Artículos

La gran distribución y la adaptación al contexto tecnológico

La evolución de la gran distribución y su adaptación al cambio de contexto tecnológico se está convirtiendo en toda una lección sobre las dinámicas de adopción de tecnología.

Amazon Go se presentó como prueba cerrada a empleados en diciembre de 2016, mientras se adiestraban y ponían a prueba convenientemente sus algoritmos. Abrió al público en enero de 2018, y ahora está en fase de despliegue completo, una operación que planea alcanzar las más de tres mil tiendas en 2021, incorporarse a modelos de tiendas más grandes y complejas como su red de supermercados Whole Foods, y convertirse en un negocio de unos 4,000 millones de dólares.

Sin duda, la experiencia de Amazon ha marcado el contexto tecnológico de la gran distribución, lo que ha llevado a que cada vez más cadenas compitan por ofrecer a sus usuarios la experiencia de compra libre de complicaciones que plantea. Sin duda, el modelo «toma lo que quieras de la estantería y vete sin más» es el futuro inevitable de la distribución, y las cadenas que no avancen en este sentido serán pronto vistas como «las antiguas», además de tener que hacer frente a problemas de todo tipo cuando sus clientes, acostumbrados ya al otro modelo, pretendan irse sin pagar.

La experiencia recuerda otros cambios anteriores: la industria de la gran distribución no es en absoluto ajena al cambio del contexto tecnológico. Hace no tanto tiempo, la estructura normal de una tienda era simplemente un mostrador con un almacén detrás, basado en una interacción personal en la que el cliente pedía al tendero lo que necesitaba. De ahí se pasó a disponer cada vez más artículos en exposición y que fuese el propio cliente el que los tomaba y los acercaba al mostrador, y de ahí, en 1930, al autoservicio, un concepto diseñado por Michael J. Cullen con la idea de superar en unas diez veces el volumen y los beneficios del modelo convencional. Tras ser rechazada su idea en la compañía en la que trabajaba, Cullen emprendió por su cuenta y creó King Kullen, el primer supermercado tal y como ahora lo conocemos.

A partir de ahí, hemos visto incorporarse a ese concepto toda una serie de tecnologías que reflejaban el contexto tecnológico del momento: la llegada del código de barras que permitía un escaneo más rápido de los productos en la línea de cajas, el RFID, o la llegada de internet han marcado la evolución de la industria, y su adopción ha posibilitado la llegada de nuevos competidores y ha forzado la adaptación progresiva de otros.

Amazon Go genera una nueva discontinuidad, y posibilita una experiencia de compra decididamente más conveniente, reducida a la mínima interacción: llegar, tomar de las estanterías lo que necesitas, y salir con ello por la puerta, esperando que la tienda haya interpretado correctamente tus acciones y sepa qué cobrarte y qué no. Un cambio en el contexto tecnológico provocado fundamentalmente por una tecnología, el machine learning, capaz de reconocer, a partir de la fusión de una variedad de sensores e imágenes captadas por cámaras, qué producto has retirado del lineal y te estás llevando. Desarrollos llevados a cabo primero por Amazon, y después por Microsoft y otros competidores tanto establecidos como nuevos, buscando la combinación que resulte menos intrusiva y con menor número de errores.

¿Qué lecciones podemos aprender del ejemplo de la gran distribución? La primera, que la aplicación del machine learning a la cadena de valor de las compañías requiere tiempo, esfuerzo y un planteamiento creativo, un auténtico hackeo de la cadena de valor. No se trata simplemente de hacer que un algoritmo haga lo que antes hacían las personas, sino de plantear cómo podemos mejorar todos nuestros procesos, redibujarlos o remodelarlos en función de las posibilidades que nos ofrece ese cambio.

La segunda es la importancia de reconocer cuándo una innovación va a jugar un papel fundamental y cuando es simplemente anecdótica. Que cambie el modelo de interacción de un supermercado es algo que puede dejar fuera u obligar a redefinirse a todo aquel que no sea capaz de adoptarlo, convierte automáticamente en obsoleto a todo el que pretenda seguir con las prácticas anteriores. A partir de cierto nivel de adopción, tomar la decisión de no adoptar un cambio así requiere dar explicaciones a tus clientes, llenar las tiendas de carteles informativos y advertencias, y adoptar un posicionamiento que lo justifique, algo no imposible, pero como mínimo complejo. ¿Cuántos análisis superficiales te dirán eso de «bah, no es para tanto» y pospondrán absurdamente tus procesos de adopción? ¿Dónde estarán esos analistas cuando finalmente se demuestre que sí era importante?

La tercera es sobre la naturaleza del trabajo a realizar: una parte importante del esfuerzo necesario para hacer algo así está en la parte de los datos, en cómo generar una cantidad de datos suficiente como para entrenar adecuadamente los algoritmos. No está, como tal, en el desarrollo del algoritmo, sino en su entrenamiento. ¿Cuántos vídeos y cuántas lecturas de sensores adecuadamente etiquetadas tienes que proporcionar al algoritmo para que entienda si un producto está siendo adquirido, si ha sido devuelto a la estantería, si está siendo objeto de un intento de robo? No se trata de programación tradicional, de condicionales o de bucles, sino de otra manera de entender nuestra relación con la máquina ¿Hasta qué punto redefine esto la forma de innovar? ¿Cuánto esfuerzo estás dispuesto a dedicar al entrenamiento de tus algoritmos, y qué conlleva algo así?

Esto va a afectar a todas las industrias, la gran distribución es tan solo un ejemplo. ¿Cuánto más tiempo vas a ignorar un cambio como el machine learning en tus procesos de negocio?

Via