Abstract:
inventory management of a technology retailer with long import lead times is diagnosed, the objective is to propose a category-based prioritization model that optimizes replenishment and reduces lost sales, the hypothesis states that a KPI–AHP–ABC scheme raises service level and recovers revenue without materially increasing working capital, and the project is justified by the impact of stockouts on customer satisfaction and profitability. A mixed case study was conducted at SmartStores S.A. over 760 SKUs: sales and inventory data (Jan-2023 to Jun-2025) were cleaned and segmented, KPIs were defined, AHP judgments with acceptable consistency were elicited, a composite score was computed, and an ABC classification was derived; the policy was validated via Monte Carlo using Q4-2024 demand; Python and Excel were used, and brief interviews with customers and advisors were collected. Results showed that 19% of SKUs concentrated 71% of the weighted value, the proposed policy increased fill rate from 91% to 97% while keeping working capital roughly unchanged (+0.8%), it estimated ~USD 158,000 in quarterly recovered sales, and it reduced stockouts in 27 class-A SKUs. It is concluded that the model aligns replenishment with strategic priorities, improves availability and profitability, and is replicable as a baseline for category management.
Keywords: Inventory management, AHP, multicriteria ABC, KPI, technology retail, category
Description:
Se diagnostica la gestión de inventarios en un retail tecnológico con altos tiempos de importación, estableciéndose como objetivo proponer un modelo de priorización por categorías que optimice la reposición y reduzca ventas perdidas; se plantea la hipótesis de que un esquema KPI-AHP-ABC eleva el nivel de servicio y recupera ingresos sin aumentar significativamente el capital de trabajo, y se justifica por el peso de los quiebres de stock en la satisfacción del cliente y la rentabilidad. Se aplicó un estudio de caso mixto en SmartStores S.A., sobre 760 SKU: se limpiaron y segmentaron datos de ventas e inventario (ene-2023–jun-2025), se definieron KPI, se obtuvieron juicios AHP con consistencia aceptable, se calculó un puntaje compuesto y la clasificación ABC; se validó la política mediante simulación Monte Carlo con demanda de Q4-2024; se usaron Python y Excel, y se levantaron entrevistas breves a clientes y asesores. El 19 % de los SKU concentró el 71 % del valor ponderado; la política propuesta elevó el fill-rate del 91 % al 97 % manteniendo el capital de trabajo ~+0,8 % y estimó ventas recuperadas por ~USD 158 000 trimestre, reduciendo quiebres en 27 SKU clase A. Se concluye que el modelo alinea la reposición con prioridades estratégicas, mejora disponibilidad y rentabilidad y resulta replicable como base de gestión por categorías.
