Las 8 razones por las que fracasan los proyectos de revenue management (y cómo evitarlas)
- hace 11 minutos
- 7 min de lectura
En 4 años de revenew hemos visto fracasar proyectos de revenue management en empresas de los 3 canales: moderno, foodservice y tradicional. Algunos eran nuestros antes de codificar el método. Otros llegaron a nosotros tras 12-18 meses de inversión perdida con consultoras top tier o vendors enterprise.
Los patrones se repiten. No varían por sector, tamaño ni canal. Las 8 razones que listamos abajo son la versión codificada de esa lista, con la mitigación técnica que aplicamos en cada caso. Las usamos como checklist en cada diagnóstico. Si tu proyecto tiene 3 o más, pausa. Probablemente estás invirtiendo en lo equivocado.
Razón 1: Master data sin versionado
Es la causa más simple y la que más proyectos sabotea. El equipo analítico construye el modelo con una versión del catálogo de SKUs. El equipo operativo trabaja con otra. El equipo comercial con una tercera. Durante 5 meses todo parece funcionar. Al mes 6, alguien hace cruce reconciliando, y descubre que el catálogo cambió 87 veces en el periodo y nadie llevó versionado. El modelo se entrenó sobre data inconsistente. Hay que volver al día 0.
Cómo evitarla. Protocolo único de source-of-truth con versionado mensual obligatorio. Cada cambio al master tiene workflow de aprobación digital, registro de motivo, fecha de efecto, dueño asignado. El equipo analítico y el operativo consumen la misma versión, con timestamp explícito. Aplica desde el día 1 del proyecto, no después.
Razón 2: Endogeneidad de precio en la estimación de elasticidad
La relación observacional entre precio y cantidad no es causal en general. Si tus precios subieron históricamente cuando la demanda era alta (porque el equipo comercial los subió aprovechando el momentum), y bajaron cuando la demanda cayó, una regresión ingenua de log-cantidad sobre log-precio te dará una elasticidad cercana a cero o positiva. Estimación textbook errada en factor 5x respecto al valor causal real.
El caso típico: estimas elasticidad "menos 0,5" para el SKU principal y decides que es inelástico. Subes el precio 6%. Las ventas caen 12%. La elasticidad real era "menos 2,5". El proyecto pierde credibilidad antes de empezar.
Cómo evitarla. Variables instrumentales (precios de SKUs equivalentes en otras geografías, costos de insumos, tipo de cambio), double machine learning (Chernozhukov 2018) para controlar covariables de alta dimensión, o experimentos aleatorizados cuando la operación lo permite. Si tu equipo de analítica no menciona ninguna de estas técnicas, pide segunda opinión.
Razón 3: Forward buying enmascara el lift
El reporte mensual del retailer celebra +200% de sell-in durante la semana de promoción. El sell-out al consumidor durante la misma semana subió solo +40%. La diferencia se quedó en el canal como inventario stockeado. Cuando termina la promo, el canal deja de comprar 3 a 4 semanas mientras agota el stock. La ventana causal completa muestra lift neto cercano a cero o negativo.
Ailawadi y Neslin lo documentaron en 1998 en Journal of Marketing Research. La incidencia es estructural en categorías con alta promocionabilidad y rotación media. Aplica a cualquier evento Black Sale, Cyber Day o similar.
Cómo evitarla. Medición causal en ventana extendida: evento más 4 semanas post-evento mínimo. La métrica clave es sell-out al consumidor final, no sell-in al canal. Si tu reporte se cierra en la semana del evento, mides ilusión.
Razón 4: Pass-through imperfecto destruye el ROI
Cuando el fabricante da un descuento al retailer, asume implícitamente que el descuento se traslada 100% al precio final que ve el shopper. En la práctica, el pass-through promedio en CPG es 30% a 60% según retailer, categoría y mecánica (Ailawadi-Harlam 2009, Marketing Science). El resto se queda en el bolsillo del retailer como margen incremental.
El ROI calculado al lanzar el evento con supuesto de 100% pass-through queda sistemáticamente inflado por construcción. Cuando el equipo de finanzas hace la auditoría post-evento, los números no cuadran y el proyecto pierde sponsor.
Cómo evitarla. Estimación empírica de pass-through por SKU, retailer y mecánica, con histórico de eventos comparables. Pre-ROI ajustado por pass-through realista. Comunicación clara al stakeholder de que el ROI esperado descuenta esta capa.
Razón 5: Canibalización interna no medida
El SKU promocionado vende +40% durante la semana. Esto se celebra. El equipo no mide que los otros SKUs del portafolio en la misma categoría vendieron -25% en el mismo periodo. Parte del lift bruto no es demanda incremental: es sustitución dentro del propio catálogo.
El cálculo correcto del lift neto del portafolio puede ser 5x menor que el lift bruto del SKU intervenido. En casos extremos, es negativo: la promo destruyó margen total mientras la presentación interna celebraba un éxito.
Cómo evitarla. Estimación de la matriz NxN de elasticidad cruzada propia (entre SKUs del mismo fabricante). Modelos AIDS, QUAIDS o BLP entregan esa matriz de forma consistente con teoría microeconómica. Optimización conjunta del portafolio en lugar de optimización por SKU. Pre-ROI que descuente canibalización esperada.
Razón 6: Override discrecional sin governance
Es probablemente el factor más caro y el más subestimado por la dirección comercial. Cuando se delega autoridad de descuento al sales force sin banding por jerarquía ni workflows de aprobación, cada KAM o vendedor optimiza su comisión personal en lugar del margen de la empresa. Los descuentos crecen mes a mes, se vuelven anclas para el cliente, y se acumulan como leakage estructural.
Stephenson, Cron y Frazier lo demostraron empíricamente sobre 108 firmas en Journal of Marketing en 1979: más autoridad de descuento al sales force produce menos ventas Y menos profit. Las dos métricas bajan simultáneamente. Joseph 2001 lo formalizó vía teoría de agencia: el sales force tiene información asimétrica sobre el cliente, costo de oportunidad implícito menor que el del principal, y comisión sobre revenue que premia volumen sobre margen.
47 años después, la mayoría de las empresas chilenas que diagnosticamos siguen sin banding formal.
Cómo evitarla. Tres componentes simultáneos: banding por jerarquía (rangos preaprobados de descuento por canal y categoría según seniority), workflow de aprobación digital cuando excede banding (con registro de motivo y aprobador), incentivos comerciales sobre pocket margin (no revenue puro). El resultado documentado en empresas chilenas mid-market es 3,9 puntos porcentuales de margen sostenido en 6 meses, sin tocar precio de lista.
Razón 7: Modelos opacos sin explicabilidad
El equipo analítico entrega al KAM una recomendación: "sube 4,3% el precio del SKU X para el retailer Y". El KAM no entiende por qué. No sabe si el modelo consideró el precio del competidor en góndola, si tomó en cuenta el JBP firmado en febrero, si considera la estacionalidad del cliente. No lo aplica.
El optimizador queda en PowerPoint. La decisión real la toma el Excel del KAM, como antes. El proyecto entrega valor cero en producción aunque técnicamente el modelo funcione.
Cómo evitarla. Simulador what-if que el KAM pueda usar interactivamente: ingresar escenarios hipotéticos y ver la predicción del modelo con su descomposición por driver. Dashboards interpretables con SHAP values cuando se usa ML black-box. Sesiones de calibración mensuales donde los KAMs revisen recomendaciones del modelo y aporten contexto cualitativo. La adopción del modelo es 80% problema de UX y comunicación, 20% problema técnico.
Razón 8: Falta de medición causal sistemática
Es la razón que destruye más casos de negocio en revisión a 6-12 meses. El equipo declara éxito por correlación post-implementación: las ventas subieron desde que arrancó el proyecto, ergo el proyecto funcionó. Sin aislar el efecto causal del ruido externo (estacionalidad, inflación, competencia, clima, eventos macro), no sabe qué parte del lift le pertenece al proyecto y qué parte le pertenece al contexto.
La primera reversión de mercado (caída en consumo, shock de costos, entrada de competidor) destruye el caso. El proyecto se vuelve sospechoso. Y se culpa al modelo, no al diseño de medición.
Cómo evitarla. Medición causal sistematizada desde el día 1. Diferencias-en-diferencias con control sintético (Abadie-Gardeazabal 2003) si tienes mercados o cuentas comparables. Bayesian Structural Time Series (Brodersen 2015, implementación CausalImpact de Google) si no tienes control experimental. Matched market test si la operación lo permite. Pre-ROI antes de ejecutar, Post-ROI después de ejecutar, ambos integrados en la rutina mensual.
Cómo se ve un proyecto que evita las 8
Las 8 razones suenan obvias en una lista. En proyectos reales aparecen escalonadas: la razón 1 se descubre al mes 6, la razón 6 al mes 12, la razón 8 cuando hay reversión de mercado. La diferencia entre un proyecto que captura valor y uno que no es operativa: tener desde el día 1 un protocolo que enfrente cada una.
En revenew el protocolo concreto es:
Razones 1 y 2 (master data + endogeneidad) se cubren en la fase de POC de 2 semanas, sin costo. Es donde levantamos el pocket waterfall, validamos calidad de master, identificamos instrumentos para la estimación causal de elasticidad.
Razones 3, 4 y 5 (forward buying, pass-through, canibalización) se cubren en la fase de piloto de 12 semanas. Ventana causal extendida, estimación empírica de pass-through, matriz NxN de elasticidad cruzada.
Razones 6 y 7 (override sin governance, modelos opacos) son problemas organizacionales y de UX. Se diseñan al inicio del piloto y se ejecutan en la fase de escalamiento. Banding, workflows, simulador what-if y dashboards interpretables son entregables explícitos.
Razón 8 (medición causal) es transversal a todas las fases. No es un entregable separado, es un atributo de cada decisión.
La lista como autodiagnóstico
Si llegaste hasta acá, probablemente ya identificaste 2 o 3 razones que están vigentes en tu empresa hoy. Es normal. Es estructural en el 80-95% de las empresas chilenas que diagnosticamos.
Lo que no es normal es seguir invirtiendo en analítica avanzada o software enterprise sin abordar primero estas 8. Más sofisticación encima de las 8 razones sin resolver no captura valor incremental, infla expectativas y prepara el siguiente fracaso.
Agenda 1 hora con Max para diagnosticar cuáles de las 8 están en tu empresa hoy. Sesión guiada, sin costo, sin propuesta comercial. Solo diagnóstico.
"Las 8 las usamos como checklist en cada diagnóstico revenew. Si tu proyecto tiene 3 o más, pausa." (método revenew, 2026)
Fuentes citadas
Ailawadi, K.L. y Neslin, S.A. (1998). The Effect of Promotion on Consumption. Journal of Marketing Research, 35(3), 390-398.
Ailawadi, K.L. y Harlam, B.A. (2009). Retailer Promotion Pass-Through. Marketing Science, 28(4), 782-791.
Abadie, A. y Gardeazabal, J. (2003). The Economic Costs of Conflict. American Economic Review, 93(1), 113-132.
Brodersen, K.H. et al. (2015). Inferring causal impact using Bayesian structural time-series models. Annals of Applied Statistics, 9(1), 247-274.
Chernozhukov, V. et al. (2018). Double/debiased machine learning for treatment and structural parameters. Econometrics Journal, 21(1), C1-C68.
Joseph, K. (2001). On the Optimality of Delegating Pricing Authority to the Sales Force. Journal of Marketing, 65(1), 62-70.
Stephenson, P.R., Cron, W.L. y Frazier, G.L. (1979). Delegating Pricing Authority to the Sales Force. Journal of Marketing, 43(2), 21-28.
Comentarios