Inteligencia artificial optimiza fijación de precios en tiendas de segunda mano
Algoritmo de pricing procesa 25 millones de artículos y escala a 58 ubicaciones con impacto en rentabilidad
La fijación de precios en tiendas de segunda mano enfrenta un desafío operativo complejo: mantener consistencia en miles de artículos heterogéneos mientras se optimiza margen y rotación. Una herramienta basada en inteligencia artificial denominada ThriftIQ aborda este problema mediante algoritmos entrenados con datos propios recopilados durante casi dos años, procesando…
La fijación de precios en tiendas de segunda mano enfrenta un desafío operativo complejo: mantener consistencia en miles de artículos heterogéneos mientras se optimiza margen y rotación. Una herramienta basada en inteligencia artificial denominada ThriftIQ aborda este problema mediante algoritmos entrenados con datos propios recopilados durante casi dos años, procesando más de 25 millones de artículos en 58 ubicaciones piloto.
El sistema funciona bajo un modelo no dinámico: una vez asignado el precio inicial, este permanece fijo durante la vida útil del artículo en tienda. Según reportes operacionales, la implementación ha generado aumentos medibles en volumen de ventas y tamaño promedio de canasta de compra, además de facilitar la apertura de nuevas sucursales. Los precios resultantes se sitúan entre 40% y 70% por debajo de minoristas convencionales, manteniendo predictibilidad para el consumidor.
Desde una perspectiva de operaciones, el algoritmo no reemplaza decisiones humanas sino que amplifica productividad del personal en tienda, reduciendo tiempo de etiquetado manual. El despliegue está programado para expandirse a más ubicaciones en Estados Unidos y Canadá hasta principios de 2028. En términos financieros, la empresa reportó crecimiento de ventas netas del 7.4% en el período más reciente, con proyecciones de márgenes EBITDA ajustados de dos dígitos altos en los próximos tres años.
Este caso refleja una tendencia más amplia en retail: la adopción de machine learning para optimizar operaciones en segmentos de alto volumen y márgenes comprimidos. El contexto macroeconómico actual—inflación persistente y sensibilidad de precios del consumidor—ha acelerado la adopción de tiendas de segunda mano entre demografías más amplias, incluyendo consumidores de mayor poder adquisitivo. La automatización de pricing se posiciona como palanca crítica para escalar operaciones en este segmento sin sacrificar rentabilidad por unidad.
