Cada vez que un representante de campo abre la pantalla de pedido de un cliente, el motor de Suggested Order produce una lista clasificada de productos con cantidades recomendadas. Detrás de esa lista simple hay un modelo de aprendizaje automático que combina siete señales distintas en una sola recomendación optimizada. Comprender cómo contribuye cada señal le ayuda a confiar en las sugerencias y configurar el sistema para que se ajuste a su estrategia de negocio.
La señal uno es el historial de compras. Esta es la base. El modelo analiza lo que cada cliente ha pedido en el pasado, con qué frecuencia, en qué cantidades y a qué intervalos. Identifica patrones regulares de reabastecimiento, compras únicas y tendencias gradualmente crecientes o decrecientes. Una tienda que pide 10 cajas de una bebida cada dos semanas verá ese producto sugerido en el momento adecuado con la cantidad correcta. El modelo también detecta cuándo un cliente deja de pedir un artículo anteriormente regular, señalando una posible pérdida a nivel de SKU.
La señal dos es la estacionalidad. La demanda de bienes de consumo masivo es altamente estacional. Los pedidos de refrescos se disparan en verano, las ventas de chocolate alcanzan su máximo antes de las fiestas, la demanda de productos de limpieza aumenta durante el Ramadán. El modelo captura estos patrones en múltiples niveles: estacionalidad a nivel de producto, tendencias a nivel de categoría y ciclos de todo el mercado. Ajusta automáticamente las cantidades recomendadas según dónde se encuentre en la curva estacional, sin configuración manual. Una tienda en una zona turística podría ver un perfil estacional diferente al de una en un vecindario residencial, y el modelo captura esta granularidad.
La señal tres es la afinidad de venta cruzada. Los productos no se compran de forma independiente. Una tienda que compra cola probablemente compra papas fritas. Una que pide detergente para ropa frecuentemente compra suavizante de telas. El modelo aprende estas afinidades de los datos de transacciones y las usa para sugerir productos complementarios que el cliente podría no haber considerado. Esto es especialmente poderoso para introducciones de productos nuevos, donde el modelo puede identificar qué productos existentes están más asociados con el nuevo SKU y dirigirse a esos clientes.
La señal cuatro es la elegibilidad de promociones. Las promociones activas son una señal de primera clase, no una ocurrencia tardía. El modelo verifica qué productos tienen promociones activas, si el cliente es elegible según su nivel, región o historial de compras, y cómo los precios promocionales afectan la composición óptima del pedido. Los productos en promoción reciben un impulso en la clasificación, pero el modelo equilibra la cobertura promocional contra los patrones de demanda real del cliente para evitar el exceso de pedidos de artículos promocionados que quedarán sin vender.
La señal cinco es el límite de crédito. Cada recomendación debe respetar la realidad financiera. El modelo verifica el saldo de crédito disponible del cliente y limita el valor total del pedido en consecuencia. Cuando el límite de crédito es restrictivo, el modelo prioriza los productos de alto margen y los artículos esenciales de reabastecimiento sobre las adiciones opcionales. Esto previene el problema común de representantes que construyen pedidos que exceden la capacidad crediticia del cliente, solo para que el pedido sea rechazado en el momento del despacho.
La señal seis es la salud del inventario. Si el cliente aún tiene inventario significativo de un producto del último pedido, sugerir más del mismo es contraproducente. El modelo estima los niveles de inventario actuales basándose en la velocidad de consumo histórica y el tiempo desde el último pedido. Los productos con inventario estimado saludable se despriorizan, mientras que los productos que se acercan al agotamiento se impulsan. Esta señal reduce directamente el exceso de pedidos y el desperdicio asociado con exceso de inventario expirado o dañado.
La señal siete es la tasa de devolución. Esta es la señal que la mayoría de los sistemas de sugerencia de pedidos ignoran, y es una de las más impactantes. Si un producto tiene una alta tasa de devolución para un cliente o tipo de tienda específico, el modelo lo penaliza en la recomendación. Las devoluciones son costosas para todos en la cadena de suministro. Al considerar los patrones históricos de devolución, el modelo evita sugerir productos que probablemente regresarán, protegiendo los márgenes tanto del distribuidor como del minorista.
El mecanismo de combinación mezcla estas siete señales usando un ensamble ponderado. Cada señal produce una puntuación para cada producto candidato, y el ensamble las combina en una puntuación de recomendación final. Los pesos son configurables a nivel de inquilino, permitiéndole enfatizar diferentes señales según sus prioridades de negocio. Una empresa enfocada en reducir devoluciones podría aumentar el peso de la señal de tasa de devolución, mientras que una que lanza nuevos productos podría impulsar la señal de afinidad de venta cruzada.
El manejo de arranque en frío es una capacidad crítica. Cuando un cliente nuevo no tiene historial de compras, las señales uno, seis y siete no tienen datos. El modelo recurre a un enfoque jerárquico: primero usa datos de clientes similares en el mismo canal y región, luego patrones a nivel de categoría en todo el inquilino, y finalmente los productos más vendidos a nivel de población. A medida que el cliente acumula historial de pedidos, el modelo transiciona gradualmente de estos sustitutos a señales personalizadas. La mayoría de los clientes ven sugerencias completamente personalizadas dentro de tres a cinco ciclos de pedido.
Un ejemplo concreto ilustra cómo interactúan las señales. Considere una tienda de conveniencia que regularmente pide bebidas y botanas. Es mediados de julio (la estacionalidad impulsa las bebidas frías), hay una promoción activa en una nueva bebida energética (señal de promoción), el último pedido de cola de la tienda fue hace ocho días y típicamente reordenan cada siete días (la salud del inventario sugiere que se están agotando), y tienen una tasa de devolución del 15% en una marca particular de jugo (la señal de devolución lo penaliza). El modelo sugerirá una cantidad de reabastecimiento de cola, impulsará la recomendación de la nueva bebida energética, y reducirá o excluirá la marca de jugo problemática, todo mientras mantiene el pedido total dentro del límite de crédito de la tienda.
La explicabilidad está integrada en cada recomendación. La respuesta de la API incluye puntuaciones de contribución por señal para cada producto sugerido, para que el representante pueda ver exactamente por qué se recomienda un producto y por qué tiene una cantidad específica. Esta transparencia genera confianza con el equipo de campo y permite conversaciones informadas con los propietarios de tiendas sobre por qué se sugieren ciertos productos.