FAQ Director de Merchandising — plataforma de IA decisional retail

Trata la IA como un comprador junior que produce una propuesta de primer borrador. Los compradores senior revisan, hacen override y curan. Sus overrides vuelven al modelo como señal de supervisión, y el sistema aprende la intención del merchant con el tiempo. El rol pasa de "producir el buy" a "validar y curar el buy". Esto libera alrededor del 30-40 % del tiempo del comprador para tareas de mayor valor como la negociación con proveedores y la curación de las categorías de cola. La IA gestiona el volumen y el reconocimiento de patrones. El comprador gestiona el criterio, los arbitrajes y las señales que el modelo no ve.

El ciclo se comprime de dos a cuatro semanas. La IA hace emerger las señales de demanda sobre el volumen y el surtido de cuatro a seis semanas antes que la planificación en hoja de cálculo. Ingiere de forma continua sell-through, búsqueda y señales de la competencia. Los compradores entran en la reunión de compra con un surtido borrador en lugar de construirlo en la sesión. Los cambios de fin de ciclo caen con fuerza y el equipo tiene más margen para afinar la cola. La cadencia también se estabiliza: bucles semanales reemplazan el ejercicio trimestral en modo apagafuegos que la mayoría de los planes de pretemporada sufren hoy.

Dos decisiones de diseño no son negociables. Primero, la IA debe explicar su recomendación en términos de negocio, no en internals del modelo. Un comprador debe leer "adelantado por la señal de clima cálido en el clúster B", no barras de importancia de features. Segundo, cada recomendación debe llevar un override en un clic, y el modelo debe aprender de ese override. Sin ambos, los compradores desconectan o eluden el sistema. Bien hechos, el criterio se capitaliza: el modelo codifica la intuición del merchant mientras hace el grueso del trabajo de patrones. Consulta nuestro análisis sobre las reglas de negocio retail para el diseño de las reglas.

Los meses cero a tres oscilan en un 30-50 % de adopción, con los compradores experimentando en paralelo a sus hojas de cálculo. Los meses tres a nueve suelen pasar por un valle antes de la recuperación. La luna de miel termina y el modelo debe demostrarse en los casos difíciles del equipo. El régimen estacionario a partir del mes nueve se sitúa en un 70-85 % para los despliegues bien hechos. Por debajo del 50 % en el mes nueve, el modelo ignora las restricciones del comprador. La corrección está en el diseño de las reglas y del feedback, no en más datos de entrenamiento. Mide la adopción por comprador, no como media de equipo.

Separa los overrides en dos niveles. Los overrides línea a línea sobre un solo SKU o tienda quedan libres: el comprador gana, el modelo registra la desviación y aprende. Los overrides estratégicos modifican una tendencia de categoría, un mix de marcas o una postura de precio. Requieren un sign-off del category lead y vuelven como parámetros del modelo, no como correcciones puntuales. Esto mantiene el criterio individual fluido a la vez que protege el modelo de una deriva por unas pocas opiniones ruidosas. Audita los overrides cada mes: un comprador que hace override del 70 % de las recomendaciones señala un bug del modelo, no un problema de disciplina.

La resistencia llega en tres sabores. Primero: la IA no entiende mis restricciones. Se resuelve añadiendo esas restricciones como reglas explícitas, no discutiendo. Segundo: la IA es peor que mi criterio. Se resuelve midiendo ambos sobre el 80 % del volumen donde el modelo debe ganar, no sobre el 20 % de casos límite donde el comprador gana. Tercero: está aquí para reemplazarme. Se resuelve promoviendo de forma visible a la primera cohorte de compradores fluentes en IA en los doce meses. Cada sabor tiene una corrección estructural, no una corrección de formación.

Tres métricas cuentan a nivel de categoría. La tasa de sell-through se mueve típicamente de 200 a 500 puntos básicos en los surtidos pilotados por IA frente al control. La profundidad de markdown baja de 100 a 300 puntos básicos, porque las compras de pretemporada se ajustan mejor a la demanda real. La productividad de surtido, medida como la cifra por SKU a margen constante, gana un 5 a 15 % a medida que la cola se cura mejor. Sigue las tres sobre una categoría de control mantenida al margen durante las dos primeras temporadas. Las métricas de vanidad como la precisión de previsión no tienen lugar en un cuadro de mando merch.

El mayor impacto cae sobre las decisiones de SKU de cola. La IA hace emerger las señales sobre los SKU de rotación lenta o nuevos en el surtido seis semanas antes de la reunión de compra. La planificación en hoja de cálculo lee típicamente esas señales tres semanas después del compromiso. Es esa ventana la que desbloquea una curación más ajustada sin recortar la amplitud. Los SKU núcleo se benefician menos, porque sus patrones son estables y un buen planner ya los trata bien. Haz que la IA gane en la cola, donde la atención humana se agota. Consulta nuestro análisis planificación de surtido con IA en pretemporada para el workflow completo.

Los category managers fluentes en IA gestionan un 30-50 % más de amplitud de SKU con igual calidad. Eso los coloca en una trayectoria más rápida hacia los roles de senior buyer y director de categoría. El scope sigue siendo el criterio de promoción que la mayoría de las cadenas utilizan. Los reticentes se estancan: acaban pilotando perímetros cada vez más pequeños mientras sus pares absorben categorías más amplias. Encuadra el despliegue como una inversión de carrera, no como un cambio de workflow. Los compradores que se apropian de la IA pronto son los que dirigirán la función dentro de cinco años.