Un portal que los gerentes regionales no abren es un problema de diseño. Lo que aprendimos construyendo la plataforma de concesionarios de Giant Bicycles en Colombia, desde ocho entrevistas hasta un modelo de reorden en TensorFlow que los concesionarios siguieron el 71% de las veces.
El cementerio del software empresarial está lleno de portales que funcionaban técnicamente y nadie abría. Cuando los gerentes regionales no entran a un portal de concesionarios, el problema está en el diseño. El portal que sí se usa se organiza alrededor de las tres preguntas que un concesionario se hace cada semana y explica cada recomendación en lenguaje simple.
Esta es una Nota de Operador de nuestro trabajo construyendo la plataforma de gestión de concesionarios de Disandina para la red de distribución de Giant Bicycles en Colombia. Antes de nuestra intervención, los pedidos de los concesionarios se manejaban por hilos de correo y grupos de WhatsApp. Los gerentes regionales no sabían qué modelos se estaban moviendo, qué concesionarios iban mal ni dónde se acumulaba el inventario.
¿Qué falla en los pedidos manuales?
Manejar concesionarios por correo crea tres problemas que se agravan entre sí. No hay trazabilidad para auditar. No hay señal de demanda, porque el equipo de distribución ve lo que los concesionarios piden y no lo que venden. Y no hay alerta temprana cuando un concesionario empieza a cambiar de proveedor.
¿Qué necesitan los concesionarios?
Entrevistamos a ocho gerentes regionales antes de escribir una línea de código. El hallazgo que cambió la dirección del producto fue que los concesionarios no querían otro sistema en el que iniciar sesión. Querían respuestas más rápidas a tres preguntas que se hacían cada semana:
- ¿Qué modelos debo reordenar esta semana?
- ¿Cuál es mi tasa de venta de las unidades que tengo en stock?
- ¿Cómo me va comparado con concesionarios de mercados similares?
El portal está organizado por completo alrededor de esas tres preguntas. La página de inicio es una lista de recomendaciones de reorden y no un panel de métricas. Cada pantalla responde una de esas preguntas directamente.
¿Cómo funciona el modelo de inventario con TensorFlow?
El motor de recomendaciones usa un modelo de TensorFlow entrenado con 18 meses de datos de ventas de toda la red. Sus entradas son el inventario actual por SKU, la tasa de venta de los últimos 30 días, un índice de estacionalidad regional (la temporada de ciclismo en Colombia varía mucho con la altitud) y el tiempo histórico de reorden del concesionario.
La salida es una lista ordenada de recomendaciones con puntaje de confianza y cantidad sugerida. Evitamos a propósito que el modelo fuera una caja negra. Cada recomendación trae una explicación en lenguaje simple: "Tienes 3 unidades de la Giant Contend AR 2 en stock. A tu tasa actual de venta, te quedas sin stock en 11 días. Reorden recomendado: 8 unidades."
Insight del operador: la explicación en lenguaje simple es el mecanismo de adopción. Cuando el concesionario entiende por qué el sistema recomienda lo que recomienda, confía lo suficiente para actuar. A los tres meses, el 71% de los reórdenes seguía las recomendaciones del modelo y los incidentes de falta de stock bajaron un 34%.
¿Qué principio de diseño lo hizo funcionar?
Un portal B2B construido para las necesidades de reportes de la marca tendrá paneles excelentes y cero adopción. Un portal construido alrededor del trabajo diario del concesionario tendrá pantallas más simples y se volverá indispensable. Construye para la persona que lo abre a las 8 de la mañana antes de abrir su tienda, no para el ejecutivo que lo mira una vez al trimestre.
- B2B commerce
- dealer management
- TensorFlow
- Shopify