sales potential.

Sobre la base de esos drivers, los científicos pudieron predecir las ventas potenciales en cada área y tienda, y comparar el potencial con los datos de ventas reales. De esta manera, mediante simulación geoespacial, pudieron estimar el impacto de cada localización sobre las ventas online y mayoristas.

El equipo también logró aislar los factores únicos que contribuyen a generar un efecto halo, y llegó a la conclusión de que en general, una tienda posee un fuerte halo de e-commerce si se trata de un espacio de gran tamaño localizado en un área con alta proporción de jóvenes y profesionales urbanos. Otros factores más sorprendentes que contribuyen a un efecto de halo para el canal de e-commerce: estar alejado de otras tiendas de la misma marca, situarse en un entorno de alto tráfico como un centro de compras grande o de alta gama, y tener una baja proporción de gasto de turistas (lo que implicaría que la mayoría de los clientes viven o trabajan en las cercanías).

La compañía aplicó estos insights para identificar las tiendas estaban por debajo de su potencial de ventas y ganancias (Gráfico 3), así como los micro-mercados con oportunidades de crecimiento aún no aprovechadas. Análisis adicionales revelaron que el retailer podía optimizar el valor omni-canal de su red de tiendas y obtener una mejora de 20 por ciento de EBITDA cerrando, relocalizando o dando un nuevo formato a sus tiendas (por ejemplo, convertir una tienda clásica en un showroom digital).

A retailer can categorize stores into four groups based on sales potential and profitability.

Así, la compañía elaboró “planes de batalla” a nivel de mercado para su red de tiendas: cuáles reformatear o cerrar, dónde aumentar su presencia con nuevas tiendas o una mayor penetración mayorista, y cómo dimensionar y secuenciar sus inversiones.

Cómo comenzar

Para lanzar una iniciativa de analítica geoespacial, cada retailer tendrá un punto de partida distinto. Recomendamos que las compañías lleven a cabo en primer lugar un inventario interno de los datos disponibles y de sus capacidades de advanced analytics.

Algunos retailers cuentan con datos limitados (por ejemplo, baja visibilidad de sus cuentas mayoristas), silos en sus unidades de negocios o apenas un puñado de analistas y científicos de datos. Estos retailers deben primero cumplir los requerimientos mínimos de datos y evaluar asociarse con un proveedor externo o directamente adquirir capacidades analíticas.

Del otro lado del espectro, algunos retailers ya cuentan con alianzas externas de datos, procesos de intercambio confiables y consistentes con sus cuentas mayoristas, y ejecutivos enfocados en el éxito del negocio omni-canal. Estas compañías pueden optar por formar un equipo sólido de científicos con experiencia en analítica geoespacial, que además de realizar análisis también generará insights útiles susceptibles de integrados fácilmente a procesos de negocios y toma de decisiones en tiempo real.

Sin perjuicio de su decisión de “construir, comprar o asociarse”, los retailers deben esforzarse constantemente por romper con los silos entre negocios. Si los líderes de las funciones de retail, e-commerce, venta mayorista, marketing, inmuebles y finanzas operaran cada uno en forma independiente y no compartieran objetivos o iniciativas, la compañía en conjunto sería incapaz de tomar decisiones óptimas desde una perspectiva omni-canal.


Según nuestra experiencia, los retailers pueden cuantificar las brechas en el desempeño, identificar oportunidades de crecimiento en su estrategia de salida al mercado y capturar ganancias rápidas en solo 6 a 12 meses usando analítica geoespacial, en especial si cuentan con un equipo multi-funcional y empoderado para liderar el cambio. Pilotos exitosos en uno o dos mercados pueden generar rápidamente el apoyo necesario para el despliegue a escala global. Aprovechando el poder de la analítica geoespacial, los retailers están en condiciones de capturar al cliente omni-canal – que, en el futuro cercano, podría llegar a ser el único tipo de consumidor disponible.

Sobre el/los autor(es)

Alana Podreciks es gerente de OMNI, una solución de McKinsey, y está basada en la oficina de la Firma en Nueva York, Nathan Uhlenbrock es experto geoespacial de la oficina de Waltham, y Kelly Ungerman es socia de la oficina de Dallas.

Los autores agradecen a AD Bhatia, Emily Gerstell, Yogi Patel, Adrija Roy y Jennifer Schmidt por su contribución a este artículo.

Related Articles