|
||||||||||||||||||||||||||||||||||||
 |
||||||||||||||||||||||||||||||||||||
 |
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Situación
GUS Home Shopping, la división de catálogo de Great Universal Stores que es la empresa número 2 de comercio al detalle en Inglaterra, envía por correo 14 millones de catálogos por año y entrega aproximadamente 395,000 ordenes diariamente a sus clientes en Inglaterra y Europa.
Problema
Para mantener sus ganancias, participación en el mercado y la lealtad de sus clientes en el mercado cada día más competitivo, GUS Home Shopping tiene que estimar la demanda de sus productos en cada uno de sus catálogos. Para ser más precisos, necesita pronosticar cada una de las ventas que realizará cada temporada para que la compañía sea capaz de:
Solución
Con Clementine, GUS Home Shopping crea modelos que estiman la demanda de cada uno de los productos de sus catálogos y además determina los niveles de riesgo asociados con cada uno de los pronósticos. Actualmente la compañía sabe �antes de que sea demasiado tarde- qué productos tendrán mayor demanda y de esta manera ajustar su nivel de inventario.
Resultados
Como otros detallistas GUS Home Shopping sabe que el éxito depende de ordenar los productos correctos en las cantidades adecuadas en el tiempo justo.
Para hacer un pronóstico de demanda, la compañía envía un catálogo previo a 60,000 clientes 3 meses antes de que empiece la temporada. Como incentivo para ordenar, los clientes reciben descuentos por un periodo de 2 semanas. Los analistas utilizan la información obtenida para pronosticar la demanda final de cada uno de los productos. Los ejecutivos de mercadotecnia utilizan estos análisis para calcular aproximadamente el 25% de su presupuesto.
A través de los años, la compañía ha realizado pronósticos utilizando análisis de regresión múltiple y software mainframe; pero estas estimaciones con frecuencia son conservadoras, ya que algunas veces las ordenes de los productos que creían que iban a ser un éxito resultaron en devoluciones y clientes no satisfechos y desafortunadamente había en stock productos que nadie quería.
Matthew Biddle, el analista de proyectos en GUS Home Shopping, necesitaba encontrar un método más preciso para hacer sus pronósticos. La compañía solicitó los servicios de los consultores de Cap Gemeni, quienes rápidamente utilizaron Clementine para implementar estrategias de Data Mining y de esta manera obtener modelos confiables y fáciles de visualizar.
Las habilidades de Clementine impresionaron a los ejecutivos de GUS Home Shopping. Matthew Biddle afirmó que con el software de mainframe no habían tenido la capacidad de ver los patrones y tendencias de manera gráfica; además de que pudieron explorar nuevas variables y construir nuevos modelos. Durante ese proceso pudieron generar nuevas ideas.
�Sin haber visto a Clementine trabajando a su máxima capacidad sabían que podían hacer gran uso de esta herramienta. Era fácil levantarse y correr, Clementine le dio un nuevo enfoque al análisis de datos y produjo impresionantes resultados� esas fueron las palabras de Biddle.
El análisis se repitió en varias temporadas, con Biddle y los consultores haciendo pronósticos en los dos sistemas. Utilizaron las mismas variables de entrada, crearon pronósticos de conexiones neurales en Clementine y análisis de regresión múltiple en el mainframe. Construyeron modelos para 6,500 productos en cada catálogo con datos históricos de las últimas 3 temporadas.
Para cada temporada GUS Home Shopping encontró que los modelos de redes neurales de Clementine arrojaban mejores pronósticos, reducían los errores en un 4% y la desviación estándar era del 10%. También al utilizar las reglas de inducción de Clementine GUS Home Shopping mejoró en un 20% el nivel de riesgo de sus pronósticos.
En la actualidad los pronósticos de Clementine y la estimación del riesgo �no resultados de regresión múltiple- aparecen en los reportes de cada uno de los ejecutivos. Estos números ahora son la base para la compra final de productos.
Mejorar los pronósticos proyectando un 3.8% de ahorro
Porque GUS Home Shopping tiene mejores pronósticos de la demanda que tendrán sus productos, puede estar confiando en que comprará la cantidad correcta y el producto exitoso. Según Biddle en la última temporada han podido disminuir sus costos en un 3.8% haciendo una comparación a los pronósticos que hacían con modelos de regresión.
Aumentar la lealtad de los clientes y disminuir el exceso de inventario
GUS Home Shopping no sólo pudo disminuir sus costos en un 3.8% utilizando Clementine, si no que logró que sus clientes aumentaran sus niveles de compra. Los productos que serán exitosos siempre estarán en existencia para que los clientes estén satisfechos y sea menos probable que acudan a la competencia para comprar un producto similar. ¿El resultado? Clientes más rentables y mayores ganancias.
Desarrollar modelos para crecer más
Para aumentar el retorno de su inversión sobre Clementine y la inversión que realizó en Data Mining, GUS Home Shopping planea explorar las capacidades de Clementine Solución Publisher. Este nuevo desarrollo de SPSS le dará la capacidad a Biddle de automatizar el proceso entero de pronóstico una vez que los modelos hayan sido construidos. Posteriormente una pequeña intervención manual será necesaria para introducir los pronósticos en los reportes. Clementine Solution Publisher será capaz de que los pronósticos creados en Clementine sean exportados en código C y almacenados en el mainframe o UNIX para que los sistemas de producción puedan correr automáticamente y producir reportes a cualquier hora de la noche asegurándose de que los ejecutivos recibirán la información lo antes posible.
En los meses siguientes, Biddle y sus colegas también planean usar los productos de SPSS para pronosticar y predecir las tendencias de la demanda para productos en específico.
Es por eso que SPSS le ha dado la herramienta analítica que GUS Home Shopping necesita para mantener su desempeño y mejorar su participación en el mercado.
