La promesa del retail no es vender cosas

‍

Por:
Luis Ricardo Almanza
CEO de Celes
Emprendedor y entusiasta del Retail, la tecnología y el futuro del abastecimiento.

‍

La promesa del retail no es vender cosas; es garantizar abundancia. Es confiar en que, cuando un consumidor entra a la tienda o navega en la app, siempre encontrará lo que necesita.

Esa promesa se cumple o se rompe en el back-end, lejos de la vista del cliente.
Ese back-end es responsabilidad de los equipos de Cadena de Suministro. Su trabajo es complejo, poco reconocido, pero sostiene buena parte de las comodidades de la sociedad moderna. Durante décadas han trabajado con las uñas, tratando de reaccionar rápido ante una demanda cambiante.
Hoy, la tecnología nos da una opción mejor. Los modelos modernos de inteligencia artificial permiten pronósticos de demanda mucho más precisos, y la automatización puede ejecutar decisiones con mínima intervención humana. Anticiparse es mejor que reaccionar, así como prevenir es mejor que curar.
Por eso veo un futuro muy diferente para los equipos de cadena de suministro.

‍

‍La tesis

‍Mi tesis es simple: un buen pronóstico de demanda, combinado con inteligencia artificial y automatización de reglas operativas, puede encargarse de casi todas las decisiones y flujos de trabajo de la cadena de suministro.
Eso liberará a los equipos humanos para enfocarse donde más valor agregan: en el frente del negocio.
Hacer las mejores tiendas posibles.

Con el mejor surtido posible.

Dando el mejor servicio posible.

Esa es la parte que requiere la creatividad, la intuición y el criterio que solo los humanos tienen.

‍

Lo que ganamos

‍Con esta transformación, eliminaremos las rupturas de stock, los excesos de inventario y el desperdicio. Al mismo tiempo, reforzaremos la propuesta de valor del retail: abundancia.
Esto se traduce en más ventas y mayores utilidades, sin trasladar el costo de las ineficiencias al consumidor final. Así que, aunque a continuación toque temas tácticos y operativos, invito a cualquier gerente leyendo esto, que lo vea como un cambio de paradigma estratégico.
Según Capgemini, las aplicaciones de IA en cadena de suministro reducen el error de pronóstico hasta en 50 %; y según McKinsey, cada mejora del 10 % en pronósticos reduce las rupturas de stock en 2 % y disminuye los inventarios en 5 %. Los números confirman que el esfuerzo vale la pena.

‍

Las viejas creencias

‍Conseguir este sueño no es tarea fácil; nada bueno lo es. Y mientras sigamos aferrados al “siempre se ha hecho así”, no veremos cómo hacerlo mejor, más automático y más económico.
Una de las creencias más arraigadas es que, como no podemos predecir la demanda con precisión, lo mejor es reaccionar rápido. Bajo esa lógica se definieron los métodos de stock máximos, mínimos y puntos de reorden.
Y hay que reconocerlo: funcionan. Han funcionado bien desde los años 80. Pero esos métodos fueron diseñados para reaccionar, no para anticipar. Por ende, son incompatibles con los métodos de pronóstico potentes y precisos disponibles hoy.

‍

Por qué ya no basta reaccionar

‍Los modelos de pronóstico de demanda modernos son incompatibles con las políticas basadas en puntos de reorden. No por un problema matemático o de fórmulas, sino por una incompatibilidad conceptual.
La filosofía del punto de reorden es esperar a que algo pase para actuar: comprar o resurtir cuando el inventario baja de cierto nivel. En cambio, la filosofía de los pronósticos modernos es la anticipación.
Por eso, intentar combinar ambas cosas genera resultados mediocres: algo mejores que usar promedios históricos, pero lejos del potencial real de una cadena predictiva y automatizada.
Una ventaja poco evidente de anticiparse es que podemos predecir la capacidad de nuestros CEDIs también. Muchas veces el CEDI no puede satisfacer la demanda de todas las tiendas en un solo día y aparece la famosa “distribución de la escasez”. Las tiendas piden 1.000 cajas, pero solo hay 500 en el CEDI. ¿Cómo priorizamos? No importa cómo lo hagamos: en ese momento la promesa del retail ya está rota. Pero si nos anticipamos, esa escasez no debería ocurrir.

‍

Haciéndolo realidad hoy

‍Para lograr una cadena verdaderamente predictiva y automatizada no basta con tener buenos modelos; se necesitan buenos datos y reglas operativas claras. Sin eso, la automatización solo acelera el desorden.
Con datos limpios y el motor de pronóstico correcto, podemos construir modelos que consideren todas las variables relevantes: estacionalidad, promociones, clima, feriados, incluso los partidos de fútbol. Todos estos factores influyen en la demanda y deben formar parte del modelo.
También necesitamos datos confiables de inventarios y tránsitos. La ecuación básica no ha cambiado: la demanda futura esperada en un ciclo logístico, menos el inventario disponible, se convierte en los pedidos óptimos.
Esos pedidos óptimos se transforman en pedidos definitivos cuando se aplican las restricciones reales del negocio: capacidad limitada del CEDI, tamaño de tiendas, presupuestos, transporte y demás. Pero eso ya es solo matemáticas.
Con el pedido definitivo, las automatizaciones pueden ejecutar el proceso completo: generar órdenes de compra, actualizar el ERP, notificar a proveedores y coordinar flujos de trabajo sin intervención manual.

‍

No nos referimos a ChatGPT u otros LLM

‍Cuando hablamos de inteligencia artificial para cadena de suministro, no nos referimos a modelos de lenguaje como ChatGPT o Gemini. Los datos del retail son demasiado masivos y específicos para este tipo de arquitecturas.
Si tradujéramos los datos operativos de un retailer mediano a tokens —la unidad de medida de estos modelos—, obtendríamos unos 120.000 millones de tokens. Para comparar: Gemini, el modelo con mayor capacidad de contexto, procesa apenas 2 millones. Una fracción diminuta de lo necesario.

La inteligencia artificial que usamos en supply chain pertenece a otra familia: los modelos de predicción de series de tiempo. Ejemplos: LGBM (Light Gradient Boosting Machine), TFT (Temporal Fusion Transformer) y N-HiTs, entre otros.
Estos modelos están diseñados para aprender patrones de comportamiento, estacionalidad, promociones y tendencias de consumo a partir de millones de observaciones. Es un campo en pleno auge, con nuevos modelos más precisos y eficientes naciendo cada trimestre. Y es ahí —no en los grandes modelos de lenguaje— donde se está definiendo el verdadero futuro predictivo del retail.

‍

Reinforcement Learning en la cadena de suministro: el salto que viene

‍Creo que en el futuro cercano veremos a modelos de aprendizaje por refuerzo (Reinforcement Learning, RL) encargándose de definir las políticas de inventario que hoy toman los humanos: cuándo revisar, cuántas unidades mantener, cuándo reabastecer, qué nivel de servicio buscar, qué frecuencia de envío usar. Estoy convencido de que ese es el futuro.
En términos simples, un “agente” (el modelo) interactúa con un “entorno” (la operación). Toma acciones (por ejemplo, ajustar stocks o emitir pedidos), recibe recompensas o castigos según el resultado (niveles de servicio, costos, desperdicio) y aprende, con el tiempo, la política que maximiza la recompensa total.
Aplicado a la cadena de suministro, el RL ajustará automáticamente periodos de revisión, niveles de servicio, umbrales de pedido o frecuencias de envío. Los modelos predictivos de demanda serán parte del “entorno” del agente, que podrá explorar estrategias que los humanos no habríamos imaginado, pero que funcionan mejor.
Ya hay una investigación en marcha muy prometedora. Dejaré algunos papers muy interesantes al final del escrito.
La mayoría de esos experimentos con RL se ejecutan en entornos pequeños y controlados. Pero eso no es falta de tecnología, es una cuestión de escala y aplicación práctica. Y la historia de la innovación siempre ha tratado de eso: llevar lo que funciona en laboratorio al mundo real.
Cuando eso ocurra, los humanos no desaparecerán. Solo cambiarán de rol. Serán quienes definan las recompensas del modelo, los objetivos estratégicos y los castigos por error. Igual que hoy definen las políticas globales o revisan excepciones.
Por eso todos los profesionales de Supply Chain deberían aprender sobre inteligencia artificial cuanto antes. La pregunta no es si vendrá este futuro, sino cuándo.
Pasaremos de reacción, a anticipación, a autonomía en la cadena de suministro.
Y así cumpliremos, por fin, la promesa de valor del retail.

‍

Algunos papers sobre RL:

Multi-Agent Reinforcement Learning for Inventory Management (2023, arXiv), que presenta un marco MARLIM y demuestra mejoras sobre políticas clásicas.

Multi-Echelon Inventory Optimization using Deep Reinforcement Learning (2024, Springer), que muestra reducciones de 11–16 % en costos logísticos en redes reales.

A Review on Reinforcement Learning Algorithms and Applications in Supply Chain Management (2024, MIT CTL), que documenta el rápido avance del campo.

‍

Sobre el autor

Luis Ricardo Almanza es CEO y Cofundador de Celes, la plataforma especializada en forecasting de alta precisión y automatización de compras y reposición para retailers. Ha acompañado a organizaciones de hard discount, supermercados, grandes superficies, cadenas de farmacias y retailers multinacionales en la implementación de sistemas de supply chain basados en inteligencia artificial en Latinoamérica y Europa.
Su trabajo se centra en ayudar a los equipos de abastecimiento y planificación a reducir quiebres de stock, optimizar inventarios y transformar sus operaciones en cadenas predictivas y automatizadas.

‍