Cuando se habla de IA en retail casi siempre se acaba hablando de ecommerce: recomendador, buscador, carrito abandonado. La tienda física se queda fuera de la conversación, y es raro, porque es donde está el 75% de las ventas del comercio minorista en España y donde cada error cuesta dinero físico: metros cuadrados ocupados por producto que no rota, lineales vacíos un sábado por la tarde, personal mal repartido entre franjas.
Esta guía va de lo que se puede hacer hoy en una cadena de entre 5 y 200 tiendas —moda, alimentación, ferretería, perfumería, electrodomésticos— con los sistemas que ya tienes: TPV, ERP, cámaras y, si hay suerte, un programa de fidelización. No va de tiendas sin cajas ni de estanterías que pesan el producto solas. Va de aforo, surtido, reposición y pérdida desconocida, que es donde el dato cambia decisiones esta semana.
Un aviso de partida: si en tu cadena nadie puede responder en dos minutos cuánto vendió ayer cada tienda por familia de producto y a qué hora, el problema todavía no es de IA. Es de datos sueltos entre el TPV y el ERP. Se arregla antes, cuesta menos y es el requisito de todo lo demás.
¿Qué puede hacer la IA en retail físico que no haga ya el TPV?
El TPV te dice qué se vendió. No te dice qué no se vendió y por qué. Esa diferencia es casi todo el valor que aporta la analítica avanzada en tienda:
- La venta perdida. El TPV registra los 40 pantalones vendidos, no los 12 clientes que buscaron la talla 42 y se fueron. Cruzar tráfico de entrada con tickets (tasa de conversión por franja) y stock por talla empieza a dar esa foto.
- La causa del hueco. Un producto con ventas planas puede estar muerto o puede llevar tres semanas sin reponerse en el lineal. Son dos decisiones opuestas y el informe de ventas las muestra igual.
- El patrón que no ves con los ojos. Qué productos se compran juntos solo en las tiendas de centro comercial, qué referencias tiran de la cesta aunque vendan poco, qué tienda tiene un comportamiento distinto al de su cluster.
- La anticipación. Prever el tráfico de cada tienda por día y franja permite cuadrar turnos y pedidos con una semana de margen en vez de reaccionar el viernes.
Nada de esto exige un modelo exótico. Exige que el dato de ventas, stock y tráfico esté en el mismo sitio, limpio y con la misma definición de «tienda», «producto» y «día». Ese trabajo previo es el que se explica en gobierno del dato y es el que casi siempre se salta la presentación comercial.
¿Qué sistemas hay que tocar: TPV, cámaras, ERP?
Antes de prometer nada, conviene mirar de dónde sale cada dato y cuánto cuesta sacarlo. En una cadena mediana el mapa suele ser este:
| Fuente | Qué aporta | Problema habitual | |---|---|---| | TPV | Ticket, línea de venta, hora, medio de pago, operador | Cada tienda con su versión; promociones mal codificadas | | ERP / gestión de stock | Stock teórico por tienda y referencia, pedidos, recepciones | Stock teórico ≠ stock real; desviación del 5-15% sin inventario frecuente | | Contador de personas / cámara de entrada | Tráfico por franja, tasa de conversión | Cuenta empleados y repartidores si no está bien configurado | | Cámaras de sala | Mapa de calor, colas, incidencias | Dato personal: exige base legal y análisis en el propio dispositivo | | Fidelización / CRM | Cliente identificado, frecuencia, cesta | Solo cubre el 20-50% de los tickets | | Planograma / visual merchandising | Qué debería estar en cada lineal | Vive en PDF o en la cabeza del responsable de zona |
La regla práctica: empieza por las fuentes que ya generan dato estructurado (TPV y ERP) y añade tráfico después. Las cámaras de sala son la última capa, no la primera, y no por técnica sino por coste de instalación y por cumplimiento.
Integrar TPV y ERP no es glamuroso, pero es el 60% del proyecto. Si vas a hacerlo, mira antes los patrones y errores de integrar ERP y CRM: se aplican casi tal cual.
¿Para qué sirve contar el aforo si ya sé lo que vendo?
Medir tráfico cambia la unidad de análisis: dejas de comparar ventas entre tiendas y empiezas a comparar conversión. Una tienda que vende la mitad que otra puede estar haciéndolo mejor si recibe un tercio de las visitas.
Con tráfico por franja de 30 minutos y tickets del TPV sacas tres cosas accionables:
1. Cuadrante de personal. Si el 38% de las visitas entran entre las 18:00 y las 20:00 y ahí tienes a una persona sola en caja, el problema de conversión no es el surtido. Esto se resuelve con una previsión de tráfico por tienda y día, que es un modelo sencillo (histórico, día de la semana, festivos, clima, calendario comercial) y además verificable: comparas lo previsto con lo real cada lunes. 2. Efecto de la promoción. Una campaña que sube ventas un 20% pero el tráfico un 35% no está funcionando: está atrayendo gente que no compra. 3. Detección de anomalías por tienda. Caída de conversión del 30% en una tienda concreta durante cuatro días seguidos: casi siempre es una rotura de stock o un problema de personal, y se detecta solo si hay alerta automática.
Contar personas no es el proyecto. El proyecto es que alguien reciba el lunes a las 9:00 una lista corta de tiendas con conversión anómala y tenga que explicar qué pasó.
¿Cómo se ajusta el surtido por tienda sin volverse loco?
El surtido es donde más dinero se deja una cadena con tiendas heterogéneas. Dos errores clásicos: surtido único para todas («lo que funciona en la tienda insignia») o surtido a criterio de cada encargado (ingobernable y no comparable).
El camino intermedio que sí funciona:
- Agrupa tiendas por comportamiento, no por metros. Un modelo de clustering sobre mix de venta, estacionalidad, tipo de cesta y perfil de cliente suele dar entre 4 y 8 grupos útiles. Es la misma lógica que en segmentación de clientes, aplicada a tiendas.
- Define un núcleo común y una cola flexible. Típicamente 60-70% de referencias comunes a toda la cadena y 30-40% decidido por cluster. Así mantienes negociación con proveedor y poder de compra.
- Mide canibalización antes de ampliar. Meter 200 referencias nuevas en una tienda de 300 m² no suma ventas: redistribuye espacio. La pregunta correcta es qué sale, no qué entra.
- Pon fecha de revisión. Un surtido por cluster sin revisión trimestral envejece en una temporada.
Para que esto no sea un ejercicio de hoja de cálculo hace falta rotación por referencia y tienda, margen real (con descuentos y mermas) y espacio ocupado. Si el margen por referencia es una estimación, el modelo optimizará la estimación.
¿Qué parte de la reposición se puede automatizar?
La reposición en retail físico tiene dos niveles y conviene no mezclarlos:
Del almacén central a la tienda. Aquí la IA aporta de verdad: previsión de demanda por tienda y referencia, stock de seguridad calculado por variabilidad en vez de por norma fija, y propuesta de pedido automática que el responsable valida. Es el caso con ROI más medible y el que mejor se explica en optimización de inventario y previsión de demanda.
Del almacén de la tienda al lineal. Aquí el límite es que nadie sabe lo que hay en el lineal. El stock del ERP dice «quedan 6» pero esos 6 pueden estar en la trastienda, en un probador o robados. Soluciones ordenadas de menor a mayor coste:
1. Alerta por venta cero: una referencia con stock teórico positivo y cero ventas en X días en una tienda donde el resto del cluster sí vende. Coste: cero hardware. Acierto razonable. 2. Inventario cíclico dirigido: en vez de contarlo todo dos veces al año, el sistema prioriza cada semana las 50 referencias con más probabilidad de descuadre. 3. RFID o visión artificial en lineal: precisión alta y coste alto. Solo compensa en categorías de ticket alto o con mucha pérdida. Si te planteas la cámara, lee primero visión artificial en la empresa.
El orden importa: la alerta por venta cero cuesta unas semanas de trabajo de datos y suele recuperar más ventas que un piloto de RFID que tarda un año en desplegarse.
¿Y la prevención de pérdida? ¿Dónde está el límite?
La pérdida desconocida ronda el 1-1,5% de las ventas en el comercio minorista europeo, y una parte importante no es hurto externo: es error administrativo, merma mal registrada y descuadre de recepciones. Conviene atacarla en ese orden, porque el dato ya lo tienes.
Lo que se puede hacer con datos propios y sin cámara:
- Analítica de excepciones en caja: anulaciones, devoluciones sin ticket, descuentos manuales y aperturas de cajón fuera de patrón, por operador y por tienda. Es detección de anomalías clásica, y es el caso con mejor relación coste-resultado. La lógica es la misma de detección de fraude.
- Conciliación de recepciones: comparar albarán, pedido y recepción real para encontrar el proveedor que sistemáticamente entrega de menos.
- Trazabilidad de mermas: si la merma la registra cada tienda a mano y con categorías libres, no hay análisis posible. Primero se normaliza, después se analiza.
Lo que exige cuidado: el vídeo analítico sobre clientes o empleados trata datos personales. Hace falta base legal, información clara, evaluación de impacto cuando hay tratamiento a gran escala, minimización (analizar en el dispositivo y no almacenar imagen siempre que se pueda) y un plazo de conservación corto y escrito. El reconocimiento facial para identificar a personas concretas es terreno de altísimo riesgo y en la práctica no es una vía razonable para una cadena de retail. Antes de firmar nada con un proveedor de videoanalítica, pasa el caso por lo que cuenta RGPD e IA.
¿Por dónde empezar en una cadena de tiendas?
Orden realista por relación entre esfuerzo y resultado:
| Orden | Proyecto | Dato que exige | Señal de que te toca | |---|---|---|---| | 1 | Ventas y stock unificados por tienda/día/referencia | TPV + ERP | Cada informe tarda días y cada área tiene su cifra | | 2 | Alertas de rotura y venta cero | Lo anterior | Clientes que piden y no hay; lineales vacíos | | 3 | Excepciones de caja | Log del TPV | Pérdida desconocida por encima del 1% | | 4 | Tráfico y conversión por franja | Contador de entrada | Dudas sobre turnos y horarios de apertura | | 5 | Previsión de demanda y propuesta de pedido | 18-24 meses de histórico limpio | Exceso de stock y roturas a la vez | | 6 | Surtido por cluster de tiendas | Margen y espacio por referencia | Tiendas muy distintas con el mismo surtido | | 7 | Visión artificial en sala | Instalación + base legal | Solo si 1-6 ya están resueltos |
Ningún proyecto de la lista empieza por comprar una herramienta. Todos empiezan por decidir qué decisión va a cambiar y quién la toma. Si no hay una persona con nombre que vaya a actuar con la salida del sistema, el sistema sobra: es lo mismo que explicamos en gestión del cambio.
Preguntas frecuentes
¿Cuánto histórico hace falta para prever demanda en tienda?
Entre 18 y 24 meses limpios para capturar dos ciclos estacionales completos. Con 12 meses se puede empezar en categorías de rotación alta y poca estacionalidad, asumiendo más error. Lo crítico no es la cantidad sino la coherencia: cambios de codificación de producto o de perímetro de tiendas rompen la serie.
¿Se puede contar aforo sin violar el RGPD?
Sí, si el contador no identifica personas. Los sensores que cuentan siluetas o cruces de línea y solo guardan un número agregado por franja no tratan datos personales. El problema aparece con cámaras que almacenan imagen o perfilan por edad y sexo: ahí sí hay tratamiento y hace falta base legal e información a los afectados.
¿Y si mis tiendas son franquicias?
Cambia el gobierno, no la técnica. Hay que pactar por contrato qué dato sube al central, con qué frecuencia y en qué formato, y qué recibe a cambio la franquicia (previsión, propuesta de pedido, comparativa con su cluster). Sin esa contrapartida el dato llega tarde y sucio.
¿Merece la pena si solo tengo cinco tiendas?
Para previsión y surtido por cluster, probablemente no: con cinco tiendas el encargado y una buena hoja de cálculo llegan lejos. Para unificar ventas y stock y para excepciones de caja, sí: esos casos escalan hacia abajo bien y cuestan poco.
---
Si tienes tiendas, TPV y la sensación de que el dato está ahí pero nadie lo usa para decidir, el primer paso no es un piloto de IA: es saber qué se puede responder hoy con lo que ya tienes y qué falta para lo siguiente. Eso es exactamente lo que miramos en la auditoría, y si prefieres contarlo en una conversación de media hora, hablemos.
¿Lo aplicamos a tu caso?
La Auditoría 360° convierte estas ideas en un plan concreto para tu empresa: tres semanas, precio cerrado y la foto completa de tu IA antes de invertir un euro.
Ver la Auditoría 360°→ Hablemos↗