Segmentación de minoristas aumentada por IA explicable mediante grafo de conocimiento

Por qué importan grupos de minoristas más inteligentes

Cuando una gran marca trabaja con miles de socios minoristas, elegir a qué tiendas apoyar con mayor fuerza puede marcar la diferencia en sus beneficios. Este artículo explora una nueva forma de ordenar a los minoristas en grupos significativos usando una forma de inteligencia artificial que además puede explicar cómo llegó a sus decisiones. Eso significa que los responsables no solo obtienen una respuesta sobre qué socios son “estratégicos” o “arriesgados”, sino que también ven las razones detrás de cada clasificación, lo que facilita confiar en el sistema y actuar según sus recomendaciones.

Cómo los minoristas determinan el éxito de la marca

Los minoristas son la primera línea entre una marca y sus clientes. Como muestra el ejemplo de Nike, incluso cuando una empresa empuja las ventas directas online, una gran parte de los ingresos puede seguir fluyendo a través de tiendas independientes. Por ello, las marcas intentan centrar su tiempo, crédito y apoyo en un conjunto más reducido de minoristas de alto rendimiento. Este proceso de clasificación, conocido como segmentación de minoristas, ayuda a reducir costos, afinar el servicio y aumentar las ventas en toda la red. Pero hacerlo bien es complejo, porque el rendimiento depende de muchos factores, desde la fiabilidad de las entregas y el uso de la tecnología hasta la salud financiera y la planificación de la demanda.

Límites de los cuadros de mando tradicionales

Muchas empresas siguen confiando en herramientas simples como matrices de cartera o cuadros de puntuación multicriterio para agrupar minoristas. Estos métodos pueden ser familiares, pero flaquean cuando los criterios son numerosos y los datos se vuelven complejos. A menudo ocultan las interconexiones entre distintos aspectos del rendimiento y pueden obligar a los gestores a confiar en puntuaciones sin entender la historia que hay detrás. Los autores revisan investigaciones previas que muestran que agrupar comprobaciones detalladas en dimensiones más amplias como operaciones, tecnología y finanzas puede mejorar la claridad, pero también sostienen que ahora es posible un enfoque más inteligente y transparente con las herramientas modernas de IA.

Incorporando IA explicable y grafos de conocimiento

El estudio presenta un método de segmentación de minoristas basado en un grafo de conocimiento, un mapa estructurado que enlaza hechos sobre los minoristas de forma que los ordenadores puedan razonar sobre ellos. Entrevistas a expertos y estudios previos sirvieron para elegir comprobaciones clave, incluyendo rendimiento en entregas, coste total de propiedad, capacidades de gestión de la demanda, modo de comunicación, manejo de datos y riesgo de pago. Algunas comprobaciones, como la entrega a tiempo y el coste, son numéricas; otras, como el estilo de comunicación o las herramientas de datos empleadas, son cualitativas. Estas se organizan en tres dimensiones: operaciones, tecnología y finanzas. Datos reales pero anonimizados de diecinueve minoristas alimentan el grafo, capturando tanto cifras duras como juicios de expertos sobre cada socio.

De los datos brutos a categorías claras de minoristas

Utilizando software especializado, los autores codificaron reglas de negocio como expresiones lógicas dentro del grafo. Por ejemplo, un minorista con altas devoluciones pero riesgo manejable, comunicación digital fuerte, sistemas de datos fiables, costes razonables, entrega sólida y buena gestión de la demanda se trata como un socio “estratégico”. Los minoristas con devoluciones más bajas pero comportamiento seguro y capacidades más débiles se clasifican como “básicos”, mientras que aquellos que muestran devoluciones pobres o negativas o alto riesgo con elevados costes y entrega débil caen en un grupo de “cuello de botella”. Un motor de razonamiento automatizado aplica estas reglas a los datos e infiere a qué segmento pertenece cada minorista. Dado que cada decisión se vincula a condiciones explícitas, los gestores pueden rastrear exactamente por qué una tienda determinada recibió una etiqueta concreta y verificar que el resultado coincide con su propia percepción.

Poniendo a prueba la lógica del sistema

Los autores validan el sistema ejecutando consultas que preguntan, por ejemplo, qué minoristas cuentan como estratégicos y luego comprobando si los datos subyacentes cumplen realmente todas las condiciones establecidas. Ejemplos de casos muestran cómo un minorista con altas devoluciones, riesgo alto pero aceptable, herramientas digitales potentes y buena entrega se coloca en el segmento estratégico, mientras que otro con devoluciones negativas y altos costes cae en el grupo de cuello de botella. Como los segmentos se definen con reglas claras y no solapadas en este prototipo, no surgen conflictos, aunque los autores señalan que el uso en el mundo real podría involucrar más segmentos y fronteras más difusas que requerirían refinamiento adicional.

Qué implica esto para las decisiones empresariales cotidianas

Dicho en términos simples, el artículo muestra cómo las marcas pueden pasar de la intuición y las puntuaciones opacas a un mapa transparente y rico en datos de su red de minoristas. Al combinar muchas piezas diferentes de información en un único modelo explicable, el enfoque del grafo de conocimiento ayuda a los tomadores de decisiones a ver no solo quiénes son sus mejores y más riesgosos socios, sino también por qué. Aunque el estudio actual es una prueba de concepto simplificada, apunta hacia herramientas futuras capaces de manejar más criterios y métodos de razonamiento avanzados, ofreciendo a las empresas una guía más clara sobre dónde invertir, dónde apoyar mejoras y dónde limitar la exposición.

Cita: Shiralkar, K., Bongale, A., Kumar, S. et al. Explainable AI augmented retailer segmentation using knowledge graph. Sci Rep 16, 15783 (2026). https://doi.org/10.1038/s41598-026-44928-0

Palabras clave: segmentación de minoristas, IA explicable, grafo de conocimiento, cadena de suministro, riesgo de pago