Pricing dinámico y predicción de demanda

Contexto real de la empresa

Price Shoes es una empresa 100% mexicana fundada en 1996, líder en venta por catálogo de calzado, ropa y accesorios, con presencia en toda la República Mexicana y parte de América Latina. Opera con más de 35,000 productos distribuidos en 100 diferentes versiones de catálogo, apoyada en una red de más de 9 mil colaboradores y aproximadamente 900 mil socias que comercializan los productos, además de 17 tiendas de gran formato y 22 tiendas comunidad.

En 2025, Price Shoes inició un proyecto real de transformación digital con Freeway (partner de Salesforce), enfocado en personalización de experiencias e inteligencia artificial en tiempo real, y en un programa de lealtad inteligente basado en un modelo de recencia, frecuencia y monto (RFM) para sus socias. Este proyecto es real y verificable, pero su enfoque documentado es personalización y lealtad — no pricing dinámico ni predicción de demanda.

El reto (contexto de negocio real)

El modelo de Price Shoes tiene una particularidad frente al e-commerce tradicional: los precios de catálogo se fijan por campaña (ciclos de semanas), no en tiempo real como en un marketplace. Eso significa que "pricing dinámico" no puede aplicarse igual que en un marketplace tradicional — el reto real es distinto:

• 35,000+ SKUs en 100 versiones de catálogo: decidir el precio y la cantidad a producir/comprar de cada uno, campaña tras campaña, con alto riesgo de sobre-stock o quiebre de inventario.
• Canal en línea vs. catálogo físico: el canal digital sí permite ajustes de precio más ágiles que el catálogo impreso, pero requiere reglas claras para no generar conflicto de precio entre socias que venden el mismo producto en distintos canales.
• Estacionalidad fuerte: temporada escolar, Buen Fin, Navidad, cambios de temporada (calzado de lluvia, sandalias) — la demanda de cada categoría varía mucho entre campañas.
• Descentralización de la venta: la demanda real depende de cientos de miles de socias vendiendo en distintas regiones, no de un solo canal centralizado — dificulta anticipar qué producto se va a agotar dónde.

Escenario de aplicación (hipotético, ilustrativo)

Un sistema de predicción de demanda y apoyo a pricing, adaptado a este modelo de catálogo por campañas, podría estructurarse así:

PREDICCIÓN DE DEMANDA POR SKU Y CAMPAÑA

• Modelo de series de tiempo + variables exógenas (estacionalidad, campañas históricas comparables, tendencias de categoría, clima regional) para predecir cuántas unidades de cada SKU se venderán en la próxima campaña, por región.
• Esto informa decisiones de compra/producción anticipadas, reduciendo tanto el sobre-stock (capital inmovilizado) como el quiebre (venta perdida y frustración de la socia).

PRICING DIFERENCIADO EN EL CANAL DIGITAL

• Para el catálogo impreso, el precio se mantiene fijo por campaña (restricción real del modelo de negocio).
• Para el canal en línea, un motor de precios podría ajustar promociones y descuentos dentro de un rango pre-aprobado, según velocidad de venta real del producto durante la campaña — sin romper la paridad de precio base que protege a las socias.

OPTIMIZACIÓN DE INVENTARIO POR CATEGORÍA ESTACIONAL

• Anticipar quiebres de stock en categorías de alta rotación estacional (sandalias en primavera, botas en invierno) antes de que ocurran, ajustando compra y distribución a tiendas/CEDIS por región.

Métricas que este tipo de iniciativa típicamente busca mover

Valores ilustrativos — no corresponden a resultados reportados por Price Shoes.

Métrica	Objetivo típico de este tipo de proyecto
Quiebre de stock en SKUs de alta rotación	Reducción significativa
Exceso de inventario al cierre de campaña	Reducción de capital inmovilizado
Precisión de forecast de demanda por SKU/campaña	Mejora frente a forecast manual/histórico simple
Margen protegido en canal digital	Ajuste de promociones sin erosionar precio base de catálogo