Un análisis de la capacidad de Revenue

Growth Management en las empresas de

bienes de consumo masivo: obtención de
una ventaja competitiva y el potencial de
RGM con IA

Goda Dambrauskaite
Dr. Juan Francisco Pérez
Dirección Estratégica
2023/2024
19/06/2023

0
“La innovación es lo que abre nuevas oportunidades para el
crecimiento”

Indra Nooy
CEO de PepsiCo

1
I. RESUMEN
Actualmente, las empresas de la industria de bienes de consumo masivo compiten en
un entorno empresarial caracterizado por la alta saturación del mercado, las cambiantes
preferencias y comportamiento de compra de los consumidores, el entorno inflacionista,
y las disrupciones en las cadenas de suministro globales. Por tanto, la tarea de la
captación de crecimiento resulta ser cada vez más compleja para las empresas del
sector.
Como resultado, para disfrutar de una ventaja competitiva sostenible en esta industria,
las empresas deben emplear capacidades innovadoras como la capacidad de Revenue
Growth Management y la analítica avanzada de datos basada en la Inteligencia Artificial
a la hora de tomar decisiones estratégicas.
De tal modo, el presente trabajo de fin de grado estudiará la disciplina de Revenue
Growth Management y su potencial con la inteligencia artificial en el campo de la toma
de las decisiones estratégicas en el sector de los bienes de consumo masivo.

II. CONCEPTOS
Revenue Growth Management, Inteligencia Artificial, Analítica Avanzada, Industria de
bienes de consumo masivo, Ventaja competitiva, SKU

0. SUMARIO DE CONTENIDOS

I. RESUMEN ................................................................................................................ 2

II. CONCEPTOS ........................................................................................................... 2

0. SUMARIO DE CONTENIDOS................................................................................... 2
SUMARIO DE FIGURAS ........................................................................................... 3
SUMARIO DE TABLAS ............................................................................................. 3

2. MARCO TEÓRICO ................................................................................................... 5

2.1 Marco teórico sobre el concepto de la estrategia empresarial en la industria de
bienes de consumo masivo ....................................................................................... 5
2.1.1 El origen y el camino evolutivo del concepto de estrategia empresarial ........ 5
2.1.2 Evolución actual del concepto de estrategia empresarial .............................. 7
2.1.3 Características de la industria de bienes de consumo masivo ...................... 9
2.1.4 Retos enfrentados por las empresas de bienes de consumo masivo .......... 10
Cambios en el comportamiento de los consumidores....................................... 11
Competencia intensa........................................................................................ 12
Interrupciones en la cadena de suministro ....................................................... 13
Inflación y COGS ............................................................................................. 13
Comercio electrónico y transformación digital .................................................. 14
Cumplimiento de la normativa .......................................................................... 14
2.1.5 Estrategia empresarial en la industria de bienes de consumo masivo......... 14
2.2 Marco teórico sobre la capacidad de Revenue Growth Management en la
industria de bienes de consumo masivo .................................................................. 16
2.2.1 Orígenes de la disciplina de Revenue Growth Management ....................... 16
2.2.2 Industrias que emplean RGM...................................................................... 18

2
 2.2.3 RGM en la industria de bienes de consumo masivo .................................... 20
Fijación de precios de la cartera de marcas ..................................................... 22
Arquitectura Precio-Envase .............................................................................. 23
Gestión del mix óptimo de segmentos y de canales de distribución del producto
......................................................................................................................... 25
Gestión de la promoción .................................................................................. 26
Gestión de las condiciones comerciales ........................................................... 28
Personas y organización .................................................................................. 29
Procesos .......................................................................................................... 29
Herramientas.................................................................................................... 30
Indicadores clave de rendimiento o KPIs.......................................................... 30
Capacidades .................................................................................................... 30
2.2.4 La capacidad de Revenue Growth Management como fuente de la ventaja
competitiva sostenible en el sector de los bienes de consumo masivo ................ 31
2.3. Marco Teórico sobre la necesidad de datos para aumentar la utilidad de los
procesos de RGM ................................................................................................... 32
2.3.1 Argumentación de como el uso de IA puede potenciar los procesos de RGM
acerca de la fijación de los precios y de las promociones .................................... 33
Descomposición de la IA .................................................................................. 35
Utilidad de la analítica avanzada en la fijación de precios ................................ 36

3. MARCO PRÁCTICO ............................................................................................... 40

3.1 Propuesta de análisis para la eficiente optimización del surtido ........................ 40
3.1.1 Objetivos, marco y resultados del análisis................................................... 41
3.1.2 Métricas ...................................................................................................... 43
3.1.3 Análisis simulado ........................................................................................ 44
3.2 Demostración de una herramienta de RGM basada en analítica avanzada ....... 45

CONCLUSIÓN ............................................................................................................ 47

BIBLIOGRAFÍA ........................................................................................................... 47

ÁPENDICE ................................................................................................................. 52
SUMARIO DE FIGURAS
Figura 1. Vulnerabilidad de la industria de FMCG a inflación de costes (Fuente: Fitch
Ratings, 2022) ............................................................................................................ 14
Figura 2. Efecto de RGM vs Simple Optimización de Precios (Fuente: Elaboración
Propia) ........................................................................................................................ 18
Figura 3. Eje temporal de la adopción de RGM en las diferentes industrias (Fuente:
Elaboración Propia) .................................................................................................... 18
Figura 4. RGM en la industria de las aerolíneas. (Fuente: Buynomics Webinar Series,
2023) .......................................................................................................................... 19
Figura 5. RGM en la industria de moda rápida. (Fuente: Buynomics Webinar Series,
2023) .......................................................................................................................... 19
Figura 6. RGM en la industria de FMCG. (Fuente: Buynomics Webinar Series, 2023) 20
Figura 7. Los Principales Pilares y Facilitadores de RGM. (Fuente: Elaboración Propia)
................................................................................................................................... 21
Figura 8. El rol de la analítica avanzada en los procesos de RGM. (Fuente:
Elaboración Propia) .................................................................................................... 33
Figura 9. Composición de la IA. (Fuente: Elaboración Propia) ......................................... 35

3
Figura 10. Técnica estadística de "clustering" o agrupación de productos con similar
sensibilidad al precio................................................................................................... 37
Figura 11. Comparación del enfoque de la Estadística Clásica y el Aprendizaje
Automático. (Fuente: Elaboración Propia)................................................................... 38
Figura 12. Cambiante Elasticidad precio-ventas a lo largo de la curva de la demanda.
(Fuente: Buynomics Webinar Series, 2022) ................................................................ 39
Figura 13. Propuesta para el análisis de la optimización del surtido. (Fuente:
Elaboración Propia) .................................................................................................... 41
Figura 14. Captura de Pantalla del Gráfico Dinámico desarrollado en Power BI.
(Fuente: Elaboración Propia) ...................................................................................... 44
Figura 15. Funcionamiento de una herramienta de analítica avanzada de Revenue
Growth Management. (Fuente: Elaboración Propia) ................................................... 45
Figura 16. Planteamiento técnico detrás de la herramienta de analítica avanzada de
Revenue Growth Management. (Fuente: Elaboración Propia) .................................... 46
SUMARIO DE TABLAS
Tabla 1. Innovación Arquitectura Precio-Envase de PepsiCo y Procter &
Gamble.Fuente: Marketing Weekly, 2022.................................................................... 24
Tabla 2. Propuesta de estructura de toma de decisiones estratégicas acerca de la
arquitectura precio-envase. (Fuente: Elaboración Propia) .......................................... 25
Tabla 3. VRIO Análisis de la capacidad de Revenue Growth Management. (Fuente:
Elaboración Propia) .................................................................................................... 32
1. INTRODUCCIÓN
El presente trabajo de fin de grado se centra en el estudio de la capacidad de Revenue
Growth Management en las empresas de bienes de gran consumo. A lo largo de este
trabajo académico, se llevará a cabo un análisis exhaustivo y detallado de la disciplina
de Revenue Growth Management, así como de su importancia en la dirección
estratégica de una empresa de bienes de gran consumo.
El estudio de la capacidad de Revenue Growth Management es de gran relevancia para
las empresas de bienes de gran consumo en el contexto actual, ya que les permite
maximizar los ingresos, lograr rentabilidad sostenible y poseer un profundo
conocimiento del consumidor en su dinámico y altamente competitivo entorno
empresarial (Leach, 2022).
Así, dicho trabajo de fin de grado respalda de una manera sólida la idea de que al
combinar los procesos de Revenue Growth Management y la analítica avanzada en la
toma de decisiones estratégicas, las empresas del sector de gran consumo pueden
lograr la máxima captación de valor y obtener una ventaja competitiva sostenible.
El objetivo primordial de este trabajo de fin de grado es transmitir el mensaje de la
necesidad de innovar en el sector de los bienes de consumo masivo dadas las
complejas condiciones competitivas de este sector. Las empresas han de emplear
capacidades innovadoras como Revenue Growth Management en sus procesos de
dirección estratégica y basar estas decisiones en información precisa que brinda la
capacidad de analítica avanzada. Así, en el marco teórico se realizará un estudio
detallado de la estrategia empresarial, la industria de los bienes de consumo masivo, la
capacidad de Revenue Growth Management y la capacidad de analítica avanzada. Del
mismo modo, en el marco práctico se empleará una propuesta de la estructura
estratégica para la toma de decisiones acerca de la optimización del surtido, uno de los
pilares clave de Revenue Growth Management. Asimismo, en el marco práctico se
proporcionará una explicación detallada de la herramienta analítica de Revenue Growth

4
Management para la toma de decisiones estratégicas en una empresa de bienes de
gran consumo.
Se espera que los resultados y las conclusiones de este trabajo contribuyan a ampliar
el conocimiento existente sobre la disciplina de Revenue Growth Management y brinden
valiosas perspectivas a las empresas de bienes de consumo masivo de cómo integrar
Revenue Growth Management, combinado con la analítica avanzada, en su toma de
decisiones estratégicas.
La motivación para este estudio proviene de la inspiración obtenida a lo largo de mis
prácticas curriculares en una de las compañías líderes de la industria de bienes de gran
consumo. En The Coca-Cola Company observé el énfasis puesto en la innovación para
mantener la ventaja competitiva sostenible en este sector, especialmente en materia de
la capacidad de Revenue Growth Management y la analítica avanzada.
Es importante mencionar que este trabajo de fin de grado representa una etapa
importante en mi formación académica y se espera que dicho trabajo no solo cumpla
con los requisitos para obtener el grado académico, sino que también brinde una
contribución significativa al campo de dirección estratégica en las empresas de bienes
de consumo masivo.

2. MARCO TEÓRICO
2.1 Marco teórico sobre el concepto de la estrategia empresarial en la industria
de bienes de consumo masivo
Para captar la esencia principal de este trabajo académico, primero es imperativo
comprender y definir el concepto de la estrategia empresarial, observando cuál es su
origen y su camino evolutivo a lo largo del tiempo. Asimismo, es de vital importancia
entender cuáles son las principales características de la industria de bienes de consumo
masivo, así como los retos a los que se enfrentan las empresas de esta industria para
poder captar la existente necesidad que tienen estas empresas de incorporar procesos
de Revenue Growth Management en su dirección estratégica.
2.1.1 El origen y el camino evolutivo del concepto de estrategia empresarial
El concepto de estrategia empresarial es complejo y multifacético. Para muchos, puede
percibirse como una amalgama de arte y ciencia, ya que es una noción muy compleja
de definir, pero se vuelve instantáneamente discernible al observar una estrategia
empresarial bien ejecutada.
Aunque el término “estrategia empresarial” no se acuñó hasta la primera mitad del siglo
XX, sus raíces se remontan mucho más atrás. La palabra “estrategia” deriva del término
griego “strategos”, que hace referencia a un general al mando de un ejército (Calm. et
al, 2013). En consecuencia, no es sorprendente que las primeras manifestaciones del
término “estrategia” se puedan encontrar en textos militares como “El arte de la guerra”
y “Sobre la guerra”, así como en narraciones bíblicas antiguas como el Caballo de Troya
y el cuento de David y Goliath (Muñoz S. O., 2013).
Los textos militares describen la “estrategia” como un proceso de planificación formal y
meticulosamente calculado, que conduce a la victoria cuando se ejecuta de acuerdo con
el plan. En cambio, las historias antiguas retratan la “estrategia” como una forma de
engaño inteligente, donde las ideas estratégicas e inesperadas, como la decisión de
David de luchar contra Goliat de una manera poco convencional o la ingeniosa
estratagema de los soldados griegos de regalar un caballo gigante para engañar al
enemigo, conducen a un resultado exitoso (Muñoz S. O., 2013). Por lo tanto, desde su

5
primera definición, el concepto de estrategia se ha mostrado caracterizado tanto por una
naturaleza inesperada como por los elementos clave de la planificación formal.
Con el tiempo, han surgido numerosas definiciones académicas de estrategia
empresarial. Fue a principios del siglo XX cuando el término “estrategia empresarial”
surgió por primera vez como un concepto emergente, centrado principalmente en la
eficiencia operativa y la gestión científica de la empresa. Dos ejemplos ilustrativos de
esta línea de pensamiento son el desarrollo de la línea de montaje de Henry Ford en
1913 y la creación de una estructura de gestión organizativa descentralizada en General
Motors por Alfred Sloan en la década de 1920 (Freedman, 2013). Sloan introdujo dos
conjuntos de ideas que remodelaron profundamente tanto la corporación moderna como
la industria automotriz, mientras que Henry Ford trajo una serie de innovaciones técnicas
y de gestión de producción a la industria (Tomac, Radonja y Bonato, 2019). De tal modo,
los primeros estudios sobre la estrategia empresarial enfatizaron la eficiencia operativa,
donde las empresas buscaban minimizar los costos mediante la maximización de la
productividad de sus actividades operativas.
A medida que avanzaba el siglo XX, Igor Ansoff desempeñó un papel fundamental en el
desarrollo del concepto de planificación estratégica. Su trabajo introdujo conceptos
clave como el análisis de brechas, los procesos de sinergia y la Matriz de Ansoff para
las estrategias de crecimiento de la empresa (Davara Rodríguez, 2015). Más tarde, el
trabajo de Henry Mintzberg profundizó en el enfoque humano de la formulación e
implementación de estrategias, lo que llevó al desarrollo del modelo Mintzberg en 1979
(Gómez, 2020).
Fue en la década de 1970 cuando el trabajo de Michael Porter sobre la estrategia
competitiva revolucionó el campo introduciendo por primera vez el concepto de la
“ventaja competitiva”, el cual se convirtió en una pieza fundamental del discurso de la
estrategia empresarial (Rumelt, 2011). La definición básica de la ventaja competitiva es
sencilla, pues, si una empresa es capaz de producir a un costo más bajo que sus
competidores, o si puede ofrecer un mayor valor percibido que la competencia, o una
combinación de ambos, entonces disfrutará de una ventaja competitiva. Sin embargo,
la complejidad de este concepto aumenta cuando se tiene en consideración que los
costos varían con los diferentes productos y aplicaciones, y que los consumidores
poseen diferentes características, ubicaciones, conocimientos, gustos y otras dinámicas
diferenciales (Rumelt, 2011).
De esta manera, Porter fue el primero en cambiar la narrativa y analizar a una empresa
dentro de la industria en lugar de centrarse en el análisis de la industria en su conjunto.
Porter argumentó tal postura afirmando que para obtener una ventaja competitiva
sostenible en el tiempo era necesario relacionar a la empresa con su entorno
competitivo, pues para que la empresa pueda presentar un rendimiento superior a su
competencia, debía disponer de una ventaja distintiva que pudiera ser preservada
(Rumelt, 2011). De esta manera, para Porter, el concepto de la estrategia empresarial
giraba fundamentalmente en torno al posicionamiento competitivo. Así, en su análisis
del campo de la estrategia empresarial, destacó que el menú de las estrategias entre
las que podían elegir las empresas era pequeño y que, por tanto, su elección, luchando
por el objetivo último de obtener una posición competitiva de superioridad que se pueda
defender con éxito contra los competidores existentes y futuros, dependerá de la
naturaleza del entorno competitivo que les rodea (Freedman, 2013).
En la década de 1990, la teoría de la visión basada en recursos y capacidades (RBV en
inglés) ganó prominencia. Esta teoría ha tenido una gran influencia en la formulación de

6
la estrategia empresarial, pues sugería que son las competencias únicas de la empresa,
las que le proporcionan la ventaja competitiva en la industria. De tal modo, los
defensores de esta teoría afirmaban que la ventaja competitiva se lograba gracias a la
combinación de recursos y capacidades exclusivas de la empresa, las cuales le
permitían alcanzar posiciones competitivas de superioridad en sus respectivos
mercados (Prahalad & Hamel, 1999). Así es que, con la incorporación de la teoría RBV
al campo de la estrategia empresarial, los recursos y capacidades únicos de la empresa
se percibieron como los fundamentales impulsores de la ventaja competitiva de la
empresa.
Posteriormente, a principios de la década de 2000, la teoría de las capacidades
dinámicas destacó en el campo de la estrategia empresarial. El enfoque del marco de
las capacidades dinámicas se centró en cómo las empresas pueden crear, ampliar,
integrar, modificar y desplegar sus recursos y/o activos específicos, mientras también
se ocupan de la gestión de las amenazas competitivas, así como de la realización de
las transformaciones necesarias (Teece, 2007).
En la actualidad, en el ámbito de la estrategia empresarial, se observa un enfoque
creciente en la innovación, la orientación al cliente y, especialmente, el papel de la
tecnología en la formulación de la estrategia empresarial (Ibarra & Suárez, 2022).
2.1.2 Evolución actual del concepto de estrategia empresarial
Actualmente, el concepto incorpora una amplia gama de factores, como las dinámicas
del mercado, las necesidades del cliente, la cultura organizativa y la innovación
tecnológica (Robayo, 2016). Así, se espera que el futuro del campo de la estrategia
empresarial esté determinado por varias tendencias que están surgiendo en el entorno
actual.
Así, el análisis de datos y la inteligencia artificial son una de las áreas clave que
actualmente están influyendo significativamente el campo de la estrategia empresarial
(CEPAL, 2021). Ante el volátil panorama empresarial, las empresas están recurriendo
cada vez más a la toma de decisiones basadas en datos para dar forma a sus
estrategias empresariales (Spillecke, 2013). Las empresas continúan su búsqueda de
nuevas formas de obtener datos que mejor describan las dinámicas de sus mercados
para poder mantener su ventaja competitiva. Por lo tanto, el uso de la analítica avanzada
y la inteligencia artificial adquirirá cada vez más relevancia y atención por parte de los
altos ejecutivos. No obstante, la implementación de estas nuevas tecnologías no será
sencilla en los procesos estratégicos diarios de las organizaciones y requerirá tiempo
para su adecuada adaptación. De esta manera, casi el 85% de los ejecutivos considera
que la inteligencia artificial permitirá a sus empresas obtener o mantener una ventaja
competitiva, sin embargo, solo una de cada cinco empresas ya ha incorporado la
inteligencia artificial en algunas de sus ofertas o procesos (Ransbotham, Kiron, Gerbert
y Reeves, 2017).
La tendencia de la sostenibilidad es otra fuerza clave que está moldeando la forma en
que las empresas abordan sus clientes, mercados y operaciones para obtener y/o
mantener una ventaja competitiva. Dado el creciente enfoque en la conciencia social y
los valores entre los clientes, está claro que la reputación y la imagen de las empresas
se verán fuertemente influenciadas por sus acciones de responsabilidad social y
ambiental (Cramer, 2017). De esta manera, las empresas que operan a nivel global se
enfrentan a una creciente exigencia de actuar de manera socialmente responsable,
demostrando preocupación por el medio ambiente, sus empleados y la comunidad local.
Se espera que las empresas no solo ofrezcan rendimientos financieros superiores, sino

7
que también busquen formas activas de agregar valor a la responsabilidad social
corporativa. Consecuentemente, las empresas que prioricen la sostenibilidad serán las
mejor posicionadas para atraer y retener clientes, inversores y empleados, así como
para mantener una imagen y reputación exitosas (Fraj-Andrés et. al, 2009). Así es que,
se ha observado que el desarrollo de nuevos productos y operaciones ambientalmente
sostenibles conlleva a un mayor nivel de eficiencia en términos de inversión de recursos,
fortalecimiento de la posición competitiva y de la marca corporativa, incremento de las
ventas y, finalmente, ventajas competitivas sostenibles (Shafiul Alam y Zahidul Islam,
2021) (Fraj-Andrés et. al, 2009).
La transformación digital también está influyendo significativamente en el campo de la
estrategia empresarial dadas las crecientes tendencias de las tecnologías digitales y la
creciente exposición de los consumidores hacia ellas (Puig-Hidalgo, 2019). Por lo tanto,
hay una creciente necesidad de disponer de una estrategia digital adecuada para que
las empresas puedan aprovechar las oportunidades que ofrece el panorama comercial
digitalizado, así como enfrentarse a los desafíos que conlleva la transformación digital.
De tal modo, la transformación digital es una de las prioridades principales en la mayoría
de las organizaciones, ya que brinda una mejora comercial masiva mediante la
implementación de nuevos modelos comerciales innovadores, la optimización de las
operaciones empresariales y la mejora de la propuesta del valor y de la experiencia para
los clientes (Llopis Sancho, 2021). En este sentido, las tecnologías digitales como los
dispositivos integrados, las redes sociales, la tecnología de la nube, la analítica y el
Internet de las cosas se están incorporando a los procesos comerciales de la
organización para mejorar su posición competitiva en el mercado (Brown & Brown,
2019).
Incluso considerando la esperada ralentización de la integración económica mundial en
los siguientes años, la estrategia empresarial seguirá siendo significativamente
influenciada por la globalización. Actualmente, el entorno económico global presenta
una naturaleza compleja dado que las empresas siguen enfrentándose a complejas
regulaciones transfronterizas, riesgos geopolíticos, complejidades operativas y de la
cadena de suministro, diferencias sociodemográficas y un espectro diverso de
preferencias de los clientes (Rahilly, 2023). Así pues, se espera que el factor de la
globalización continúe afectando a la forma en que las empresas formulan sus
estrategias empresariales. Consecuentemente, desde el punto de vista gerencial, llevar
eficaces programas de marketing a nivel global supondrá un gran desafío, pues las
empresas deberán ajustar sus estrategias y programas de marketing lo máximo posible
a las circunstancias locales, convirtiendo la ejecución de marketing internacional en una
verdadera prueba del pensamiento estratégico de la empresa (Mečiar, Şimşek y Şiriner,
2020).
De esta manera, con el paso del tiempo, el concepto de estrategia empresarial progresó
desde un enfoque inicial basado en la eficiencia de costos para incorporar una gama
más amplia de factores como el nivel de la competencia en el mercado, las necesidades
y dinámicas de los clientes, el desarrollo digital y tecnológico, las sinergias
organizacionales y la globalización. Con la introducción del trabajo de Porter sobre la
ventaja competitiva, las empresas entendieron que una estrategia empresarial exitosa
ha de estar constituida sobre sus fortalezas únicas, buscando obtener una ventaja
competitiva que sea sostenible en el tiempo.
Por lo tanto, tal y como muestra la historia, la estrategia empresarial es un concepto
dinámico que se encuentra en una continua evolución. Hoy en día, en el campo de la
estrategia empresarial, se observa un enfoque creciente en la innovación, el

8
compromiso con el cliente y, sobre todo, el papel de la tecnología en la formulación de
la estrategia empresarial. Así pues, hoy el concepto incorpora una amplia gama de
factores como la dinámica del mercado, las necesidades del cliente, la cultura
organizativa y la innovación tecnológica.
2.1.3 Características de la industria de bienes de consumo masivo
La industria de los bienes de consumo masivo (“Fast-Moving Consumer Goods” o FMCG
en inglés) es una de las mayores industrias a nivel global que principalmente se
compone de empresas que se ocupan del suministro de productos de bajo coste con
una elevada demanda constante (Bickersteth, Seyi, et al., 2016). El sector está
constituido por tres principales segmentos: alimentos y bebidas, higiene personal y
utensilios de limpieza del hogar. El término “consumo masivo” hace referencia al hecho
que los productos de la industria no son duraderos y suelen tener una vida útil
relativamente corta (Bickersteth, Seyi, et al., 2016).
Como resultado, la industria está compuesta por productos que son regularmente
comprados por los consumidores, cosa que, implica tanto una alta tasa de ventas de
dichos productos, como una alta tasa de rotación, la cual permite mantener los flujos de
efectivo para las empresas del sector, garantizando unos bajos niveles de inventario. De
este modo, las empresas de bienes de consumo masivo poseen un gran nivel de
agilidad pudiendo responder rápidamente a los cambios en la demanda de los
consumidores y, por lo tanto, minimizando el riesgo de presentar altos volúmenes de
mercancías sin vender (Bickersteth, Seyi, et al., 2016). En consecuencia, los márgenes
de beneficio de estos productos suelen ser bajos para los minoristas, los cuales intentan
compensarlo vendiendo grandes volúmenes (M. A. H. Sarker et al., 2017).
De tal modo, desde la perspectiva de la venta minorista, los bienes de consumo masivo
son un caso de bajos márgenes y grandes volúmenes, cosa que hace que el beneficio
acumulado de estos productos pueda ser elevado dado el alto índice de ventas. En
cambio, los proveedores y fabricantes suelen presentar unos márgenes de beneficio
más elevados que los minoristas.
Por lo tanto, dado el caso de bajos márgenes de beneficio de este sector, las empresas
que operan en la industria de bienes de consumo masivo, principalmente suelen
emplear una estrategia centrada en impulsar las ventas de primera línea (Bickersteth,
Seyi, et al., 2016).
Dentro de las diferentes categorías de producto del sector de los bienes de consumo
masivo, los productos suelen ser casi idénticos, lo que hace que la competencia de
precios entre los minoristas sea intensa (M. A. H. Sarker et al., 2017). Por esta razón,
persiguiendo el objetivo último de incrementar la rentabilidad, las empresas aplican
diversas técnicas y estrategias de marketing para aumentar la fidelidad de su producto,
lo cual les permite fijar unos precios más altos (M. A. H. Sarker et al., 2017).
Del mismo modo, la gestión de los costes de los insumos también es de vital importancia
para las empresas de bienes de consumo masivo, ya que las pequeñas ganancias en
márgenes tienen un impacto significativo en el resultado final debido a los grandes
volúmenes de venta (Bickersteth, Seyi, et al., 2016).
Otra característica importante del sector de bienes de consumo masivo es que se trata
de una de las industrias más resistentes a la recesión. Por lo general, la industria de
gran consumo es resiliente ante una recesión económica, pues incluso cuando aumenta
el desempleo y disminuye la confianza de los consumidores, los hogares siguen
necesitando consumir productos de algunas categorías esenciales de bienes de

9
consumo masivo como alimentos, bebidas y atención sanitaria. De este modo, los
consumidores optan por mantener y/o incrementar su gasto en los productos esenciales,
mientras recortan su gasto en los productos de lujo (Desvaux, Georges et al., 2009).
Entre las empresas de gran consumo más conocidas a nivel global se encuentran tales
multinacionales como Nestlé, PepsiCo, Coca-Cola, Unilever, Procter & Gamble,
Kellogg's y L’Oreal Paris. Sin embargo, el sector también está repleto de marcas blancas
que han consolidado firmemente su presencia en los mercados europeo y
estadounidense en las últimas décadas, incrementando constantemente su
participación de mercado (Buisán de la Figuera, 2016).
2.1.4 Retos enfrentados por las empresas de bienes de consumo masivo
El entorno competitivo de la industria de bienes de consumo masivo está cambiando
rápidamente. Antes, cuando los productos de una empresa se encontraban en los
estantes de los principales minoristas del mercado, esto prácticamente garantizaba un
crecimiento continuo de sus ingresos. Sin embargo, en la actualidad, con un crecimiento
crónicamente lento, una competencia cada vez más intensa debido a la entrada de los
nuevos competidores ágiles, la creciente amenaza de las tiendas de descuento y las
marcas blancas, así como la necesidad de adopción de la analítica avanzada, el
panorama del sector se está transformando a un ritmo acelerado (Childs, 2020).
Las empresas de bienes de consumo masivo se enfrentan a una complejidad mucho
mayor en comparación a las empresas de los sectores de la aviación y la hostelería,
que fueron las pioneras en la adopción de RGM en sus modelos de negocio.
La compleja naturaleza de la industria de bienes de consumo masivo resulta del gran
número de productos, canales, clientes, personal, compradores y consumidores con los
que tienen que lidiar las empresas del sector (Childs, 2020). Una consecuencia clave de
esta complejidad es que la mayoría de las empresas del sector a lo largo de los años se
han centrado en conseguir la estabilidad en sus modelos de negocio en lugar de buscar
la agilidad o flexibilidad. Esto ha implicado una pérdida de muchas oportunidades en el
mercado por parte de las empresas del sector a lo largo de los años (Accuris, 2022).
Sin embargo, las empresas en la industria de bienes de consumo masivo cuentan con
modelos de negocio y posiciones de mercado tan sólidas que, a diferencia de los líderes
en otras industrias como la aviación o la hostelería, perder una oportunidad importante
en el mercado de gran consumo no implica necesariamente la pérdida de su posición
sólida ni las expone al riesgo de quedar excluidas por completo del mercado (Accuris,
2022).
Un ilustrativo ejemplo de ello podría ser el caso de The Coca-Cola Company, que
inicialmente no prestó atención al surgimiento del segmento de bebidas energéticas y,
por lo tanto, no invirtió en este nicho para establecerse como líder. Como resultado, la
compañía se encuentra en una posición de recuperación en este segmento en muchos
mercados, incluso en la actualidad. Consecuentemente, para obtener la posición de
liderazgo en el segmento, la compañía adquirió Energy Brands Inc. en 2007 y Monster
Beverage Corp. en 2016. No obstante, fue solo en el año 2021 cuando la compañía
consiguió alcanzar la posición de liderazgo en el segmento de las bebidas energéticas
en Estados Unidos, 24 años después de que su competidor Red Bull creara y liderara
este segmento en el mercado (Accuris, 2022).
Otro ejemplo podría ser el caso de Walmart, que fracasó en varios intentos de ofrecer a
los compradores una alternativa en línea como Amazon. En un principio, la empresa
descartó el comercio electrónico como un canal de venta importante, pero más tarde

10
tuvo que recurrir a empresas externas para impulsar su presencia en este canal de
venta. Como resultado, Walmart adquirió un gran número de empresas para recuperar
su posición en este canal de venta, entre ellas Jet.com, ShoeBuy, Bonobos, Moosejaw
y Parcel (Accuris, 2022).
Entonces, ¿cuáles son los desafíos específicos a los cuales se enfrentan las empresas
de bienes de consumo masivo y los que les dificultan alcanzar o mantener estas
posiciones de liderazgo?
Actualmente, las empresas se enfrentan a una letanía de retos presentes en el mercado
de bienes de consumo masivo. A continuación, analizaremos algunos de los principales
retos.
Cambios en el comportamiento de los consumidores
Se ha escrito mucho sobre los enormes cambios en el comportamiento de los
consumidores observados a raíz de la pandemia. Hoy en día, el comportamiento del
consumidor es más difícil de predecir que nunca, ya que los consumidores están
expuestos a una enorme variedad de opciones a la hora de realizar sus compras
(Greetham, 2021). Así, las empresas de bienes de consumo están observando cambios
en los patrones de consumo dentro de las categorías, las preferencias de marcas, la
selección de canales de venta, la frecuencia de compra y la participación en los medios
de comunicación (Dinardo, 2021). Además, los consumidores están expresando cada
vez más sus preferencias por los productos más sanos, sostenibles y alineaos con sus
valores (Forbes, 2023).
Esto está impulsando la necesidad de las empresas a replantearse por completo sus
estrategias de crecimiento en las distintas categorías, así como sus prácticas de
Revenue Growth Management. Pues, si las empresas de bienes de consumo masivo
desean mantener su relevancia en el mercado, deben ser capaces de adaptarse con
rapidez a las cambiantes preferencias de los consumidores (Bright, et al., 2021).
En consecuencia, las empresas que dependen únicamente del crecimiento orgánico de
su base de clientes existente o deciden basar sus decisiones de gasto comercial en
conocimientos desactualizados, no tendrán éxito en este panorama cambiante. Para
impulsar un crecimiento sostenible, las empresas deberán aplicar avanzadas técnicas
de análisis para obtener información en tiempo real que les permita identificar una
oportunidad o una amenaza y abordarla adecuadamente, midiendo el impacto de
inmediato (Hanke, 2022).
Con el siguiente ejemplo podemos ilustrar las complejas dinámicas del comportamiento
de los consumidores en la industria de bienes de consumo masivo.

Ana Todas las mañanas, Ana empieza su día con una taza de café caliente. Sin embargo, esta
mañana se da cuenta de que se ha quedado sin café en su casa.

Por tanto, de camino al trabajo, Ana visita una tienda con la intención de comprar un paquete
de café, pero sin ninguna planificación anterior, añade a su cesta de compra una serie de
artículos que le han llamado la atención: un paquete de galletas para el desayuno, una botella
de agua de 1 litro y unas cuantas chocolatinas para el almuerzo en el trabajo.

Ana no había planeado comprar estos artículos, pero dado que ya estaba en la tienda, pensó
que podría necesitarlos más tarde, a lo largo del día. Esto resultó en una compra impulsiva
donde Ana estaba dispuesta a gastarse más dinero en los artículos de compra no planeados
como las galletas y las chocolatinas en comparación a lo que hubiese estado dispuesta a
gastarse si hubiera ido al supermercado la noche anterior.
En este ejemplo, Ana es sólo una persona imaginaria, pero muestra una representación
justa del bajo nivel de predicción que presenta el comportamiento del consumidor hoy
en día. De tal modo, muchos consumidores van a realizar sus compras con una clara

11
intención de comprar solo el artículo necesario, pero acaban saliendo de la tienda con
una bolsa llena de artículos imprevistos, simplemente porque dichos artículos estaban
posicionados en un espacio estratégico dentro de la tienda y porque satisfacían la
ocasión de consumo inmediato que tenía el consumidor.
Por lo tanto, las empresas de bienes de consumo masivo presentan una necesidad
creciente de apoyarse firmemente en herramientas de analítica avanzada como el
aprendizaje automático o la inteligencia artificial para poder predecir lo mejor posible el
comportamiento de sus consumidores y, como resultado, llevar a cabo eficientes
procesos de Revenue Growth Management al optimizar sus precios, carteras, desarrollo
de productos y planificación de promociones para capturar el máximo valor de sus
operaciones (Hanke, 2022).
Competencia intensa
La industria de bienes de consumo es altamente competitiva, con muchas empresas
pequeñas y grandes compitiendo por la participación de mercado. Por ello, las empresas
que compiten en el sector de los bienes de consumo masivo se ven empujadas
constantemente a innovar y diferenciarse para poder mantenerse por delante de sus
competidores (Leach, 2022). Así, las empresas se ven presionadas a colocar los
productos adecuados en el momento adecuado en los estantes de los minoristas, así
como establecer los adecuados precios para sus productos y ejecutar las promociones
de una manera eficiente para poder maximizar su rentabilidad sin reducir los márgenes
(Childs, 2020).
Cada año crecer en el sector de los bienes de consumo masivo resulta ser una tarea
más difícil debido a la intensa competencia, así como a la elevada saturación del
mercado (Colón, Kerekes, & Alvarez-Coca Bravo, 2016). El mercado está compuesto
por decenas de miles de empresas en todo el mundo, desde pequeñas empresas
locales hasta grandes corporaciones multinacionales.
La industria ha experimentado un crecimiento constante en los últimos diez años, pero
el ritmo de crecimiento se ha ralentizado en los últimos años (Kelly, et al. , 2018).
Según un informe de Statista, el mercado mundial de productos de gran consumo creció
a una tasa de crecimiento anual compuesta (TCAC) del 4,4% entre 2010 y 2020.
Durante este periodo, el tamaño del mercado pasó de unos 7,6 billones de dólares en
2010 a unos 11,6 billones en 2020. Este crecimiento fue impulsado por tales factores
como el crecimiento de la población, la urbanización, el aumento de los ingresos de los
consumidores, así como el aumento de la demanda de productos de conveniencia y
calidad por parte de los consumidores.
No obstante, en 2021, la industria de bienes de consumo de alta rotación creció a un
ritmo más lento que en los años anteriores, presentando una tasa de crecimiento anual
compuesta del 2,98% proyectada hasta el año 2028 según un informe de Yahoo Finance
(Yahoo!Finance, 2023).
En este sentido, la industria seguirá creciendo en los próximos años, pero este
crecimiento será mucho más complicado de captar para las empresas en comparación
a los años anteriores.
Además, los fabricantes del sector se enfrentan a la creciente amenaza de los minoristas
de descuento, como las cadenas de Aldi y Lidl, mientras que las marcas más grandes,
con la amenaza de ofertas alternativas de marcas blancas, las cuales, con las
características de un precio adecuado, conveniencia y alta calidad del producto, ya han

12
causado una pérdida significativa de la participación de mercado para muchos
fabricantes y marcas en diversas categorías (Childs, 2020).
En consecuencia, para satisfacer las cambiantes necesidades y preferencias de los
consumidores y mantenerse por delante de los ágiles competidores nuevos, las
empresas deben innovar constantemente, siendo capaces de adaptarse a las
cambiantes condiciones del mercado.
Como resultado, las estrategias tradicionales no podrán seguir el ritmo de los rápidos
cambios en los estándares de la industria, dejando de garantizar la creación de una
ventaja competitiva sostenible. Esto dejará a las empresas de bienes de consumo
masivo sin otra opción más que repensar por completo su toma actual de decisiones
estratégicas (Kopka, et. al, 2020).
Interrupciones en la cadena de suministro
La pandemia de COVID-19 ha puesto de manifiesto la vulnerabilidad de muchas
cadenas de suministro a nivel global. Así, muchas empresas de bienes de consumo
masivo se enfrentaron a interrupciones en sus cadenas de suministro, lo que puso de
relieve la necesidad de crear cadenas de suministro resistentes y ágiles, así como
planes de contingencia para mitigar el impacto de futuras interrupciones (Khayer, et. al,
2022).
En consecuencia, las empresas de consumo masivo se enfrentan a la necesidad de
desarrollar unos sistemas de cadena de suministro inteligentes, que se basarían en un
proceso de planificación integrado, el cual, tomaría los datos relevantes del lado de la
demanda y los convertiría en una realidad en el lado de la oferta (Kopka, et. al, 2020).
Por tanto, resulta esencial para las empresas de bienes de consumo masivo aprovechar
los datos digitales en todos los eslabones de la cadena de valor y emplearlos en un
proceso integrado y automatizado de planificación corporativa. Una de las ventajas
principales de esta transformación es la capacidad de pasar de ciclos mensuales a ciclos
más frecuentes de Planificación de Ventas y Operaciones (S&OP), lo cual permite
maximizar las ventas y, a su vez, reducir la obsolescencia y el capital de trabajo (Kopka,
et al., 2020).
En consecuencia, gracias a una mejor previsibilidad de la demanda que deriva de la
mejora en los procesos de predicción digital, se pueden evitar fluctuaciones inesperadas
en el inventario o asignaciones de activos ineficientes. A medida que los cambios en la
demanda se vuelven más manejables, se reduce la probabilidad de experimentar los
efectos negativos de la variabilidad amplificada (bullwhip effect) (Khayer, et. al, 2022).
Por tanto, para las empresas de bienes de consumo masivo, el éxito de lograr una
cadena de suministro ágil y resiliente requiere la adoptación de diversas estrategias,
que incluyan el apoyo de la inteligencia artificial, así como el mantenimiento predictivo
(Khayer, et. al, 2022).
Inflación y COGS
Las empresas de bienes de consumo masivo se enfrentan al aumento de los costes de
los bienes vendidos (COGS en inglés) y la inflación, impulsada por factores que van
desde las interrupciones de la cadena de suministro mundial cuando se produjo la
pandemia, hasta el fuerte repunte más reciente de la demanda de los consumidores,
con una capacidad limitada para satisfacerla (Kopka, et. al, 2020).
La rentabilidad de las empresas de bienes de consumo masivo se ve considerablemente
afectada por los altos costes de producción y la inflación, ya que dichos factores reducen

13
 los márgenes de beneficio, debilitan el poder de fijación de precios y aumentan la
competencia (Fitch Ratings, 2022).
Figura 1. Vulnerabilidad de la industria de FMCG a
inflación de costes (Fuente: Fitch Ratings, 2022) Así, como respuesta al reto de la elevada inflación y los
costes de producción, las empresas están recurriendo a la
estrategia del aumento de los precios como una forma de
repercusión del incremento de los costes a sus clientes.
Sin embargo, aunque el sector de los bienes de consumo
masivo no sea el más sensible a los precios, esta
estrategia es arriesgada dada la amenaza de las marcas
blancas y los minoristas de descuento, así como la
creciente base de clientes que cambian de marca
frecuentemente en el mercado (Grunwald, et al., 2022).

Comercio electrónico y transformación digital

El auge del comercio electrónico y las plataformas digitales ha trastocado los canales
tradicionales de venta al por menor, obligando a las empresas de bienes de consumo
masivo a adaptar sus estrategias de distribución para satisfacer las cambiantes
expectativas de los consumidores (Chapple, et al. , 2021).
En la mayoría de las categorías de bienes de consumo masivo, que van desde pañales
y champú hasta bocadillos y bebidas, se está presenciando un significativo cambio en
el comportamiento de compra por parte de los consumidores. La pandemia de COVID-
19 ha impulsado de manera drástica la transición hacia el comercio electrónico,
acelerando en tan solo unos meses lo que se esperaba que fuera una evolución gradual
a lo largo de cinco años (CNMC, 2021).
Este cambio en el comportamiento de compra presenta una situación difícil para la
industria de bienes de consumo masivo. Para muchos fabricantes, el comercio
electrónico ha sido históricamente menos rentable que las ventas físicas. Según un
estudio realizado por McKinsey & Company, más de uno de cada cuatro ejecutivos de
las empresas de bienes de consumo masivo encuestados afirmó que la baja rentabilidad
era su principal preocupación con el comercio electrónico. No obstante, es un hecho
que el comercio electrónico supondrá una de las principales fuentes de crecimiento para
las empresas de bienes de consumo masivo en el futuro previsible (Chapple, et al. ,
2021).
Cumplimiento de la normativa
Las empresas de bienes de consumo tienen que cumplir con un entorno normativo
complejo que está en constante cambio. Se trata de las normativas acerca de la
seguridad de los productos, el etiquetado, el control de calidad y las normas de
publicidad (Leon, 2013).
2.1.5 Estrategia empresarial en la industria de bienes de consumo masivo
Habiendo analizado el concepto de la estrategia empresarial y descrito las principales
características de la industria de bienes de consumo masivo, así como los retos
enfrentados por la misma, en esta sección analizaremos cómo han percibido el concepto
de la estrategia empresarial las empresas de gran consumo a lo largo del tiempo. De tal
modo, observaremos qué cambios radicales ha experimentado este sector en las
últimas décadas y cómo ha evolucionado el concepto de la estrategia empresarial dentro
de la industria para reflejar dichos cambios.

14
Una de las formas en las que ha evolucionado el concepto de la estrategia empresarial
en la industria de los bienes de consumo de alta rotación es a través del creciente
énfasis en la importancia de las estrategias orientadas al cliente. En el pasado, las
empresas de bienes de consumo de alta rotación se centraban principalmente en el
desarrollo de sus productos y las actividades de distribución (Leach, 2022). Sin
embargo, actualmente, dada la creciente complejidad de las dinámicas presentadas por
los consumidores y sus necesidades, las empresas están enfocándose en ellos para
garantizar una mejor comprensión y satisfacción de estas necesidades (Colón, Kerekes,
& Alvarez-Coca Bravo, 2016).
Como resultado, las empresas están invirtiendo en herramientas de investigación y de
análisis de mercado para poder obtener una mejor visión del comportamiento y de las
preferencias de sus consumidores (Benavides, Hollander, Lefort, & Salguero, 2017).
Asimismo, las empresas están desarrollando productos y estrategias de marketing
dirigidas a segmentos específicos de clientes, con el fin de maximizar sus beneficios
gracias a la maximización de la satisfacción de sus clientes (Camilleri, 2018).
La incorporación de técnicas de gestión del crecimiento de los ingresos (Revenue
Growth Management en inglés) y de CRM son algunos de los ejemplos de cómo las
empresas de gran consumo llevan a cabo estrategias orientadas al cliente. La disciplina
de RGM se explicará en la sección 2.2.3, mientras que el concepto de CRM hace
referencia al establecimiento, desarrollo y optimización de las relaciones entre una
organización y sus clientes, centrándose en la comprensión y la satisfacción de las
necesidades y expectativas de los clientes que se sitúan en el centro de una estrategia
empresarial eficiente (Micu, Adrian et. al, 2010).
Asimismo, el sector de los bienes de consumo masivo está experimentando un creciente
énfasis en la innovación. Dados los bajos márgenes y la intensa competencia en el
sector, las empresas están centrándose cada vez más en la innovación para poder
alcanzar mejores márgenes y una ventaja competitiva sostenible en el tiempo (Fabius,
Lowrie, Magni, Murphy, & Timelin, 2020). Particularmente, los minoristas y fabricantes
del sector, buscan formas de posicionarse mejor y diferenciarse de sus competidores
gracias a la innovación, cosa que, se traduce en grandes iniciativas de innovación de
producto, marketing, distribución, cadena de suministro y gestión del crecimiento de los
ingresos.
De este modo, estrategias de marketing basadas en las iniciativas de innovación pueden
permitir a las empresas aumentar el valor de los stakeholders gracias a la mejora de la
propuesta de valor para el consumidor. Esto a su vez conduce a un mayor compromiso
del consumidor con la empresa y sus productos, aumentando la lealtad del cliente y la
probabilidad de difusión del “boca en boca” positivo (“word of mouth” en inglés), así
como la posibilidad de incorporar las ideas de los clientes para el desarrollo de nuevos
productos y servicios de las empresas (Chuwiruch, Nasi, et. al, 2015).
Similarmente, el interés por la sostenibilidad ha crecido enormemente en el sector de
los bienes de consumo de alta rotación. Dado que los consumidores expresan cada vez
más sus pensamientos y opiniones sobre las cuestiones medioambientales y sociales,
las empresas están invirtiendo en iniciativas de sostenibilidad para poder seguir
fidelizando a los clientes hacia sus marcas y satisfacer las expectativas y necesidades
de sus consumidores (Doshi & Noble, 2023).
Así, las empresas se esfuerzan en reducir la contaminación, desarrollar envases más
sostenibles y apoyar causas sociales. De esta manera, según un informe publicado por

15
KANTAR, en 2022 las iniciativas de sostenibilidad podían aportar en torno a 382 millones
de dólares a las marcas de bienes de consumo masivo, ya que 1 de cada 5 dólares
gastados en bienes de consumo masivo venía de un consumidor consciente con el
medio ambiente.
Además, al igual que muchas empresas de otros sectores, las empresas de bienes de
consumo de alta rotación también buscaron formas de expandirse a nuevos mercados
para impulsar su crecimiento. De este modo, las empresas han llevado a cabo tanto
expansiones geográficas -entrando en nuevos países o regiones- como expansiones de
líneas de productos – ofreciendo nuevos productos o compitiendo en nuevas categorías-
gracias a la diversificación de sus ofertas.
Por lo tanto, en general, el concepto de estrategia empresarial en la industria de bienes
de consumo masivo ha mostrado una importante evolución a lo largo de los años
dejando atrás el enfoque principal y único en la mejora de la distribución y el desarrollo
de los productos. Las empresas se han adaptado a las cambiantes tendencias de la
industria para reflejar en sus estrategias tanto las cambiantes dinámicas del mercado
como las preferencias de los consumidores. Hoy en día, las empresas se enfocan cada
vez más en las estrategias orientadas al cliente, la innovación, la sostenibilidad, las
técnicas de RGM y CRM y la expansión a nuevos mercados como manera de impulsar
su crecimiento.
De este modo, en este trabajo académico analizaremos detalladamente cómo las
empresas de gran consumo están incorporando los elementos de la estrategia orientada
al cliente y la innovación en sus estrategias empresariales al aplicar las técnicas de
gestión del crecimiento de los ingresos (RGM) y la analítica empresarial avanzada.
2.2 Marco teórico sobre la capacidad de Revenue Growth Management en la
industria de bienes de consumo masivo
2.2.1 Orígenes de la disciplina de Revenue Growth Management
Generalmente, se considera que el origen de las prácticas de RGM procede de la
industria de las aerolíneas. Concretamente, esto puede ser observado en el caso de la
famosa aerolínea estadounidense American Airlines. En 1985, el sector de las
aerolíneas en Estados Unidos experimentó una importante transformación debido a la
introducción de la ley de desregulación de las aerolíneas (Peterson, 2018). Esta ley
supuso un aumento de la competitividad del sector al eliminar el control gubernamental
que había sobre las tarifas, las rutas y los nuevos participantes en el mercado de las
aerolíneas (Peterson, 2018). Como resultado, nuevas aerolíneas como People Express
entraron en el mercado ofreciendo unas tarifas más bajas y, por tanto, suponiendo una
amenaza potencial para las compañías que habían dominado el sector aéreo hasta
entonces (Huefner, 2014).
En consecuencia, American Airlines respondió a dicha amenaza desarrollando una
estrategia de precios que se ajustara a estas tarifas más bajas ofrecidas por los nuevos
entrantes del sector. En el caso particular de American Airlines, la estrategia de precios
más bajos se aplicó de una manera muy selectiva, pues las tarifas más bajas solo se
ofrecían para algunas rutas específicas y horarios concretos, mientras que el resto de
destinos y horarios se cobraban al precio habitual de tarifa completa (Huefner, 2014).
Debido a que la mayoría de los clientes preferían volar con compañías conocidas y, por
tanto, más “fiables”, muchas de estas nuevas aerolíneas de tarifas bajas como People
Express desaparecieron. No obstante, fue en este momento cuando el sector de las
aerolíneas había experimentado un cambio significativo que transformó la industria para

16
siempre, pues con las estrategias de fijación de precios más bajos, las aerolíneas vieron
una forma de aumentar los ingresos (Huefner, 2014). Gracias a las técnicas de precios
más bajos, las compañías podían vender los asientos con descuento, los cuales, de otro
modo, con precios de siempre, estuvieran vacíos. De esta manera, nació la disciplina
de RGM o de gestión de ingresos, antes siendo conocida como la gestión del
rendimiento (“Yield Management” en inglés) (Huefner, 2014).
La gestión del rendimiento o “Yield Management” es el antecesor de RGM, pudiendo
describirse como una estrategia variable de fijación de precios que se basa en
comprender, anticipar e influir en el comportamiento de los clientes para maximizar los
ingresos o los beneficios de un recurso fijo y limitado en el tiempo, como un asiento de
avión o una habitación de hotel (Hanke, 2022).
De este modo, el asiento en un avión se percibía como un tipo de inventario perecedero,
es decir, una vez que salía el vuelo, ya no existía la posibilidad de vender un asiento
vacío. Así pues, dado que los costes de un vuelo aéreo son casi completamente fijos,
ofrecer precios con descuento para algunos asientos se consideraba como una
estrategia impecable para aumentar los beneficios, ya que, todo lo que se pueda ganar
vendiendo un asiento que de otro modo estaría vacío, supone un incremento de
beneficios para la aerolínea. No obstante, esta estrategia planteaba un desafío
adicional, el cual consistía en mantener el negocio principal de la aerolínea con precios
completos, mientras se buscaba generar estos ingresos adicionales al ofrecer
descuentos a un grupo selecto de viajeros con disponibilidad flexible (Huefner, 2014).
Así, Kimes, autora de referencia en el estudio de la gestión del rendimiento o “Yield
Management”, definió esta nueva técnica como:
“el proceso de asignación de la unidad de inventario adecuado al cliente adecuado en
el momento adecuado y al precio adecuado. Guía a la decisión de cómo asignar las
unidades no diferenciadas a la capacidad limitada y a la demanda disponible de manera
que se maximice el beneficio o los ingresos” (Kimes, 1989).
Del mismo modo, basándose en la gestión del rendimiento del sector aéreo, otras
empresas también caracterizadas por costes fijos, capacidad limitada y cierta capacidad
para prever la demanda, empezaron a aplicar estrategias de Yield Management a finales
de la década de 1980.
Las técnicas de gestión del rendimiento se extendieron a hoteles, restaurantes, campos
de golf, líneas de cruceros, agencias de alquiler de coches, compañías de carga aérea,
teatros, salas de conciertos y otras empresas (Hanke, 2022).
Así, a medida que el concepto del Yield Management se expandió a otras industrias y
sectores, las empresas se dieron cuenta de que el enfoque exclusivo en la capacidad y
los precios no era suficiente para impulsar un crecimiento sostenible. Se reconoció la
necesidad de considerar otros factores, como las promociones, el surtido de productos
y la distribución, para impulsar el crecimiento de los ingresos a largo plazo, dando lugar
al nacimiento de la disciplina de Revenue Growth Management (Chávez et al., 2008).
De tal modo, la gestión del crecimiento de los ingresos o RGM puede ser definida como
la disciplina que impulsa el crecimiento sostenible y rentable de la empresa a través de
una serie de estrategias acerca de los pilares clave del surtido, la promoción, la gestión
comercial y la fijación de los precios (Land, Simon et. al, 2020).
La implementación de RGM en la industria hotelera fue especialmente destacada. Tanto
en el sector aéreo como en el hotelero, el producto presentaba características similares,

17
 como la naturaleza perecedera, la capacidad fija y la necesidad de segmentación
basada en los niveles de sensibilidad al precio de los clientes (Hanke, 2022). De este
modo, RGM se convirtió en una disciplina de vital importancia para los hoteles, pues la
demanda en la industria hotelera fluctúa según el día de la semana y la temporada, y
los hoteleros tienen la capacidad de agregar o combinar una amplia gama de servicios
a una simple noche de alojamiento para captar el interés de diversos tipos de clientes
(Hanke, 2022).
Así pues, esencialmente, Revenue Growth Management se basa en la idea de
diferenciación. En la figura 2, podemos observar la principal diferencia entre la gestión
del crecimiento de los ingresos (RGM) y una simple optimización de precios. Tal y como
se puede ver en el gráfico, si una empresa no está diferenciando su oferta a los clientes
y, por tanto, ofrece su producto y/o servicio solo a un punto de precio óptimo, sus
ingresos vendrán dados por el área ABCD. De esta manera, la empresa está dejando
varios grupos de clientes sin una oferta atractiva, lo que resulta en la pérdida de ingresos
potenciales que podrían haberse obtenido a través de la diferenciación. De esta manera,
los triángulos superior e inferior – marcados en gris – ilustran la pérdida de estos
potenciales ingresos.
Figura 2. Efecto de RGM vs Simple Optimización de Precios
(Fuente: Elaboración Propia)
No obstante, tal y como muestra el gráfico a la
derecha, una vez la empresa decide aplicar
técnicas de diferenciación para captar valor tanto
de los clientes con una mayor disposición a pagar
– triángulo superior – como de los clientes con
una menor disposición a pagar – triángulo inferior
– al ofrecer su producto y/o servicio a varios
puntos de precio, la empresa es capaz de
incrementar sus ingresos totales, ahora dados por el área EFG.
Basándose en esta idea esencial de diferenciación, varias técnicas de RGM permiten a
las empresas captar el área EFG, maximizando, así, sus ingresos. Dicho resultado
puede lograrse a través de una serie de estrategias acerca de los pilares clave de RGM:
la fijación de los precios, la arquitectura precio-envase, la gestión del mix de producto y
canal de venta, promoción y la gestión de las condiciones comerciales explicados en la
sección 2.3.3 (Land, Simon et. al, 2020).
2.2.2 Industrias que emplean RGM
Tal y como se ha comentado anteriormente, la disciplina de la gestión del crecimiento
de los ingresos (RGM) nació en el sector de las aerolíneas estrictamente como una
estrategia de fijación de precios diferenciales. Sin embargo, tal y como podemos
observar en la figura 3, la aplicación de, inicialmente Yield Management y después RGM,
se extendió a varias industrias a lo largo de los años.
Figura 3. Eje temporal de la adopción de RGM en las diferentes industrias (Fuente: Elaboración Propia)

18
 En el caso de las aerolíneas, la disciplina de Yield Management y RGM empezó a
desarrollarse en la década de 1980, cuando las compañías se dieron cuenta de que se
enfrentaban a diferentes tipos de clientes, algunos con una mayor disposición a pagar,
como los viajeros de negocios, y otros con una disposición a pagar menor, como los
viajeros de vacaciones (Huefner, 2014). El desafío radicaba en la variación de la
disposición a pagar de cada segmento de pasajeros y en la limitada capacidad de
asientos en un avión. Pues, si un asiento se vendía a un precio más bajo, posteriormente
no podía ser vendido a un precio más alto.

Figura 4. RGM en la industria de las aerolíneas. (Fuente: De esta manera, la figura 4 ilustra el enfoque común
Buynomics Webinar Series, 2023) tomado por las compañías aéreas ante estos retos, con el
objetivo de maximizar sus ingresos.
La observación básica que se puede extraer, es que, la
disposición media a pagar por el vuelo tiende a aumentar
con el tiempo, ya que los individuos con una mayor
disposición a pagar, como los viajeros de negocios o
algunos individuos con urgencia tienden a reservar los
viajes más tarde. En consecuencia, las aerolíneas tienden
a empezar la venta de los billetes con un precio inicial más
bajo, buscando, inicialmente, captar a los clientes con una
menor disposición a pagar, los cuales, suelen reservar
pronto. Más tarde, a medida que pasa el tiempo, las aerolíneas tienden a aumentar el
precio para captar el máximo valor de los clientes con una mayor disposición a pagar
(Narangajavana et. al, 2014).
No obstante, es importante señalar que, si en algún momento la demanda resulta siendo
sobreestimada, la aerolínea podría reducir el precio durante un breve periodo de tiempo,
fenómeno que queda reflejado en la subida escalonada de la curva de los precios.
Así, las compañías aéreas como Iberia varían los precios en su página web según se
va acercando la fecha de la salida del vuelo. Para poder maximizar sus ingresos, la
compañía ha desarrollado un algoritmo que ajusta los precios en función del resultado
de tales factores como la anticipación, la hora del día en la que se realiza la reserva, los
asientos que ya están vendidos, así como la demanda basada en los datos históricos
(Cerem Business School, 2015).
Figura 5. RGM en la industria de moda rápida. (Fuente: Por el contrario, en otras industrias como la de la moda
Buynomics Webinar Series, 2023)
rápida, podemos observar una disposición a pagar
decreciente a lo largo del tiempo. Los principales retos de
la industria de la moda rápida son sus limitadas
existencias por artículo, así como el hecho de enfrentarse
a una disposición a pagar diferente en función del
segmento de clientes y del momento temporal (Giri &
Chen, 2022).
Así, a diferencia del sector aéreo, los clientes de moda
rápida con una mayor disposición a pagar tienden a
comprar los artículos de moda pronto, mientras que los
clientes con una menor disposición a pagar tienden a comprarlos más tarde, a medida
que van bajando los precios de dichos artículos.
En consecuencia, el planteamiento habitual de las empresas de moda rápida consiste
en inicialmente fijar unos precios más altos y, más tarde, a medida que pasa el tiempo,

19
 reducir el precio en función del nivel de existencias disponibles del artículo. Para esto,
se pueden aplicar varias técnicas, como diversas oleadas de descuentos, que buscan
captar el máximo valor de los clientes con diferentes perfiles de disposición a pagar. El
reto en esta industria, por tanto, consiste en saber en qué momento y cuánto deben
rebajarse los artículos para obtener los máximos ingresos, teniendo en cuenta las
existencias limitadas de los artículos y los distintos perfiles de los clientes (Giri & Chen,
2022).
Otras industrias, como la de los bienes de consumo masivo, que no se caracteriza por
presentar una capacidad limitada ni por enfrentarse a una demanda muy cambiante en
función de la disposición a pagar de sus clientes, también usa las técnicas de RGM para
maximizar sus ingresos.
Figura 6. RGM en la industria de FMCG. (Fuente:
Buynomics Webinar Series, 2023)
Tal y como se puede observar en la figura 6, en la industria de
bienes de consumo masivo, las promociones tienen una gran
importancia para impulsar las ventas, pues permiten captar
clientes con una menor disposición a pagar, ofreciéndoles unos
puntos de precio más atractivos. Así, la importancia de las
promociones en los precios a la hora de influenciar el
comportamiento del consumidor suele ser muy destacada
(Álvarez & Vázquez, 2005).
En la siguiente sección analizaremos detenidamente el caso de
la industria de gran consumo, destacando las diferentes
estrategias de RGM que conducen a la maximización de los
ingresos para las empresas de dicha industria.
2.2.3 RGM en la industria de bienes de consumo masivo
RGM es un proceso que se centra en la identificación y la aplicación de estrategias de
surtido, promoción, gestión comercial y fijación de los precios para impulsar el
crecimiento de los ingresos y, al mismo tiempo, mejorar la rentabilidad de las empresas
(Messelink, et. al 2017).
Generalmente, la capacidad de RGM en la industria de bienes de consumo masivo, trata
de implementar un enfoque centrado en el consumidor, donde una determinada marca
de producto está vinculada a una ocasión de consumo concreta para un perfil de
consumidor específico (Accuris, 2022). De esta forma, los vendedores son capaces de
adaptar sus mensajes a ocasiones específicas, así como a sus grupos de referencia.
Así, por ejemplo, los fabricantes de las galletas de desayuno vinculan su producto a la
ocasión del desayuno, mientras que los fabricantes de las nueces y fruta seca vinculan
sus productos a la ocasión de merienda saludable (Pérez, 2020).
De tal modo, RGM permite ofrecer determinados envases (“packs” en inglés) en una
selección de tiendas, adaptando sus promociones a cada tipo de compra y ocasión de
consumo. Asimismo, las empresas adaptan los precios de sus productos dependiendo
de la hora y la ubicación de la compra.
Con esta capacidad, las empresas pueden detectar, predecir y dar forma a la ruta de
compra del consumidor, optimizando el producto o el empaquetado, ajustando su precio,
designando un mejor punto de venta, planeando promociones y verificando su
disponibilidad en tienda, todas estas acciones que en conjunto derivan en un crecimiento
sostenible de los ingresos (Promotion Optimization Institute, 2023).

20
 De esta manera, gracias a RGM, las compañías pueden aprovechar el hecho de que los
consumidores presentan una mayor disposición a pagar por una botella de agua a la
hora del almuerzo durante el horario de oficina que cuando realizan sus compras
semanales de reposición de comestibles (Accuris, 2022).
Así es que, RGM funciona como una pieza fundamental para el desarrollo de la industria
de bienes de consumo masivo debido a que ofrece un modelo operativo que busca
mantener el crecimiento de los ingresos de primera línea, así como gestionar los
márgenes de beneficio sostenibles, cosa que es crucial dado el panorama competitivo
de la industria (Childs, 2020).
Tal y como se explicó en la sección 2.1.4, actualmente, las empresas de bienes de
consumo masivo operan en un panorama minorista cada vez más complejo, pues las
grandes empresas están experimentando una ralentización del crecimiento de sus
ingresos, mientras que las marcas más pequeñas están ganando participación de
mercado (Kopka, et. al, 2020). Además, el comercio electrónico, la consolidación del
comercio minorista y la creciente importancia de las tiendas de descuento (“discounters”
en inglés) están intensificando aún más la competencia de precios. En consecuencia,
aumentar los ingresos y ampliar los márgenes se convierte en una tarea cada vez más
difícil para las empresas de bienes de consumo masivo (Messelink, et. al 2017).
De tal modo, muchas empresas de la industria han aprovechado la capacidad de
Revenue Growth Management como una potencial solución a estos retos.
No obstante, exitosos procesos de RGM requieren una estrategia, un análisis y una
ejecución disciplinados. Consecuentemente, para llevar a cabo unas exitosas iniciativas
de RGM, las empresas deben acertar en muchos factores, esto es, deben asegurarse
de que están vendiendo la marca adecuada en el envase adecuado para la ocasión
adecuada al cliente adecuado a un precio adecuado (Messelink et. al, 2017).
Esto se convierte en una tarea realmente difícil para las empresas dada la alta
complejidad de sus carteras de producto, el complejo entorno de los minoristas y la alta
fragmentación de la demanda de los consumidores (Colón, Kerekes, y Álvarez-Coca
Bravo, 2016).
Figura 7. Los Principales Pilares y Facilitadores de RGM. Existen muchos modelos diferentes de Revenue
(Fuente: Elaboración Propia)
Growth Management, pero la mayoría de ellos
tienen en común los siguientes cinco pilares: la
fijación de precios de la cartera de marcas, la
arquitectura envase-precio, la gestión del mix de
producto y canales de distribución, la gestión de
la promoción y la gestión de las condiciones
comerciales. Una ejecución satisfactoria de
estos cinco pilares requiere cinco facilitadores
clave: personas y organización, procesos,
herramientas, KPIs y cuadros de mando, y
capacidades (Messelink et. al, 2017).
Cada pilar de RGM cobra una mayor o menor importancia dependiendo de las
circunstancias particulares de la empresa, así como de las dinámicas específicas de su
micro sector y categoría dentro de la industria. Así, algunas empresas para mejorar sus
resultados se centran únicamente en dos o tres pilares. No obstante, si una empresa
aspira incrementar todos sus ingresos posibles, debe centrarse en los cinco pilares.

21
Para saber si una empresa de bienes de consumo masivo necesita implementar y/o
optimizar la capacidad de Revenue Growth Management en su organización, debería
de estudiar las siguientes cuatro preguntas:
- ¿Están siendo superados los incrementos de precio por la generación de
ingresos netos?
- ¿Están aumentando las capacidades de la empresa a un ritmo superior al de sus
competidores y minoristas?
- ¿Es capaz de abordar las operaciones en línea su enfoque de RGM?
- ¿Se está aprovechando adecuadamente la información y el análisis de datos
para incrementar los ingresos?
Si la respuesta a la mayor parte de estas preguntas es un “no”, las empresas de
consumo masivo deberían replantear sus capacidades de RGM (Pérez, 2020).
El primer paso fundamental para llevar a cabo una exitosa estrategia de RGM es
establecer una estrategia general de la gestión del crecimiento de los ingresos para
cada categoría de producto y el mercado en el que compite la empresa. Esto es esencial,
ya que en algunas categorías y mercados la realización de ingresos y la mejora del
margen son más importantes, mientras que, en otros, el aumento del volumen cobra
más importancia frente al incremento de los márgenes para impulsar la creación de valor
general (Messelink et. al, 2017).
Así, para establecer la mejor estrategia de Revenue Growth Management teniendo en
cuenta los elementos de la categoría de producto y el mercado, las empresas deben ser
capaces de responder a estas cuatro preguntas:
- ¿Cómo evoluciona la categoría a lo largo del tiempo en los distintos segmentos,
regiones y canales?
- ¿Qué áreas de la categoría están experimentando crecimiento o declive?
- ¿Qué marcas y referencias están triunfando en la categoría y qué factores
contribuyen a su éxito?
- ¿En qué canales se concentran los beneficios y cómo se distribuye el valor a lo
largo de la cadena de suministro?
Una vez que la estrategia general de RGM en términos de la categoría de producto y de
mercado está clara, las empresas de bienes de consumo utilizan los pilares de la fijación
de precios de la cartera de marcas, la arquitectura envase-precio, la gestión del mix de
producto y canales de distribución, la gestión de la promoción y la gestión de las
condiciones comerciales para traducir la estrategia general de Revenue Growth
Management en planes operativos reales en los mercados (Messelink et. al, 2017).
A continuación, analizaremos los cinco pilares clave y sus elementos facilitadores.
Fijación de precios de la cartera de marcas
La meta principal del pilar estratégico de la fijación de precios de la cartera de marcas
es optimizar la estructura de precios de los productos de una empresa para maximizar
sus ingresos y rentabilidad. Con este propósito en mente, se deben tener en cuenta el
posicionamiento de los diversos productos dentro de la cartera, así como sus precios en
relación con otros productos de la misma (Carolino Sousa Santos, 2018).
Por ejemplo, la estrategia de fijación de precios de la cartera de marcas puede ser
empleada por una empresa para asegurar que un producto de gama alta dentro de su
cartera, es decir, aquel que ocupa una posición competitiva más sólida al tener una
mayor participación de mercado y un mayor valor de marca para los consumidores,

22
tenga un precio más elevado en comparación con un producto de nivel inferior. Esta
diferenciación de precios reflejará el valor percibido y las diferencias de calidad entre
ambos productos (Carolino Sousa Santos, 2018).
Se trata de realizar un primer análisis de los perfiles de la disposición a pagar de los
consumidores de la empresa, y ofrecerles las combinaciones producto-precio que
maximicen los ingresos y beneficios de la marca (Carlotti, Coe, & Perrey, 2004).
Desafío acerca de la eficaz fijación de precios de la cartera de marcas
La realidad es que las empresas de bienes de consumo masivo tienen un control
bastante limitado sobre los precios en comparación a las empresas de otros sectores,
pues suelen vender sus productos a través de minoristas u otros distribuidores, los
cuales fijan sus propios precios (Childs, 2020). En consecuencia, las empresas de
bienes de consumo masivo tienen que ser más creativas a la hora de gestionar el
crecimiento de los ingresos y la fijación de precios de la cartera de marcas para impulsar
sus ventas. Tienen que presentar una buena comprensión de los factores que afectan a
la disposición a pagar de sus consumidores o, en otras palabras, a las elasticidades
precio-demanda presentadas por sus consumidores.
En este sentido, muchas empresas de bienes de consumo no logran capturar todo el
valor de su marca, ya que muchas veces subvaloran o sobrevaloran sus productos sin
tener en cuenta la disposición a pagar de los consumidores, así como las estrategias de
precios de la competencia en las regiones geográficas, los canales de distribución y los
segmentos de mercado específicos (Messelink et. al, 2017). Del mismo modo, la cartera
de marcas de la mayoría de las empresas presenta un solapamiento o no cubre todos
los puntos de precio clave (Messelink et. al, 2017).
Como solución, las empresas deberían examinar minuciosamente sus estrategias y
valores de marca, realizar una evaluación exhaustiva de sus estructuras de precios
actuales y compararlas con las de la competencia. Además, es importante analizar las
elasticidades marca-precio para determinar la disposición a pagar de los consumidores,
así como estudiar cuáles son los factores que la determinan. De esta manera, las
compañías podrán maximizar sus beneficios e ingresos al ejercer un control eficiente y
estratégico sobre los precios de sus marcas en toda la cartera y en los canales de
distribución relevantes. Como resultado, esto es lo que busca cumplir el pilar de la
fijación de precios de la cartera de marcas de Revenue Growth Management.
Arquitectura Precio-Envase
Dentro de la industria de bienes de consumo masivo, la arquitectura precio-envase juega
un papel crucial. Se trata de una técnica analítica que permite a las marcas ofrecer a
sus consumidores la posibilidad de elegir un producto que se ajuste a sus necesidades
en cada momento al precio que estén dispuestos a pagar (Marketing Weekly, 2022).
Así es que, en este pilar de RGM, se añade una nueva dimensión de “ocasión” a la
decisión precio-producto dentro de la cartera. Dado que las misiones de compra afectan
la elección de formatos o envases, la estrategia precio-envase busca proporcionar
opciones y flexibilidad a los clientes, permitiéndoles encontrar el equilibrio adecuado
entre el producto, la ocasión y su precio (Grunwald, et al., 2022).
Así, las opciones de tamaño de envase disponibles para un producto suelen incluir
envases de una ración, de varias raciones y de un tamaño familiar para capturar a todos
los perfiles de consumidores. De tal manera, cada tamaño de envase tiene un precio
diferente en función de la propuesta de valor que ofrece al consumidor.

23
Dado que la dinámica del consumidor difiere mucho en cada mercado, las empresas no
pueden utilizar el modelo de “talla única” para sus decisiones precio-envase. Siendo el
objetivo de la arquitectura precio-envase ofrecer a los clientes una gama de opciones a
diferentes precios, permitiéndoles elegir el tamaño de paquete que mejor se adapte a
sus necesidades y presupuesto en cada momento (Davey & Florio, 2016).
Por ejemplo, un consumidor puede elegir un envase individual si busca un tentempié
rápido, mientras que una familia puede elegir un envase más grande, de varias
porciones, para una comida compartida.
Como resultado, la estrategia de arquitectura de precios por envase se convierte en una
herramienta efectiva para que las empresas de bienes de consumo masivo puedan
optimizar sus precios en toda la cartera de productos. Al ofrecer diferentes tamaños de
envase a diferentes precios, estas empresas pueden maximizar sus ingresos al dirigirse
a un amplio espectro de clientes. Esta estrategia les permite adaptarse a las
preferencias y necesidades de los consumidores, brindando opciones que se ajusten a
distintos presupuestos y demandas individuales. Ofrecer diferentes tamaños de envase
también puede ayudar a aumentar la fidelidad de los clientes, ya que, así, las ofertas de
productos satisfacen las necesidades y preferencias específicas de los diferentes
segmentos de clientes (Davey & Florio, 2016).
De este modo, las mejores empresas de bienes de consumo masivo aspiran a ofrecer
el formato, el envase y el precio adecuados para cada ocasión de compra, así como la
misión del comprador en cada canal (Messelink et. al, 2017).
No obstante, las carteras de producto de muchas empresas se componen de cientos de
artículos, cosa que, complica las decisiones sobre la arquitectura precio-envase. Por
este motivo, las empresas necesitan aplicar análisis avanzados basados en big data
para tomar decisiones relacionadas con la arquitectura de precio-envase. Pues,
mediante el uso de análisis avanzados, numerosas empresas descubren que sus
envases no cuentan con el precio apropiado o carecen de diferenciación frente a los
competidores. Asimismo, ayudan a minimizar la pérdida de ventas potenciales que
surge por la falta de precisión en los puntos de precio, ya que algunos envases no se
ajustan a los puntos clave de asequibilidad o premiumización que buscan los
consumidores dadas sus disposiciones a pagar y preferencias (Messelink et. al, 2017).
Para ilustrar mejor el concepto de arquitectura precio-envase, vamos a señalar algunas
de las innovaciones recientes que han surgido de las decisiones tomadas sobre la
arquitectura precio-envase por las empresas de bienes de consumo masivo. Tal y como
se puede ver en la siguiente tabla, PepsiCo y Procter & Gamble han logrado grandes
resultados con sus recientes innovaciones en este pilar de RGM.
Tabla 1. Innovación Arquitectura Precio-Envase de PepsiCo y Procter & Gamble.Fuente: Marketing Weekly, 2022

24
 Así, generalmente, la arquitectura de precio-envase es una tarea importante para las
empresas de bienes de consumo masivo que buscan optimizar su oferta de productos
y maximizar los ingresos y la rentabilidad de su actividad. No obstante, esto resulta
siendo una tarea de alta complejidad debido a los retos a los que se enfrentan las
empresas de esta industria, los cuales están descritos en la sección 2.1.4.
En la siguiente tabla se presenta un ejemplo de la posible estructura de la toma de
decisiones sobre la arquitectura precio-envase de una empresa de bienes de consumo
masivo:
Tabla 2. Propuesta de estructura de toma de decisiones estratégicas acerca de la arquitectura precio-envase. (Fuente:
Elaboración Propia)

Fase 1 Fase 2 Fase 3

Ideación Validación Comercialización

Pregunta ¿Cuáles son las oportunidades?
clave a
contestar
1.Comparación de la arquitectura precio-
envase actual frente a la competencia.
2. ¿Cuáles son los elementos de éxito
presentados por los competidores que
Análisis a han entrado al mercado?
realizar 3.Evidencia histórica de la disposición a
pagar de los consumidores por dicha
arquitectura precio-envase
4.Aprendizaje de similares
introducciones en otras categorías
parecidas
¿Cómo de grandes son las oportunidades y
cuáles de ellas deberían ser perseguidas?
1.Estudio del tamaño del mercado potencial
para los consumidores y canales objetivo.
2.Requisitos para el éxito financiero y
comercial.
3.Estimaciones de la demanda potencial
basadas en modelos y pruebas del
comportamiento de los consumidores.
4.Cálculo de la probabilidad de canibalización
de los productos existentes de nuestra
compañía y de los competidores.
5.Viabilidad de cumplimiento con los criterios
mínimos de éxito y planes de contingencia.
¿Cómo convencer a los minoristas
y/o otros distribuidores de introducir
esta arquitectura precio-envase en el
mercado?
1.Estudio de los objetivos y retos de
rendimiento para los minoristas
específicos.
2.Alineación entre la visión de la
categoría y sus oportunidades
percibida por nosotros y los
minoristas.
3.Estudio de los mecanismos de
soporte que los minoristas
necesitarán para implementar la
introducción de la nueva arquitectura
precio-envase en el mercado.

Gestión del mix óptimo de segmentos y de canales de distribución del producto

La gestión del mix de productos y canales de distribución, conocida como “mix
management” en inglés, constituye otro pilar clave de RGM y hace referencia a la
estrategia de gestionar de manera eficiente los diferentes productos y canales de
distribución de una empresa. El objetivo es maximizar los ingresos y la rentabilidad a
través de una segmentación efectiva de los productos y los canales de distribución de
la compañía (Aley et. al, 2022). De este modo, la gestión del mix ayuda a las empresas
responder las siguientes preguntas clave:
- ¿Qué productos deben añadirse o eliminarse de la cartera de productos?
- ¿Qué características o atributos de los productos son más importantes para los
clientes?
- ¿Cuál es la mejor estrategia de distribución para garantizar que los productos estén a
disposición de los clientes cuando y donde los necesiten?
- ¿Cómo pueden utilizarse las actividades de marketing y promoción para aumentar el
conocimiento de los productos y las ventas?
De tal modo, el pilar de RGM de la gestión óptima del mix de productos y canales de
distribución del producto añade la dimensión del canal de venta al análisis de la fijación
de precios de la cartera de marcas y las decisiones precio-envase.

25
Al responder estas preguntas, la gestión del mix de productos y canales de distribución
ayuda a las empresas a asegurase de que sus carteras de productos o SKUs (“stock
keeping units”) están en consonancia con sus objetivos empresariales y las necesidades
de los clientes, permitiendo a las empresas maximizar sus ingresos y la rentabilidad
(Anaplan, 2023).
En este sentido, el primer paso para activar una exitosa gestión del mix de productos y
canales de distribución es realizando una clara segmentación de los SKUs de la
empresa y de sus canales de distribución (Messelink, et. al, 2017).
Al segmentar a los consumidores por canal, las empresas pueden comprender mejor su
comportamiento y preferencias de compra, ajustando su surtido de SKUs para satisfacer
la demanda de los clientes (Walker, 2019). Por ejemplo, si los clientes en línea prefieren
tamaños de envase más pequeños, las empresas pueden ajustar su surtido de SKUs
para incluir más opciones de porciones individuales en este canal de venta.
El siguiente paso implica implementar un plan de ejecución disciplinado para asegurar
que los artículos prioritarios, aquellos con altos márgenes o altas rotaciones, estén
distribuidos de manera óptima en los canales adecuados, con el fin de maximizar las
ventas. Además, es necesario asegurar que los artículos o SKUs prioritarios sean
colocados en puntos óptimos de la tienda, especialmente durante las promociones
importantes (Messelink et. al, 2017).
La gestión del mix de productos y canales de distribución es una tarea de alta
complejidad para las empresas de bienes de gran consumo debido a las complejidades
de sus surtidos de producto, las dinámicas de mercado y el cambiante comportamiento
de los consumidores (Messelink et. al, 2017). De tal modo, muchas empresas de bienes
de consumo han descubierto que la gestión del mix es el pilar clave para garantizar que
las estrategias de fijación de precios aporten beneficios. Con una buena gestión de los
SKUs y sus canales de distribución, las empresas pueden aspirar a una mejora anual
de precios de hasta un 1% o 2% año tras año (Messelink et. al, 2017).
Un ejemplo de la gestión del mix de productos y canales de distribución bien ejecutada
puede verse cuando la empresa presenta una comprensión completa de la escala de
precios de todos sus artículos y, por lo tanto, ninguno de los artículos está diluyendo los
márgenes (Messelink et. al, 2017).
Desafío acerca del eficiente mix de productos y canales de venta
Debido a la alta complejidad de la cartera y a la canibalización, la regla de oro de la
industria de bienes de consumo masivo es que el 20% de los artículos siempre acaban
diluyendo los márgenes de las empresas (Walker, 2019).
En la sección 3.1 del marco práctico explicaremos una estructura de análisis que se
puede realizar para mejorar la toma de decisiones estratégicas acerca de la gestión del
mix de productos y canales de distribución.
Gestión de la promoción
Otro de los pilares clave de Revenue Growth Management en la industria de bienes de
consumo masivo, es la gestión de las promociones, el proceso de planificación,
ejecución y análisis de las actividades promocionales destinadas a aumentar el
conocimiento del producto, impulsar las ventas y alcanzar los objetivos empresariales
generales (Messelink et. al, 2017).
Una gestión eficaz de la promoción requiere un profundo conocimiento del mercado
objetivo y de los factores que están detrás del comportamiento de los consumidores

26
(Álvarez & Vázquez, 2005). La investigación de mercado, las encuestas a clientes y el
análisis de los datos de ventas son necesarios para mejor comprender el complejo
comportamiento de los consumidores. A partir de esta información, las empresas
pueden desarrollar estrategias promocionales específicas que responden a las
necesidades y preferencias de sus clientes.
De este modo, es importante abordar las promociones mediante un plan estructurado
que alinee el presupuesto de promoción con los objetivos de la marca. Además, este
plan debe incluir una evaluación exhaustiva del rendimiento de las promociones (Turletti,
2018).
El proceso de gestión de las promociones suele incorporar la definición de los objetivos
específicos del proceso de la promoción, como el aumento de las ventas, la introducción
de un nuevo producto o la creación de conciencia y/o lealtad de marca, así como el
diseño de estrategias promocionales que se ajusten a los objetivos de la empresa y se
dirijan al segmento de clientes deseado (Nadube & Oluwagbemiga, 2020). En
consecuencia, esto implica seleccionar los canales promocionales adecuados, diseñar
mensajes convincentes y emplear recursos creativos, seleccionando los vehículos
promocionales apropiados.
Del mismo modo, la parte de ejecución de la gestión de la promoción se ocupa de la
aplicación de las estrategias promocionales a través de los canales y los vehículos
seleccionados, como las redes sociales, la televisión, los medios impresos o los
expositores en las tiendas (Nadube & Oluwagbemiga, 2020).
La eficacia de la promoción se mide y evalúa analizando su impacto en las ventas, el
conocimiento de la marca y el comportamiento de los clientes. Esto puede implicar el
análisis de datos de ventas, comentarios de los clientes y otras métricas para determinar
el ROI de la promoción e identificar áreas de mejora (García & Carricano, 2016).
Así es que, dentro de los procesos de Revenue Growth Management de una empresa
de bienes de gran consumo, las promociones son uno de los pilares clave. De acuerdo
con un estudio realizado por Tim Eales en 2016, se estima que en Europa las
promociones representan entre el 28% y el 50% del volumen de ventas minoristas en
todas las categorías de bienes de consumo.
Además, a medida que va aumentando el número de consumidores dispuestos a
frecuentemente cambiar de marca, el papel de las promociones en la estrategia de
Revenue Growth Management (RGM) adquiere una mayor relevancia (Childs, 2020).
Ineficiencias en las promociones
Las empresas del sector de bienes de consumo masivo a menudo implementan
promociones de una manera deficiente, cosa que, dificulta el aprovechamiento del
potencial que poseen las promociones como impulsoras de crecimiento. Como
resultado, muchas empresas de la industria carecen de un conocimiento detallado sobre
el rendimiento de la inversión en promociones a largo plazo, la influencia de las
promociones en el comportamiento de los compradores, y el impacto de las
promociones en las ventas de los minoristas más allá de sus propias marcas (Catena,
Land, Reynders, & Zizioli, 2021).
Esto ocurre porque las empresas del sector no tienen una comprensión completa de la
relación existente entre los fondos invertidos en las actividades promocionales y el
resultado real y cuantificable derivado de ellas en términos de transacciones, frecuencia

27
de compra y número de consumidores ganados (Catena, Land, Reynders, & Zizioli,
2021).
Ello se debe a que la mayoría de los grandes fabricantes de los productos de gran
consumo no disponen de una herramienta de optimización de promociones eficiente, ya
que emplean soluciones de Revenue Growth Management obsoletas e insostenibles
para el crecimiento a largo plazo. Por lo tanto, especialmente, en el campo de las
promociones, existe una conexión rota entre la información en tiempo real y la ejecución
práctica, lo que conduce a un gasto promocional ineficaz y a un retorno de la inversión
bajo (Dinardo, 2021).
Esto también fue observado en un informe realizado por McKinsey & Company, en el
que se compartía que, a nivel mundial, las empresas de bienes de consumo invierten
más del 20% de sus ingresos anuales en promociones comerciales con el objetivo de
ganar participación de mercado y obtener un crecimiento de los ingresos. Sin embargo,
el retorno de la inversión que realmente obtienen las empresas del sector es limitado,
señalando que el enfoque actual de la toma de decisiones promocionales no está
funcionando eficazmente. Por ejemplo, sólo en Norteamérica, hasta un 72% de las
promociones comerciales realmente han supuesto pérdidas para las empresas de
bienes de consumo masivo (Dinardo, 2021).
Como diría Einstein, durante la última década, con sus respectivas estrategias de
promoción, las empresas de bienes de consumo han estado “haciendo lo mismo una y
otra vez esperando resultados diferentes”.
Como solución a este reto, varias empresas están recurriendo a la inteligencia artificial
y los algoritmos de aprendizaje automático, los cuales ofrecen capacidades avanzadas
para analizar datos en tiempo real, personalizar promociones, optimizar estrategias,
automatizar la ejecución y mejorar continuamente las acciones promocionales (Hanke,
2022). Al utilizar estas tecnologías, las empresas pueden adquirir conocimientos más
profundos, tomar decisiones más informadas y mejorar la eficacia de sus promociones,
lo que a su vez impulsa el crecimiento y la rentabilidad de la empresa.
Como resultado, alrededor del 43% de las marcas de bienes de consumo de alta
rotación apuntan a los campos de la inteligencia artificial y el aprendizaje automático
como inversiones prioritarias para desarrollar herramientas innovadoras que les
permitan lograr rentabilidad a largo plazo, mejores negociaciones comerciales,
planificación y ejecución promocional basada en datos y desarrollo de productos
orientados a las necesidades del cliente (Hanke, 2022).
En la sección 2.3.1 del marco teórico argumentaremos como el uso de las herramientas
de analítica avanzada en el campo de Revenue Growth Management y, sobre todo en
las áreas de la fijación de precios de la cartera y de las promociones, brindan a las
empresas la capacidad de adopción ágil a las condiciones del mercado. Asimismo,
estudiaremos como el empleo de dichas herramientas permite elaborar estrategias
promocionales más modernas e interfuncionales basadas en análisis avanzados que en
tiempo real muestran el rendimiento de las promociones (Dinardo, 2021).
Gestión de las condiciones comerciales
En la industria de bienes de consumo masivo, la gestión de las condiciones comerciales
hace referencia al proceso de gestión de las condiciones de venta entre un fabricante y
sus clientes minoristas, mayoristas y otros distribuidores (Leach, 2022). Este pilar de
RGM es crucial para garantizar que las empresas capten su parte justa de beneficios
totales de la categoría (Messelink et. al, 2017).

28
Las condiciones comerciales suelen incorporar una serie de elementos, como precios,
condiciones de pago, apoyo promocional, logística y entrega, y devoluciones de
productos (Bradbury, 2023). Pudiendo variar en función de la naturaleza del producto,
el tamaño del minorista y las condiciones del mercado.
De este modo, el objetivo de la gestión de las condiciones comerciales es establecer
condiciones mutuamente beneficiosas que equilibren tanto las necesidades del
fabricante como las del minorista. No obstante, en muchos casos, los precios de lista no
están bien alineados con los precios objetivo al consumidor propuestos por las
empresas, haciendo que la gestión de términos comerciales no funcione de manera
eficiente (Childs, 2020).
Esta falta de alineación supone una pérdida de oportunidades para las empresas de
bienes de consumo de alta rotación, ya que la inversión en condiciones comerciales
supone una de las mayores inversiones comerciales que realizan estas empresas
(Nanda & Larsson, 2013).
En consecuencia, una gestión eficaz de las condiciones comerciales requiere una
negociación y colaboración cuidadosas entre el fabricante y el minorista para garantizar
que ambas partes estén satisfechas con las condiciones de la negociación. Esto puede
implicar el análisis de los datos de ventas, las tendencias del mercado y el
comportamiento de los clientes para determinar las estrategias óptimas de precios,
promoción y entrega (Brown et. al, 2022).
A continuación, analizaremos los cinco facilitadores necesarios para llevar a cabo un
exitoso programa de RGM.
Personas y organización
El proceso de desarrollo de cualquier capacidad supone un gran compromiso para una
organización y su personal. Por lo tanto, saber dónde enfocar el programa es vital para
poder diseñar un viaje de aprendizaje relevante e impactante para el personal de la
empresa (Grandío Dopico, 2006).
Es crucial que las organizaciones identifiquen los niveles actuales de conocimientos y
habilidades de su personal acerca de Revenue Growth Management. Esto se puede
hacer mediante una evaluación de las competencias individuales en todos los conceptos
clave de RGM, lo cual permitirá a los directivos conocer las mayores carencias de su
personal acerca de dicha capacidad (Finnegan et. al, 2022). Así, los directivos podrán
acordar el camino de aprendizaje adecuado para mejorar la capacidad de RGM de
algunos empleados en concreto. Como resultado, las empresas líderes en la industria
realizan evaluaciones granulares de los niveles de conocimiento de sus empleados,
analizando su nivel de habilidad en RGM por función, puesto y región (Finnegan et al,
2022).
Procesos
RGM no es una función o capacidad independiente dentro de la empresa, sino que debe
estar bien integrada en los procesos de planificación estratégica, operaciones y gestión
del rendimiento de la empresa (Messelink et. al, 2017). El equipo de RGM de la empresa
debe colaborar estrechamente con los equipos de marketing, ventas, finanzas, cadena
de suministro, I+D e innovación en la consecución de los objetivos estratégicos de la
organización (Finnegan et al, 2022).

29
Herramientas
Las herramientas analíticas, como el análisis de datos, la inteligencia empresarial y los
modelos predictivos, son uno de los principales facilitadores de RGM para las empresas
de bienes de gran consumo (Vinod, 2008). Estas herramientas ayudan a las empresas
a comprender mejor el comportamiento, las preferencias y los patrones de compra de
sus clientes. Así, esta información es empleada para desarrollar estrategias de precios,
promociones y ofertas de productos más eficaces y adaptadas a las necesidades y
preferencias específicas del mercado objetivo (Catena, Land, Reynders y Zizioli, 2021).
Mediante el uso de herramientas analíticas para analizar los datos de los clientes y las
tendencias del mercado, las empresas también pueden identificar áreas de potencial y
oportunidades de crecimiento de los ingresos para explorar (Messelink et. al, 2017).
Como resultado, esto puede ayudar a optimizar los precios, las promociones y la
combinación de productos para impulsar el crecimiento de los ingresos y, al mismo
tiempo, mejorar la satisfacción y la fidelidad de los clientes (Vinod, 2008).
Por consiguiente, las herramientas analíticas desempeñan un papel crucial como
facilitadoras en un exitoso programa de Revenue Growth Management. Estas
herramientas proporcionan a las empresas la información y los datos necesarios para
tomar decisiones fundamentadas e impulsar un crecimiento sostenible de los ingresos
a lo largo del tiempo.
Indicadores clave de rendimiento o KPIs
Del mismo modo, es crucial que las empresas desarrollen métricas e informes de RGM
coherentes a nivel global de la compañía, para que cada nivel de la organización
comprenda los impulsores del rendimiento actual de RGM de la empresa (Messelink et.
al, 2017).
Así, para el pilar de la fijación de los precios de la cartera de marcas, la empresa ha de
analizar los KPIs de: la elasticidad de sus consumidores, la cuota de mercado de la
empresa, la rentabilidad por SKUs, y sus márgenes, entre otros KPIs (Gitnux, 2023).
Similarmente, para el pilar de la arquitectura envase-precio, una empresa de bienes de
consumo masivo debería analizar los KPIs de: margen por envase, la participación en
las ventas de cada tipo de envase, el valor percibido por el cliente, tasa de adopción de
un envase nuevo y la satisfacción del cliente, entre otros KPIs (Teau, 2015).
Para el pilar de la gestión del mix de producto y canales de distribución, la empresa
podría analizar los KPIs de: la tasa de ventas de los SKUs en cada canal de venta, la
distribución ponderada de los SKUs en cada canal de venta y la participación de
mercado de la empresa por categoría entre otros KPIs (Lopez, 2023).
Para el pilar de la gestión de la promoción, se podrían analizar los KPIs de: retorno de
inversión en las promociones, incremento de ventas gracias a las promociones, aumento
de la penetración del mercado gracias a las promociones, aumento de las transacciones
durante el período promocional, entre otros (García Castillo et. al, 2020).
Finalmente, para el pilar de la gestión de las condiciones comerciales, los KPIs a
analizar podrían ser: eficiencia de las condiciones comerciales, la participación del
mercado de la empresa, incremento en volumen de ventas y el costo de condiciones
comerciales, entre otros KPIs (Spider Strategies, 2022).
Capacidades
Por último, la capacidad de Revenue Growth Management es como un músculo que
debe entrenarse constantemente para rendir al máximo. Así, los equipos de RGM deben

30
recibir formación constante sobre las mejores metodologías, prácticas y herramientas
de esta disciplina (Messelink et. al, 2017).
2.2.4 La capacidad de Revenue Growth Management como fuente de la ventaja
competitiva sostenible en el sector de los bienes de consumo masivo
Para determinar si la capacidad de Revenue Growth Management constituye una fuente
de ventaja competitiva sostenible en la industria de los bienes de consumo masivo, es
necesario analizar el concepto de estrategia empresarial y ventaja competitiva
sostenible.
La teoría de estrategia empresarial Resource-Based View (RBV) se centra en la
identificación y aprovechamiento de los recursos y capacidades únicos de una empresa
para alcanzar una ventaja competitiva (Muñoz M. , 1998). Esta perspectiva resalta la
importancia fundamental de recursos como el conocimiento, habilidades, tecnología y
valor de marca para el desarrollo de una ventaja competitiva.
La capacidad de RGM presenta un enfoque estratégico que busca maximizar los
ingresos y la rentabilidad de la empresa mediante la implementación de diversas
técnicas de diferenciación, como la fijación de precios de la cartera de marcas, la
arquitectura precio-envase, la gestión del mix de productos y canales de distribución, la
gestión promocional y la gestión de términos comerciales (Enz et. al, 2012).
Esencialmente, los procesos de RGM buscan lograr una ventaja competitiva sostenible
mediante la diferenciación de la empresa de sus competidores y el aumento de la
fidelidad de sus clientes, lo que lleva a la maximización del crecimiento de los ingresos
y la rentabilidad de la empresa. Esto, le permitirá a la empresa invertir en innovación,
tecnología y talento para generar valor a largo plazo para los accionistas y otras partes
interesadas, lo cual le permitirá sustentar la ventaja competitiva en el tiempo (Enz et. al,
2012).
Así, la conexión entre la capacidad de RGM y la teoría RBV radica en que la capacidad
de RGM surge como una consecuencia directa de seguir la dirección estratégica
propuesta por RBV. Al identificar y aprovechar los recursos y capacidades únicos, como
las personas, procesos, herramientas y capacidades, las empresas pueden implementar
exitosas iniciativas de RGM, logrando un crecimiento sostenible de sus ingresos y
rentabilidad (Messelink et. al, 2017). Esto, las distinguirá de la competencia y les
brindará una ventaja competitiva sostenible como consecuencia de una propuesta de
valor superior.
En este sentido, RGM implica la optimización de recursos clave de la empresa, como el
análisis de datos, las ventas, el marketing, las finanzas, la cadena de suministro y las
innovaciones en I+D. Para lograr los resultados deseados de las estrategias de gestión
del crecimiento de los ingresos, la organización requiere elementos facilitadores como
herramientas tecnológicas, programas de desarrollo de capacidades y procesos
organizativos eficientes, así como empleados competentes con un amplio conocimiento
de los factores que afectan las decisiones relacionadas con el crecimiento de los
ingresos (Messelink et. al, 2017).
Por lo tanto, para que las estrategias de RGM tengan éxito se necesitan equipos que
trabajen de forma transversal en toda la organización para sindicar ideas en torno a su
aplicación efectiva (Finnegan et al., 2022).
En conclusión, las prácticas de RGM son el resultado de aplicar la trayectoria estratégica
propuesta por la teoría de estrategia empresarial RBV. Una empresa utiliza sus recursos

31
y capacidades únicos para impulsar el crecimiento de los ingresos con el objetivo de
obtener una ventaja competitiva sostenible. El éxito de RGM requiere un profundo
conocimiento de los recursos y capacidades únicos de la empresa, lo que implica
identificar y aprovechar los recursos y capacidades clave para crear una propuesta de
valor diferenciada para los clientes. Consecuentemente, la empresa debe conocer a
fondo sus recursos internos y las condiciones externas del mercado.
Así, siguiendo el marco analítico de VRIO que ofrece el planteamiento estratégico de la
teoría RBV, la capacidad RGM puede ser clasificada como una capacidad VRIO, ya que
es una fuente de una ventaja competitiva sostenible en el tiempo. Tal y como se justifica
en la siguiente tabla, dado que RGM es una capacidad valiosa, rara, inimitable y
organizada, puede ser considerada como una fuente de la ventaja competitiva
sostenible en la industria de los bienes de consumo masivo.
Tabla 3. VRIO Análisis de la capacidad de Revenue Growth Management. (Fuente: Elaboración Propia)

VRIO Capacidad de RGM Justificación

Valiosa Sí La capacidad de RGM es valiosa para la empresa, ya que le permite obtener más ingresos y
beneficios mediante la optimización de los precios, la combinación de productos y las actividades
promocionales.
Rara Sí La capacidad de RGM es poco frecuente, ya que para que tenga éxito, la empresa debe poseer
un profundo conocimiento de las necesidades y preferencias de los clientes, la dinámica del
mercado y las capacidades y recursos internos. Esto es algo que no todas las empresas son
capaces de poseer.
Sí La capacidad de RGM puede ser inimitable porque es una capacidad de naturaleza compleja.
Inimitable Para que sea eficaz, ha de basarse en un superior análisis de datos, investigación de mercado,
estrategias de fijación de precios y procesos organizativos. Esto es difícil de reproducir por otras
empresas y también requiere tiempo para ser desarrollado y perfeccionado.
Organizado Sí La capacidad de RGM se basa en una rutina organizativa superior, ya que requiere una gestión
eficaz de los recursos, procesos y personas de la empresa. El éxito de las estrategias de RGM se
basa en una colaboración interfuncional eficaz, ya que la capacidad debe incorporarse a la
estrategia y la cultura generales de la empresa.

2.3. Marco Teórico sobre la necesidad de datos para aumentar la utilidad de los
procesos de RGM
Hoy en día, las empresas de bienes de consumo masivo generan enormes cantidades
de datos gracias a los numerosos puntos de contacto existentes con el consumidor.
Así, Peter Sondergaard destaca la importancia de los datos para las organizaciones,
afirmando que “la información es el petróleo del siglo XXI, y la analítica es el motor de
combustión”.
Como se ha descrito en la sección 2.4.1, las empresas de bienes de consumo masivo
se están enfrentando a numerosos retos en su intento de lograr un crecimiento
estratégico. Debido a la gran complejidad del panorama competitivo, muchas empresas
de gran consumo carecen de un sistema unificado de toma de decisiones para algunas
áreas clave como las promociones, la fijación de los precios, la gestión del miz de
producto y canales de distribución.
De este modo, la posesión de unas recomendaciones precisas y basadas en datos
reales son cruciales para el desarrollo de exitosas técnicas de RGM. Para ello, la
integración de datos procedentes de diversas fuentes internas y externas es
extremadamente importante.
Para tomar decisiones informadas sobre la fijación de los precios, promociones, gestión
del surtido, predicción de la demanda y análisis de las tendencias del mercado, en
primer lugar, las empresas deben poseer un lago de datos que contenga fuentes de
datos internas y externas (Stedman, 2021).

32
Algunos ejemplos de fuentes de datos internas podrían ser los datos de ventas, de
clientes, de productos, de promociones, de precios y de finanzas, mientras que algunos
ejemplos de fuentes de datos externas harían referencia a los datos procedentes de los
estudios de mercado, informes del sector, datos de la competencia, datos de tendencias
de consumo y datos demográficos (Iniesta Bonilla et. al, 2001).
Una vez que la empresa posee un lago de datos adecuado, que contiene el máximo
número de los factores que afectan a su posición competitiva en el mercado, entonces
es necesario realizar el análisis de datos.
El proceso del análisis de datos se centra en los procesos de integración y
procesamiento de datos, tareas que, son necesarias para poder extraer la información
clave de los datos (Rodríguez Sánchez, 2014). De este modo, los datos son integrados
y consolidados a partir de las fuentes internas y externas y, posteriormente, preparados
para ser usados por los analistas de RGM como resultado de varios procesos analíticos
como la limpieza de datos, la transformación de datos, el análisis estadístico y el
modelado predictivo para asegurarse de que los datos son correctos (Peña, 2017).
Una vez ha finalizado la fase del análisis de datos, se pueden llevar a cabo análisis de
RGM de gran precisión, siendo basados en datos que mejor describen la realidad del
mercado de la empresa. Así, los analistas pueden tomar decisiones informadas acerca
de las cuestiones estratégicas sobre la fijación de precios, optimización del surtido de
productos, planificación promocional y oportunidades de expansión en el mercado
(Catena, Land, Reynders, & Zizioli, 2021).
Además, también se puede realizar un seguimiento eficaz del rendimiento, ya que se
consigue una supervisión y evaluación eficientes del rendimiento de las estrategias
aplicadas gracias a métricas basadas en datos e indicadores clave de rendimiento (KPI)
(Catena, Land, Reynders, & Zizioli, 2021).
Asimismo, se mejora la capacidad de previsión y análisis predictivo de la empresa, ya
que la combinación de datos históricos y técnicas de análisis avanzado permite prever
la demanda futura, anticiparse a las tendencias del mercado y optimizar la asignación
de recursos.
Figura 8. El rol de la analítica avanzada en los procesos de RGM. (Fuente: Elaboración Propia)

2.3.1 Argumentación de como el uso de IA puede potenciar los procesos de RGM

acerca de la fijación de los precios y de las promociones
El uso de la inteligencia artificial (IA) puede mejorar sustancialmente la toma de
decisiones estratégicas acerca de los cinco pilares de RGM en la industria de bienes de
consumo masivo, ya que los procesos basados en IA son capaces de procesar y analizar
miles de datos en tiempo real, lo cual, permite a las empresas tomar decisiones
oportunas e informadas (Bandari, 2019). Esto es especialmente útil en la industria de
bienes de consumo masivo, ya que es un mercado en constante evolución y cambio
debido a las dinámicas preferencias de los consumidores. Por lo tanto, exitosas

33
iniciativas de RGM en este sector dependen en gran medida de la capacidad que tienen
las empresas de responder rápidamente a las cambiantes tendencias del mercado, las
actividades de la competencia y los cambios en el comportamiento de los consumidores.
De tal modo, la IA puede servir como una solución ante este reto, ya que permite a las
empresas de bienes de consumo aprovechar las técnicas analíticas avanzadas para
obtener una visión más profunda del comportamiento de los clientes, la dinámica del
mercado y los patrones de ventas (Bandari, 2019). Al analizar grandes volúmenes de
datos, los algoritmos de IA pueden identificar patrones ocultos, correlaciones y
tendencias que no siempre son evidentes a través de los métodos analíticos
tradicionales (Ranney Martínez, 2019). Haciendo, que las empresas de bienes de
consumo pueden tomar decisiones más informadas sobre precios, promociones y la
optimización del surtido.
Así, con el fin de obtener el máximo valor de las decisiones de precios, las empresas
del sector de bienes de consumo pueden emplear algoritmos de inteligencia artificial
para obtener análisis detallados sobre la dinámica de precios y recibir recomendaciones
acerca de los puntos de precio óptimos. Estas recomendaciones se basan en factores
como la segmentación de clientes, los precios de la competencia, los modelos de
elasticidad y los objetivos de rentabilidad (Johnson et. al, 2019). De esta manera, al
aprovechar la optimización de precios impulsada por la IA, las empresas de bienes de
consumo pueden establecer precios que maximicen los ingresos y los márgenes, sin
dejar de ser competitivas en el mercado. Mediante el uso de algoritmos de IA, las
empresas pueden tomar decisiones de precios más informadas y eficientes, lo que les
brinda una ventaja competitiva en el dinámico entorno del sector de bienes de consumo
(Chakraborty, 2020).
Del mismo modo, para aumentar la eficacia de las promociones, las empresas de bienes
de consumo pueden confiar en la IA para ayudar a evaluar la eficiencia de las
promociones mediante el análisis de diversos factores como el retorno de la inversión
en promoción, el tipo de promoción, la duración, el momento temporal, la respuesta del
cliente y el impacto en las ventas (Villano & Kasinarasimhan, 2022). Mediante algoritmos
de aprendizaje automático, las empresas de bienes de consumo pueden evaluar el
rendimiento de promociones anteriores y simular diferentes escenarios promocionales
para identificar las estrategias promocionales más eficaces (Soguero Ruiz, 2012). Esto
ayuda a asignar los presupuestos promocionales de forma eficiente y a maximizar el
retorno de la inversión (ROI)
Asimismo, la IA permite a las empresas de bienes de consumo realizar microtargeting
aumentando la personalización de sus ofertas gracias a los datos de los clientes y a los
algoritmos de aprendizaje automático (Zia, 2023). Esta es una funcionalidad muy
poderosa y con mucho potencial del aprendizaje automático, pues al comprender las
preferencias individuales de los clientes, su historial de compras y su comportamiento,
la IA puede ayudar a las empresas de bienes de consumo a adaptar las promociones,
recomendaciones y ofertas de productos a segmentos específicos de clientes,
maximizando las ventas y los beneficios de las empresas. Con este nivel de
personalización, la empresa puede mejorar el compromiso y la fidelidad de los clientes
con su producto, maximizando el crecimiento de su negocio e ingresos Catena, Land,
Reynders, & Zizioli, 2021).
Por lo tanto, aprovechando el poder de la IA, las empresas de bienes de consumo
pueden mejorar su toma de decisiones de RGM, cosa que resultaría en estrategias de
precios más eficaces, promociones optimizadas, mejorada previsión de la demanda y

34
 experiencias de cliente personalizadas. La IA permite a las empresas aprovechar todo
el conocimiento que se pueda extraer de los datos, automatizar los procesos de
optimización complejos y responder rápidamente a las dinámicas del mercado, lo cual,
se traduce en un mayor crecimiento de los ingresos y la obtención de una ventaja
competitiva.
Descomposición de la IA
Para entender como todo esto puede ser logrado con el uso de la inteligencia artificial,
primero vamos a estudiar este concepto y todo lo que lo constituye.
El concepto de la Inteligencia Artificial hace referencia al desarrollo de sistemas
informáticos capaces de realizar tareas que normalmente requerirían inteligencia
humana. Se centra en la creación de máquinas inteligentes capaces de imitar o replicar
las capacidades cognitivas humanas, como el aprendizaje, el razonamiento, la
resolución de problemas, la percepción y la comprensión del lenguaje (Ertel, 2017). Por
tanto, la IA es un campo amplio que abarca desde la robótica, la visión por ordenador y
las redes neuronales hasta el aprendizaje automático.
Figura 9. Composición de la IA. (Fuente: Elaboración Propia)
Como puede verse en la figura 9, el aprendizaje
automático y el aprendizaje profundo son dos
subconjuntos de la inteligencia artificial. Así, el
aprendizaje automático y el aprendizaje profundo
representan dos diferentes enfoques dentro del campo
de la inteligencia artificial.
Por un lado, el aprendizaje automático es un
subconjunto de la IA que hace referencia al desarrollo
de algoritmos y modelos que permiten a los
ordenadores aprender de los datos y hacer
predicciones y/o emprender acciones sin la necesidad
de ser explícitamente programados. Así, los algoritmos del aprendizaje automático son
creados para la resolución de problemas y se basan en el aprendizaje de patrones y
relaciones extraídas a partir de los datos de entrenamiento, siendo después empleados
para realizar predicciones sobre los nuevos datos de mercado no vistos, llevando a la
toma de decisiones informadas (Zhou, 2021).
Por otro lado, el aprendizaje profundo es un subconjunto del aprendizaje automático que
se centra en redes neuronales con múltiples capas. Los algoritmos de aprendizaje
profundo se inspiran en la estructura y el funcionamiento del cerebro humano y son
especialmente eficaces en tareas que requieren el reconocimiento de patrones
complejos y la extracción de características a partir de grandes cantidades de datos.
Como resultado, el aprendizaje profundo ha logrado avances significativos en áreas
como el reconocimiento de imágenes, el reconocimiento del habla, el procesamiento del
lenguaje natural y los sistemas autónomos (LeCun, 2015).
Así, aunque, tal y como se puede observar en la figura X, el aprendizaje profundo es un
subconjunto del aprendizaje automático, no todas las técnicas de aprendizaje
automático son aprendizaje profundo. El aprendizaje automático abarca una gama más
amplia de algoritmos y enfoques que van más allá de las redes neuronales profundas.
Otras técnicas de aprendizaje automático son los árboles de decisión, las máquinas de
vectores de soporte, los bosques aleatorios y las redes bayesianas, entre otras
(Wankhede, 2022).

35
En resumen, el aprendizaje profundo es una rama especializada del aprendizaje
automático que se centra en las redes neuronales profundas, pero el aprendizaje
automático abarca un conjunto más amplio de algoritmos y técnicas para permitir que
las máquinas aprendan de los datos y tomen decisiones o predicciones inteligentes
(Wankhede, 2022).
Así, los algoritmos del aprendizaje automático se utilizan actualmente en el campo de la
fijación de precios y pueden ayudar a responder las decisiones clave sobre los precios
(Hanke, 2022).
Dado que el aprendizaje automático es capaz de desarrollar algoritmos y modelos
matemáticos que pueden aprender de datos complejos y hacer predicciones basadas
en ellos, el aprendizaje automático puede ayudar a determinar el precio óptimo de los
productos de gran consumo considerando tales factores como los precios de la
competencia, la elasticidad de la demanda, las preferencias de los clientes y los costes
de producción (Thirumuruganathan et. al, 2023). Estos algoritmos pueden analizar
grandes cantidades de datos para identificar los puntos de precio que maximizan el
volumen de ventas, los ingresos o los márgenes de beneficio, dependiendo de los
objetivos empresariales perseguidos.
Del mismo modo, los algoritmos del aprendizaje automático pueden ser empelados para
la evaluación de la eficacia de las promociones, identificando las promociones más
exitosas mediante el análisis de datos promocionales históricos y su impacto en las
ventas. Así, el aprendizaje automático puede ayudar a las empresas de bienes de
consumo a optimizar sus futuras promociones (Chauhan, 2023).
En conclusión, el aprendizaje automático permite a las empresas de bienes de consumo
aplicar estrategias de precios y promociones dinámicas que ajustan los precios de los
productos en tiempo real en función de tales factores como las fluctuaciones de la
demanda, los precios de la competencia, las condiciones del mercado y los niveles de
inventario.
Utilidad de la analítica avanzada en la fijación de precios
En cuanto a la tarea de la fijación de precios, hay dos retos importantes en este campo,
para los cuales el aprendizaje automático puede ser de utilidad.
Uno de ellos es la tarea de la estimación de la demanda, es decir, el proceso de estimar
la demanda futura de un producto o servicio, que implica el análisis de datos históricos,
tendencias del mercado, comportamiento de los consumidores y otros factores
relevantes, para realizar predicciones sobre la cantidad o el nivel de demanda esperado
en el futuro si se llevase a cabo una modificación en el precio del producto, el portafolio
de productos de la empresa, las promociones o la arquitectura de envase (Johnson
Ferreira et. al, 2016). Por tanto, la tarea de la estimación de la demanda hace referencia
a la comprensión de cómo reaccionarían los consumidores ante un cambio en la oferta
de la empresa.
Otro reto para una óptima fijación de precios es el proceso de la optimización de la
oferta, es decir, una vez es conocida la potencial reacción de la demanda a un cambio
en la oferta de la empresa, es necesario determinar cuál es la oferta, los precios o las
promociones más efectivas y rentables para atraer y retener a los clientes, logrando así,
la maximización de los resultados empresariales esperados (García-Calderón Chávez,
2017). Por tanto, el objetivo del proceso de la optimización de la oferta es encontrar el
equilibrio adecuado entre incentivar a los clientes a comprar el producto y garantizar la
rentabilidad y sostenibilidad de la empresa. Se busca la identificación de las ofertas más

36
 atractivas y convincentes que resuenen en el mercado objetivo, impulsen la captación y
retención de clientes y generen los resultados empresariales deseados.
No obstante, para los ámbitos de la fijación de precios, las promociones y RGM en
general, el desafío de la estimación de la demanda resulta ser relativamente más
complicado que el de la optimización de la oferta (Reinhardt, 2023). Pues, para entender
cómo reaccionará la demanda ante un cambio en la arquitectura de envase, los precios,
las promociones o el portafolio de productos, es necesario conocer un elevado número
de factores como la estacionalidad, el comportamiento futuro de los consumidores, las
tendencias del mercado, las dinámicas de los competidores, entre otros, los cuales, a
su vez, pueden verse influidos por diversos factores externos, como las condiciones
económicas, la competencia y los acontecimientos inesperados, así es que, para
realizar una adecuada estimación de la demanda es necesario tratar con una elevada
cantidad de datos que mejor describan la realidad del mercado de la empresa
(Reinhardt, 2023).
Por el contrario, la optimización de la oferta es un reto relativamente más sencillo, ya
que puede resultar siendo fácil si el portafolio de productos de la empresa está
compuesto por un solo producto. Pues, dado que la tarea de la estimación de la
demanda ya está resulta, la optimización de la oferta sólo consistiría en encontrar el
precio, el envase o la promoción óptimos para maximizar los beneficios, sin tener que
tratar con muchas variables complejas.
Sin embargo, la optimización de la oferta se complica a medida que aumenta el número
de productos de la cartera y la empresa trata de dirigirse a diversos segmentos de
clientes (Reinhardt, 2023). En este caso, resulta necesaria la incorporación de varias
variables de fuente externa e interna. Entonces, la optimización de la oferta se convierte
en una tarea más compleja.
Para llevar a cabo la tarea de la estimación de la demanda, una de las técnicas más
empleadas consiste en realizar el ejercicio de agrupación o “clustering” para identificar
a los productos del portafolio de la empresa con características similares, como la
elasticidad precio-demanda, desempeñando, después, una regresión estadística para
comprender la relación entre la demanda y el precio (Kayış, 2020).
Figura 10. Técnica estadística de "clustering" o agrupación de productos
con similar sensibilidad al precio Tal y como se presenta en la figura 10, la
agrupación de productos es un método
utilizado para clasificar productos similares en
grupos o “clusters” específicos en función de
sus características únicas, atributos u otros
factores relevantes. De este modo, el objetivo
de la agrupación de productos es identificar
patrones y relaciones significativas entre
productos, cosa que, permitiría a las empresas
comprender las preferencias de los clientes,
las dinámicas del mercado, así como las
realidades acerca de su propio portafolio.
Cuando los productos son agrupados en varias
categorías según sus características
específicas, la empresa mide la elasticidad
precio-demanda de estos productos dentro de

37
 cada una de estas agrupaciones utilizando varios modelos de regresión u otros métodos
estadísticos (Kayış, 2020).
Por lo tanto, si una empresa presenta un gran portafolio compuesto por diversos
productos pertenecientes a distintas categorías, lo que se suele hacer es llevar a cabo
una agrupación de dichos productos para realizar una regresión estadística tratando de
determinar su elasticidad precio-demanda.
Es importante señalar que estas técnicas estadísticas que, a través del análisis de los
datos históricos, realizan predicciones sobre la futura demanda de los productos, son
complicadas de emplear. Estas técnicas incluyen computaciones complejas con el
análisis de series temporales, el análisis de regresión, las medias móviles, el suavizado
exponencial, entre otros cálculos (Liu et. al, 2023). Así, estos métodos tienen en cuenta
patrones históricos, tendencias y estacionalidad para predecir la futura demanda del
producto.
No obstante, si con métodos estadísticos tradicionales como el método de los mínimos
cuadrados podemos realizar un adecuado análisis de regresión encontrando la relación
entre la demanda esperada y las variaciones del precio, ¿por qué necesitamos emplear
el aprendizaje automático para la tarea de la estimación de la demanda?
Esta es una pregunta válida dado que durante años los analistas de precios empelaron
los métodos de la estadística clásica para la toma de las decisiones de precios, ya que
con estas técnicas es posible conseguir el mejor ajuste de los datos a la realidad del
mercado, esto es, la relación más precisa entre la demanda esperada (variable
dependiente) y el precio (variable independiente), consiguiendo así el menor error global
entre la demanda real y la demanda prevista.
Figura 11. Comparación del enfoque de la Estadística
Sin embargo, tal y como muestra la figura 11, la
Clásica y el Aprendizaje Automático. (Fuente: Elaboración
Propia) diferencia entre el enfoque ofrecido por el aprendizaje
automático y los métodos estadísticos tradicionales
radica en que los métodos estadísticos clásicos se
basan en la definición de un modelo y la validación
de hipótesis utilizando una muestra de datos mientras
que el aprendizaje automático se basa en la
recopilación de datos relevantes y construye un
modelo basado en esos datos (Ley et. al, 2021) El
enfoque estadístico tradicional simplifica los datos y
se basa en supuestos restrictivos, como la
distribución normal, el tamaño de la muestra, la homogeneidad de varianzas o la
linealidad, cosa que puede suponer problemas cuando estos supuestos restrictivos no
se cumplen y no son capaces de reflejar la realidad (Ley et. al, 2021). Así, muchos
análisis basados en la estadística clásica se basan en la inferencia sobre una muestra
de datos y no la totalidad de los datos debido a la complejidad que ello supone. El
siguiente cuadro presenta un caso hipotético de un proceso analítico basado en la
estadística clásica para la tarea de la fijación de precios.
Modelo definido: La elasticidad precio-demanda que supone el modelo es igual a -1

Hipótesis: si el precio aumenta un 10%, el volumen de ventas disminuirá un 10%

Validación/Rechazo de la Hipótesis: Uso de la muestra elegida para comprobar el cumplimiento de la hipótesis

38
 Así es que, para la toma de decesiones de la fijación de precios, muchas veces se
emplea un modelo estadístico básico de elasticidad de la demanda que se basa en una
regresión de algunos datos históricos, así como la comprensión del mercado y de los
clientes que tiene la compañía (Hanke, 2023). Posteriormente, la hipótesis propuesta es
comprobada utilizando la muestra definida.
Consecuentemente, para trabajar de este modo, la realidad ha de ser simplificada con
varios supuestos muy restrictivos. En el caso de que todos dichos supuestos restrictivos
sean válidos y reflejen la realidad, entonces el enfoque de la estadística clásica resulta
siendo útil y adecuado para apoyar las decisiones de la fijación de precios. Sin embargo,
cuando alguno de estos supuestos no se cumple, como por ejemplo el supuesto
tradicional de que el comportamiento del consumidor sigue una distribución normal,
estos modelos estadísticos clásicos dejan de ser útiles para la toma de decisiones
estratégicas en el panorama competitivo actual caracterizado por una creciente
complejidad (Ley et. al, 2021).

En cambio, el enfoque ofrecido por el aprendizaje automático no parte de un modelo

predefinido y funciona bien con grandes conjuntos de datos, así el aprendizaje
automático no fija supuestos restrictivos, sino que construye un modelo basado en los
datos que se le proporcionan (Ley et. al, 2021). Consecuentemente, los algoritmos del
aprendizaje automático permiten comprender mejor las reacciones de los consumidores
ante cambios de precios, pues el aprendizaje automático es especialmente útil en
escenarios con muchos productos y cambios de precios constantes (Reinhardt, 2023).
Mientras que los métodos tradicionales de fijación de precios pueden no siempre son
adecuados para la toma de decisiones precisas debido a la complejidad de la elasticidad
precio-demanda, el aprendizaje automático ofrece la capacidad de analizar grandes
conjuntos de datos y extraer conclusiones basadas en ellos.
Muchos de los enfoques estadísticos tradicionales no son adecuados para ayudar en la
toma de decisiones de fijación de precios, porque en el análisis de la regresión suelen
buscar el valor de la elasticidad precio-demanda de sus productos, para después
agrupar los productos que presenten una sensibilidad al precio similar. En la realidad, el
concepto de la elasticidad precio-demanda no es constante y puede cambiar con el
tiempo, por lo que la agrupación de productos basada únicamente en un único valor de
elasticidad puede simplificar en exceso la complejidad de los patrones de demanda y
potencialmente conducir a resultados menos precisos (Baier, 2022).
Figura 12. Cambiante Elasticidad precio-ventas a Si tras el análisis de la regresión se obtiene que la elasticidad
lo largo de la curva de la demanda. (Fuente:
Buynomics Webinar Series, 2022) precio-demanda de un producto es igual a “-2”, siendo este el
valor usado para la toma de decisiones acerca de la fijación de
precios, dicho enfoque sería estructuralmente incorrecto, pues la
agrupación de productos basada únicamente en un valor de
elasticidad específico como “-2” no puede captar la verdadera
dinámica de las relaciones precio-demanda. Dicho valor de la
elasticidad se encuentra en constante cambio en función de una
gran variedad de factores que afectan al comportamiento del
consumidor.
Tal y como podemos observar en la figura 12, la elasticidad precio-
demanda es diferente en cada punto de la función de la demanda (Fibich et. al, 2005).
Así, si afirmamos que el producto o una agrupación de productos presenta una
elasticidad precio-demanda de -2, esta afirmación es solo es cierta en el punto A. Pues,

39
si aumentamos el precio de dicho producto o agrupación de productos en un 10%, su
elasticidad precio-demanda pasará a ser igual a -2,7 y no -2. Por lo tanto, a lo largo de
toda la función de la demanda, la elasticidad precio-demanda puede variar de 0 a menos
infinito, haciendo que la determinación de una elasticidad precio-demanda específica
tenga una utilidad limitada, ya que ésta cambiará con cualquier variación en el precio de
los competidores, horizonte temporal, diferenciación del producto y el ciclo de vida del
producto (Baier, 2022).
Por tanto, para crear agrupaciones de productos significativas basadas en las relaciones
precio-demanda, es importante tener en cuenta un conjunto más amplio de factores que
influyen en la elasticidad, como las condiciones del mercado, los segmentos de clientes,
las características de los productos y la dinámica temporal. Así, las empresas podrán
comprender mejor los factores subyacentes de la demanda a la que se enfrentan, así
como las distintas sensibilidades a los cambios de precio que podrían llevar a cabo.
Para conseguirlo, se pueden aplicar las técnicas de aprendizaje automático, que
emplean los modelos de regresión, los árboles de decisión y las redes neuronales,
siendo capaces de analizar grandes conjuntos de datos e identificar patrones complejos
que influyen en la demanda. Utilizando enfoques basados en datos, las organizaciones
pueden aprovechar algoritmos avanzados para mejorar la precisión de la estimación de
la demanda, pues con la capacidad de analíticamente procesar grandes conjuntos de
datos, las empresas pueden reflejar la realidad de forma más precisa (Ley et. al, 2021).
La aplicación de técnicas de aprendizaje automático, como los algoritmos de
agrupación, ofrece la posibilidad de realizar análisis más exhaustivos de la agrupación
de productos según la elasticidad precio-demanda. Estos algoritmos son capaces de
identificar patrones significativos y agrupaciones de productos utilizando múltiples
variables, incluyendo las relaciones entre el precio y la demanda, mediante el análisis
continuo de los datos. Esto permite a las empresas adaptar sus estrategias de fijación
de precios a la dinámica cambiante del mercado y tomar decisiones más informadas
(Dearth, 2023).
Al emplear técnicas de aprendizaje automático, las empresas pueden incorporar una
serie de características relevantes en sus procesos analíticos. Esto incluye considerar
múltiples dimensiones del comportamiento de la demanda y la heterogeneidad dentro
del mercado, lo cual resulta más complejo de lograr con los métodos de la estadística
clásica. Mediante la reevaluación constante de las agrupaciones de productos y la
elasticidad, las empresas pueden obtener una visión más completa y precisa de cómo
los consumidores responden a los cambios en los precios.
En resumen, el uso de técnicas de aprendizaje automático, como los algoritmos de
agrupación, brinda a las empresas la capacidad de realizar análisis más sofisticados en
relación con la agrupación de productos y la elasticidad precio-demanda. Esto les
permite ajustar sus estrategias de fijación de precios de manera más efectiva,
considerando múltiples variables y teniendo en cuenta la complejidad del
comportamiento de la demanda en el mercado.

3. MARCO PRÁCTICO
3.1 Propuesta de análisis para la eficiente optimización del surtido
En esta sección se presentará una propuesta de análisis para la toma de decisiones
acerca de la gestión del mix de producto y de canales de distribución para evitar las
ineficiencias en este pilar de Revenue Growth Management. Tal y como se comentó en
la sección 2.4.1, debido a la alta complejidad de la cartera y a la canibalización, la regla

40
 de oro de la industria de bienes de consumo masivo es que el 20% de los artículos
siempre acaban diluyendo los márgenes de las empresas.
Las empresas de bienes de consumo masivo se enfrentan a importantes dificultades a
la hora de tomar decisiones sobre su mix de producto y de canales de distribución debido
al elevado número de SKUs que poseen en sus carteras, así como a la compleja
naturaleza del mercado en que compiten, el cual, es caracterizado por las cambiantes
preferencias de los consumidores.
Esto resulta en la posesión de un elevado número de SKUs que no brindan ingresos a
las empresas. Como solución, a continuación, se explica un modelo de análisis para
realizar una optimización de los SKUs de las empresas, estudiando qué SKU deberían
ser mantenidos en la cartera de producto de la empresa y cuáles de ellos deberían ser
revisados detenidamente por la dirección superior y considerados para una potencial
eliminación del surtido y/o canal de distribución. De este modo, plantearemos
3.1.1 Objetivos, marco y resultados del análisis
El objetivo del propuesto análisis de optimización de SKUs es ayudar a mejorar la toma
de decisiones sobre el surtido de productos. El planteamiento de este análisis es tomar
las decisiones estratégicas acerca del surtido de productos de la empresa, basándose
en datos e información relevante para determinar qué SKUs y canales de distribución
son los mejores para el crecimiento del negocio de la empresa.
En este caso, trabajaremos con unos datos hipotéticos procedentes del segmento de
refrescos con gas dentro de la industria de bienes de consumo masivo en Estados
Unidos. No obstante, una empresa de este sector podría llevar a cabo dicho análisis
usando datos procedentes de auditorías minoristas, tales como Nielsen o IRI.
Tal y como se puede observar en la figura 13, el marco analítico del análisis se basa en
determinar cuáles son los SKUs que requieren más inversión, así como cuáles de ellos
deberían ser considerados para una posible eliminación en cada canal de venta. Para
esto, se analizarán dos métricas clave: la distribución ponderada de los SKUs en cada
canal de venta y su nivel de demanda, es decir, la tasa de ventas de los SKUs.
Así, según su rendimiento en términos de la distribución ponderada y la tasa de ventas,
todos los SKUs de la cartera de la empresa serán agrupados en 4 cuadrantes: SKUs
“Bellas Durmientes”, “SKUs Éxito”, “SKUs Incapacitados” y “SKUs Debilitadores” (figura
13).
Figura 13. Propuesta para el análisis de la optimización del surtido.
(Fuente: Elaboración Propia) De este modo, los SKUs del primer cuadrante, los
cuales, presentan tanto una distribución ponderada
como una tasa de ventas elevadas son
considerados los "SKUs de éxito" o "blockbusters"
en inglés. Estos SKUs son extremadamente
exitosos en el canal de ventas analizado, pues
generan una cantidad significativa de ingresos para
la empresa. Como consecuencia de presentar una
distribución ponderada alta, tales SKUs tienen una
alta penetración en el mercado y cobertura de
distribución al ser vendidos en muchas tiendas de
gran importancia para la categoría en cuestión. Del
mismo modo, estos SKUs tienen un impacto
significativo en el mercado al ser vendidos a una
gran velocidad como consecuencia de presentar

41
una alta tasa de ventas. Así, la estrategia para SKUs con estas características sería
mantener la posición actual en el canal de venta analizado o incluso aumentar aún más
el nivel de distribución en el mismo si existe tal posibilidad dadas las condiciones
comerciales con los minoristas.
Los SKUs del segundo cuadrante, los cuales, presentan una alta tasa de ventas, pero
una distribución ponderada relativamente baja, son denominados los "SKUs bellas
durmientes". Tales SKUs son los que aún no han sido comercializados o promocionados
activamente, pero presentan un gran potencial de éxito si se aumentara su distribución
ponderada en el mercado. En el mundo científico, el término "bellezas durmientes" fue
descrito por primera vez por los investigadores Johan Bollen y Herbert Van de Sompel
en un artículo de 2009 titulado "Sleeping Beauties in Science" (Bellezas durmientes en
la ciencia), en el que analizaban el fenómeno de algunos artículos científicos que pasan
desapercibidos durante décadas pero que, posteriormente, reciben mucha atención y
un gran número de citas. Similar es el caso de estos SKUs con una alta tasa de ventas,
pero una baja distribución en el mercado. Dado que estos productos tienen un alto
impacto y velocidad de ventas, el potencial de desbloquear nuevos ingresos gracias a
una mayor distribución ponderada de estos SKU es sustancial. Por lo tanto, la estrategia
de la gestión de producto y canal de venta para estos SKUs debería consistir en una
negociación de mejores condiciones comerciales para estos productos. Esto es, la
empresa debería negociar con los minoristas el aumento de la distribución de estos
productos para explotar el potencial comercial de estos SKUs.
Los SKUs del tercer cuadrante que presentan tanto una baja tasa de ventas como una
baja distribución ponderada se denominan “SKUs incapacitadas” o “lame ducks” en
inglés. Estos productos claramente están perdiendo sus posiciones competitivas frente
a los demás productos del mercado, no siendo capaces de seguir el ritmo de las
cambiantes condiciones del mercado o de la demanda de los consumidores. Como
resultado, estos productos se caracterizan por una cuota de mercado decreciente y un
bajo índice de ventas. En algunos casos, las empresas pueden intentar revitalizar estos
productos introduciendo cambios en la marca, rediseñándolos o introduciendo nuevas
características o estrategias de marketing para mejor posicionar dichos productos en el
mercado y diferenciarlos de la competencia. Sin embargo, en otros casos, la estrategia
de la gestión de productos y canales de venta más rentable para las empresas es
abandonar estos productos o desinvertir en esta unidad de negocio. En general, los
SKUs con este rendimiento tienden a ser los principales candidatos para la retirada del
mercado o de un canal de venta específico.
Por último, los SKUs del cuarto cuadrante que presentan una baja tasa de ventas, pero
una alta distribución ponderada, se denominan "SKU debilitadores" o "weakening core
SKUs" en inglés. Dado que estos productos presentan una baja tasa de ventas, aunque
son fuertemente distribuidos en el mercado, esto significa que no están rindiendo bien
en el mercado principal o en la categoría para la que fueron diseñados. Por lo tanto,
estos productos no están cumpliendo las expectativas de su mercado objetivo y pueden
estar perdiendo cuota de mercado frente a sus competidores. Tales SKUs suponen un
reto importante para las empresas, pues al presentar una distribución de gran peso,
requieren una inversión comercial elevada, así como unos recursos significativos por
parte de la empresa. Además, son difíciles de revitalizar o reposicionar en el mercado,
ya que no satisfacen las necesidades y preferencias de sus consumidores objetivo.
Como resultado, en algunos casos, las empresas pueden optar por discontinuar estos
productos o abandonar por completo el mercado, especialmente si no pueden competir
eficazmente contra sus competidores. Sin embargo, en otros casos, antes de decidir

42
retirar estos productos del portafolio, las empresas intentan revitalizarlos, logrando
aumentar su tasa de ventas y recuperando, así, su cuota de mercado, logrando que
dichos SKUs vuelvan al nivel de "éxito". De esta manera, la estrategia de gestión de
producto y canal de venta para estos productos consiste en decidir si todavía queda
potencial para devolver estos SKUs al cuadrante de éxito o si es más rentable retirarlos
del mercado.
3.1.2 Métricas
El marco del análisis de la optimización de SKUs se basa en dos métricas, la tasa de
ventas y la distribución ponderada.
La tasa de ventas es una medida de la velocidad a la que se vende un producto, es
decir, evalúa la rapidez a la que se vende un producto en el mercado. En consecuencia,
la tasa de ventas se calcula dividiendo el número de unidades vendidas por la unidad
de tiempo elegida, proporcionando una valiosa información sobre el rendimiento y la
demanda de un producto en el mercado (Nielsen, 2023).
De este modo, esta medida puede ser utilizada para evaluar el éxito del producto en el
mercado, ya que nos indica la rapidez con que lo compran los clientes. Así, evaluando
la tasa de ventas, las empresas pueden comparar el rendimiento de diferentes productos
dentro de su portafolio.
Por tanto, la tasa de ventas es un KPI que puede ser empleado para la toma de
decisiones acerca de la gestión de inventarios, la previsión de la demanda, la fijación de
precios y promociones y, sobre todo, para las decisiones de gestión de producto y canal
de ventas. De este modo, los minoristas y los fabricantes utilizan la tasa de ventas para
tomar decisiones relacionadas con el la asignación de espacio en las estanterías y la
colocación de los productos dentro de una tienda. Consecuentemente, los productos
con una tasa de ventas elevada suelen ser colocados en un espacio de la tienda más
destacado para maximizar su visibilidad y potencial de ventas (Weimar et. al, 2020).
En general, la tasa de ventas es una métrica valiosa que proporciona información sobre
la demanda y el rendimiento de un producto, permitiendo a las empresas tomar
decisiones informadas acerca del inventario, los precios, las promociones y la gestión
de producto y canal de ventas.
La distribución ponderada es una medida de la disponibilidad de un producto en
diferentes tiendas o puntos de venta clave de la categoría (Angotti Guissoni et. al, 2020).
Para calcular la distribución ponderada de un producto, se tiene en cuenta el número de
tiendas en las que está disponible dicho producto, así como la importancia relativa de
esas tiendas para la categoría del producto, ya sea en función de su tamaño o volumen
de ventas (Angotti Guissoni et. al, 2020). Por tanto, la distribución ponderada se utiliza
para evaluar la disponibilidad y el alcance que tiene un producto en diferentes tiendas o
puntos de venta del mercado. Esta medida permite conocer la penetración del producto
en el mercado y la cobertura de la distribución.
Pero, ¿cuál es la diferencia entre la distribución ponderada y la distribución numérica?
Por un lado, la distribución numérica mide la presencia o disponibilidad absoluta de un
producto al calcular el número de tiendas o puntos de venta en los que se vende ese
producto o SKU en particular (Dobrego, 2021). De este modo, la distribución numérica
simplemente cuenta el número de tiendas o puntos de venta que venden el producto,
independientemente de su tamaño, importancia o potencial de ventas dentro de la
categoría (Dobrego, 2021). Como resultado, la distribución numérica proporciona una

43
 comprensión básica de la cobertura de mercado del producto en términos absolutos al
proporcionar el número de ubicaciones en las que dicho producto puede ser encontrado.
En cambio, la distribución ponderada tiene en cuenta la importancia relativa de cada
tienda o punto de venta en función de las ventas totales de la categoría (Angotti Guissoni
et. al, 2020). Así, la distribución ponderada asigna pesos a las distintas tiendas o canales
de venta en función de su potencial de ventas, la cuota de mercado, la importancia
estratégica o el alcance del cliente objetivo. Por lo tanto, la distribución ponderada se
calcula multiplicando la distribución numérica, es decir, la presencia o disponibilidad del
producto en cada tienda por el peso correspondiente de cada tienda, sumando después
los resultados de la multiplicación (Angotti Guissoni et. al, 2020). Como resultado, la
distribución ponderada permite comprender mejor la cobertura de mercado del producto
y su disponibilidad en tiendas de importancia variable.
En la industria de bienes de consumo masivo, la distribución ponderada se presenta
como una métrica de gran valor que ofrece información crucial sobre la cobertura de
distribución de un producto (Dobrego, 2021). Esta métrica permite a las empresas tomar
decisiones informadas en relación con la expansión del mercado, las estrategias de
distribución, la previsión de ventas, el análisis de la competencia y la planificación de
marketing.
3.1.3 Análisis simulado
Para mostrar cómo puede ser realizado en la realidad el análisis de la optimización de
SKUs, utilizaremos un conjunto de datos de 70 marcas con diferentes tamaños de
envase que compiten en la categoría de refrescos con gas en el mercado de EE.UU.
Para el análisis, analizaremos la simulación desde la perspectiva de la empresa de gran
consumo PepsiCo.
De este modo, utilizando la herramienta de inteligencia empresarial Microsoft Power BI,
integraremos los datos de las 70 marcas y realizaremos la representación de los mismos
siguiendo el marco de optimización de SKUs (figura 13). De tal manera, agruparemos
todos los SKUs de las 70 marcas en los cuatro cuadrantes según los valores de la tasa
de ventas y la distribución ponderada de cada SKU. Para llevar a cabo este análisis y
crear un gráfico dinámico analítico, se ha utilizado el lenguaje de expresiones de análisis
de datos (DAX).
Como puede verse en la siguiente captura de pantalla del análisis realizado en Microsoft
Power BI (figura 14), en el eje vertical calculamos la tasa de ventas de los SKUs en un
periodo de 30 días, es decir, dividimos el número total de unidades vendidas por el
periodo de 30 días, obteniendo así la velocidad a la que se están vendiendo estos SKUs
en el mercado.
Figura 14. Captura de Pantalla del Gráfico Dinámico
desarrollado en Power BI. (Fuente: Elaboración Propia) En el eje horizontal, podemos ver la distribución
ponderada para todos los SKUs, la cual, muestra su
disponibilidad en tiendas clave dentro de la categoría.
Asimismo, el tamaño de la burbuja indica las ventas
totales de los SKUs en el mercado global.
Una vez representados todos los SKUs, en el gráfico
podemos claramente observar que, desde la
perspectiva de PepsiCo, el envase de Pepsi de 20
onzas, es decir, el envase de Pepsi de 600 ml, es un
claro SKU “superventas” o “SKUs Éxito” para la

44
 empresa, ya que tiene una alta tasa de ventas de 750 $ y una alta distribución ponderada
del 60%.
Por otro lado, el envase de 12 onzas de 7UP, es decir, el envase de 360 ml de 7UP, está
cerca de ser un "SKU debilitador", ya que su tasa de ventas es relativamente baja en
comparación a los demás SKUs, alrededor de 300 $, y su distribución ponderada es del
20%.
En la captura de la tabla dinámica de
Power BI podemos observar los SKUs que
tienen tanto una baja tasa de ventas como
una baja distribución ponderada y, por
tanto, se encuentran en el cuadrante rojo
de los "SKUs Incapacitados".
En esta simulación específica, el “SKU
Incapacitado”" para PepsiCo es el de 7UP
de 16 oz, es decir, el envase de 475 ml, ya que presenta tanto una baja tasa de ventas,
de sólo 100 $, como una baja distribución ponderada del 5%, viéndose claramente
superado por su competidor directo Sprite 20 oz. De este modo, el SKU 7UP 16 oz
presenta tanto una lenta velocidad de ventas como una débil disponibilidad en las
tiendas más importantes del canal de venta.
Por lo tanto, basándose en los resultados de esta hipotética simulación de optimización
de los SKUs, PepsiCo tendría que reconsiderar su estrategia de la gestión de mix de
producto y canal de venta para el SKU de 7 UP de 16 oz. La empresa podría optar por
eliminar dicho SKU de su portafolio de refrescos con gas o invertir más en este SKU, si
considera que es un tipo de envase importante para su marca de 7 UP, tratando de
cambiar su posicionamiento competitivo, con el objetivo de revitalizar este SKU en el
mercado.
3.2 Demostración de una herramienta de RGM basada en analítica avanzada
Una herramienta de RGM basada en el aprendizaje automático es una herramienta que
aprovecha los algoritmos y las técnicas de aprendizaje automático para optimizar las
decisiones de la fijación de precios, las promociones, la arquitectura de precio-envase y
la gestión de surtido. Esta herramienta utiliza las fuentes de datos tanto internas como
externas y, por tanto, incorpora datos históricos, información de mercado y todas las
demás variables relevantes para generar recomendaciones estratégicas óptimas que
maximicen los ingresos, los beneficios u otros objetivos definidos por la empresa.
Figura 15. Funcionamiento de una herramienta de analítica avanzada de Revenue Growth
Management. (Fuente: Elaboración Propia)
La figura 15 muestra una
representación de cómo funcionaría
el proceso analítico con una
herramienta de este tipo:
Una vez integrados todos los datos
internos y externos necesarios en el
lago de datos, los algoritmos de
aprendizaje automático ejecutarían diferentes escenarios y simulaciones para aprender
los patrones y relaciones que se esconden detrás de los datos, permitiendo a las
empresas tomar decisiones precisas acerca de la fijación de precios u otro pilar de RGM.
A continuación, estos modelos de optimización basados en el aprendizaje automático
serían desplegados como parte de una plataforma de software como servicio (SaaS),

45
en la que los usuarios con acceso al modelo de optimización y sus funcionalidades
asociadas podrían interactuar con la herramienta y tomar decisiones informadas sobre
la fijación de los precios o las promociones al ver el impacto de dichas simulaciones en
las ventas, transacciones, penetración de mercado, la cuota de mercado u otros
indicadores.
Así, la herramienta de RGM basada en el aprendizaje automático podría integrarse en
el entorno de una plataforma unificada y escalable como Microsoft Power BI para
proporcionar funcionalidades y perspectivas adicionales al equipo, permitiendo, de este
modo, la automatización de precios y la capacidad de obtener información importante
en tiempo real.
La figura 16, muestra el planteamiento técnico que hay detrás de dicha herramienta
basada el aprendizaje automático:
Figura 16. Planteamiento técnico detrás de la herramienta de analítica avanzada de Revenue Growth Management.
(Fuente: Elaboración Propia)

En este sentido, el primer paso de esta herramienta es llevar a cabo la recopilación de

datos. Así, la herramienta de RGM recopila y agrega los datos relevantes que sirven de
base para los algoritmos del aprendizaje automático, los cuales, se ocupan de su
posterior análisis. Datos relevantes como los datos históricos de ventas, la información
sobre los consumidores, los atributos de productos, las tendencias del mercado, los
precios de la competencia y otros factores externos son considerados por la
herramienta.
El segundo paso llevado a cabo por la herramienta es el proceso denominado ingeniería
de características. La herramienta RGM realiza la ingeniería de características, en la
que transforma y selecciona las características más informativas de los datos
recopilados para el análisis posterior. De este modo, puede extraer variables como los
datos demográficos de los clientes, el historial de compras, los atributos de los
productos, la dinámica de precios o las condiciones del mercado, en función de la
pregunta de negocio que la empresa esté tratando de resolver.
El tercer paso es el proceso conocido como el entrenamiento del modelo. Mediante
algoritmos de aprendizaje automático, la herramienta RGM entrena modelos predictivos
a partir de los datos históricos. Esta parte del proceso implica dividir los datos en
conjuntos de entrenamiento y validación, seleccionar los algoritmos adecuados, como
regresión, árboles de decisión o redes neuronales, y ajustar los parámetros del modelo
para optimizar el rendimiento.
El siguiente paso es la fase de la optimización de los resultados, que depende de los
objetivos que tenga la empresa. Puede tratarse de la optimización del precio, la
promoción o la arquitectura del envase, entre otros. Una vez entrenados los modelos, la
herramienta de RGM los aplica a los nuevos datos y genera recomendaciones
estratégicas sobre precios, promociones, distribución, etc. Teniendo en cuenta los
diversos factores de la elasticidad de la demanda, los precios de la competencia, la
segmentación de los clientes, el ciclo de vida del producto y las condiciones del mercado
para sugerir puntos de precio, descuentos, promociones o estrategias de fijación de
precios óptimos.
El último paso es la evaluación del rendimiento de la herramienta. Se trata de realizar
una evaluación del rendimiento de las recomendaciones de precios comparándolas con

46
los resultados de ventas reales obtenidos en el mercado. Así, se miden tales parámetros
como los ingresos, los beneficios, la cuota de mercado, la satisfacción del cliente u otros
objetivos definidos para evaluar la eficacia de las decisiones de fijación de precios.

CONCLUSIÓN
La capacidad de Revenue Growth Management es fuente de una ventaja competitiva
sostenible para las empresas de bienes de gran consumo. Dicha capacidad puede
proporcionar una utilidad más elevada si es combinada con la analítica avanzada
basada en los algoritmos de aprendizaje automático.
Tal y como afirma Indra Nooy, “La innovación es lo que abre nuevas oportunidades para
el crecimiento”. En este sentido, las empresas de la industria de bienes de consumo
masivo deben adoptar esta mentalidad en sus procesos de dirección estratégica, con el
objetivo de captar valor y lograr un crecimiento en el mercado, optimizando su surtido
de productos, la fijación de precios y el gasto promocional.

BIBLIOGRAFÍA
Accuris. (2022, Junio 14). RGM BLOG. Retrieved from Revenue Growth Management:
https://www.revenuegrowthmanagement.com/

Aley, G., Bora, L., Marczenko, P., & Poole, R. (2022). Channelling the right strategy for profitability and growth. KPMG.
Álvarez, Á. B., & Vázquez, C. R. (2005). Efectividad de las promociones: evidencias empíricas sobre la relación fidelidad versus
categoría de producto. Revista de Economía y Empresa, 11-28.

Anaplan. (2023, Febrero 27). How to align on an effective product mix strategy. Retrieved from Retail Dive: Retail News and
Trends: https://www.retaildive.com/spons/how-to-align-on-an-effective-product-mix-strategy/643130/

Angotti Guissoni et. al. (2020). Numeric or weighted distribution? The effect of different channel performance metrics on market
share. Journal of Marketing Channels , 1-12.

Baier, S. (2022, Octubre 26). Price Elasticity - the Good, the Bad and the Ugly. Retrieved from Buynomics:
https://www.buynomics.com/articles/price-elasticity-the-good-the-bad-and-the-ugly

Bandari, V. (2019). The Impact of Artificial Intelligence on the Revenue Growth of Small Businesses in Developing Countries: An
Empirical Study. Reviews of Contemporary Business Analytics, 33-44.

Benavides, L., Hollander, M., Lefort, F., & Salguero, J. (2017). CPG manufacturers need a comprehensive strategy for digitization.
McKinsey & Company.

Bickersteth, Seyi, et al. (2016). Fast-Moving Consumer Goods: A Sector Report. KPMG Africa.

Bradbury, J. (2023). The battle to optimise trade terms spend. Retrieved from The Berkeley Partnership:
https://www.berkeleypartnership.com/news-and-insights/insights/the-battle-to-optimise-trade-terms-spend-how-technology-is-
helping-consumer-products-companies-fig

Bright, et al. (2021). Revenue growth management: The time is now. McKinsey & Company.

Brown et. al. (2022). Winning with commercial excellence: Ten lessons for consumer goods. McKinsey & Company.

Brown, N., & Brown, I. (2019). From Digital Business Strategy to Digital Transformation – How? A Systematic Literature Review.
Skukuza: The South African Institute of Computer Scientists and Information Technologists.

Buisán de la Figuera, I. (2016). Private Label on food market. Comparing Spain and Europe. How will be the next 10 years?
Barcelona: Universidad Internacional de Cataluña

Calm. et al. (2013). Apuntes de Estrategia Operacional. División de Publicaciones de la Escuela Superior de Guerra Naval

Camilleri, M. A. (2018). Market Segmentation, Targeting and Positioning. In M. A. Camilleri, In Travel Marketing, Tourism
Economics and the Airline Product (pp. 69-83). Cham, Switzerland: Springer.

47
Carolino Sousa Santos, E. (2018). Brand portfolio strategy and brand architecture: A comparative study. Cogent Business &
Management, 5:1.

Carlotti, S., Coe, M. E., & Perrey, J. (2004). Making brand portfolios work: Brands are proliferating rapidly. Companies must now
bring them under control. McKinsey Quarterly.

Catena, M., Land, S., Reynders, P., & Zizioli, M. (2021). How precision revenue growth management transforms CPG promotions.
McKinsey & Company.

CEPAL. (2021). Tecnologías digitales para un nuevo futuro. Santiago: Naciones Unidas.

Cerem Business School. (2015, Abril 2). Cerem Business School. Retrieved from Cerem Business School:
https://www.cerem.es/blog/a-vueltas-con-el-revenue-growth-management

Chakraborty, D. (2020). The changed game for revenue growth management in CPG. Fractal.

Chapple, et al. . (2021). High growth, low profit: The e-commerce dilemma for CPG companies. McKinsey & Company .

Chauhan, N. S. (2023, Mayo 3). Price Optimisation using Dynamic Pricing and Machine Learning. Retrieved from The A! Dream.
Let us understand Artificial Intelligence: https://www.theaidream.com/post/price-optimisation-using-dynamic-pricing-and-machine-
learning

Chávez et al. (2008). YIELD MANAGEMENT / REVENUE MANAGEMENT. Sevilla: Universidad de Sevilla.

Childs, M. (2020). Revenue Growth Management, a vital step-change in organisation strategy. FMCG Institute.

Chuwiruch, Nasi, et. al. (2015). MARKETING INNOVATION STRATEGY AND MARKETING PERFORMANCE: A CONCEPTUAL
FRAMEWORK. Allied Academies International Conference. Academy of Marketing Studies. Proceedings, (pp. 82-93).

CNMC. (2021, Julio 2). El comercio electrónico marcó un nuevo récord y superó en España los 51.600 millones de euros en
2020, un 5,8% más que el año anterior. Retrieved from Comisión Nacional De Los Mercados y La Competencia:
https://www.cnmc.es/prensa/ecommerce-4T20-20210702

Colón, C. J., Kerekes, B., & Alvarez-Coca Bravo, I. (2016). Strategic Challenges in FMCG and Retail. Minsait.

Cramer, J. (2017). Corporate Social Responisbility and Globalisation: An Act Plan For Business. New York: Routledge.

Davara Rodríguez, F. (2015). Planificación estratégica e inteligencia económica: herramientas de gestión del cambio. Cuadernos
de estrategia IEEE, 189-229.

Davey, K., & Florio, R. (2016). Price Pack Architecture: A Proven Strategy for Sustainable and Profitable Innovation. Chicago:
Information Resources, Inc. (IRI).

Dearth, B. (2023, Febrero 2). Dynamic Pricing in Ecommerce: How it Works. Retrieved from Vaimo:
https://www.vaimo.com/blog/dynamic-pricing-in-ecommerce-how-it-works/

Desvaux, Georges et al. (2009). Beating the recession: Buying into new European consumer strategies . McKinsey & Company.

Dinardo, D. (2021, Agosto 16). Revenue Growth Management: Three Ways To Get Real Time With The Industry Cloud. Retrieved
from Forbes: https://www.forbes.com/sites/forbesbusinesscouncil/2021/08/16/revenue-growth-management-three-ways-to-get-
real-time-with-the-industry-cloud/

Dobrego, D. S. (2021). Analysis of the Relationship between the Sales of Product Categories and their Distribution: case of Procter
& Gamble. St. Petersburg: St. Petersburg State University Graduate School of Management.

Doshi, V., & Noble, S. (2023). Consumers are in fact buying sustainable goods: Highlights from new research. McKinsey &
Company.

Enz et. al. (2012). Strategic Revenue Management and the Role of Competitive Price Shifting. Center for Hospitality Research.

Ertel, W. (2017). Introduction to Artificial Intelligence. Springer International Publishing AG.

48
Fabius, V., Lowrie, J., Magni, M., Murphy, R., & Timelin, B. (2020). How CPG companies can sustain profitable growth in the next
normal. McKinsey & Company

Fibich et. al. (2005). The Dynamics of Price Elasticity of Demand in the Presence of Reference Price Effects. Journal of the
Academy of Marketing Science, 66-78.

Finnegan et. al. (2022). Revenue growth management: Building capabilities to sustain impact. McKinsey & Company.

Fitch Ratings, W. (2022, Agosto 4). FMCG Companies’ Margins Squeezed by Costs, Lower Consumer Spending. Retrieved from
Fitch Ratings: https://www.fitchratings.com/research/corporate-finance/fmcg-companies-margins-squeezed-by-costs-lower-
consumer-spending-04-08-2022

Forbes. (2023, Marzo 22). Los consumidores cada vez valoran más los productos sostenibles, artesanales y de proximidad.
Retrieved from Forbes: https://forbes.es/actualidad/251889/los-consumidores-cada-vez-valoran-mas-los-productos-sostenibles-
artesanales-y-de-proximidad/

Fraj-Andrés, E., Martinez-Salinas, E., & Matute-Vallejo, J. (2009). A multidimensional approach to the influence of environmental
marketing and orientation on the firm’s organizational performance. Journal of Business Ethics, 263-286.

Freedman, L. (2013). Strategy A History. New York: Oxford University Press.

García Castillo et. al. (2020). A Collaborative Assessment of Promotions Performance Using Financial KPIs. In T. e. al, Supply
Chain Management and Logistics in Emerging Markets (pp. 61-87).

García, M. I., & Carricano, M. (2016). Un análisis de las promociones de ventas al consumidor: los cambios que supone la
introducción de los smartphones en esta táctica de marketing. Uniersitat de Vic- Universitat Central de Catalunya.

García-Calderón Chávez, S. (2017). Pricing Recommendation by Applying Statistical Modeling Techniques. Barcelona: Universitat
Politecnica De Catalunya.

Giri, C., & Chen, Y. (2022). Deep Learning for Demand Forecasting in the Fashion and Apparel Retail Industry. MDPI Forecasting,
565–581.

Gitnux. (2023, Abril 10). Pricing KPIs: Guide & Explanation 2023. Retrieved from Gitnux: https://blog.gitnux.com/pricing-kpis/

Gómez, O. J. (2020). El modelo integrado en dirección general de empresas. Pamplona: Universidad de Navarra.

González, F. E. (2000). Variedad Estratégica y Rentabilidad Empresarial. Universidad de Oviedo.

Grandío Dopico, A. (2006). Capital humano como fuente de ventajas competitivas. Algunas reflexiones y experiencias. Netbiblo.

Greetham, D. (2021, Noviembre 23). PREDICTING CONSUMER BEHAVIOR IS HARDER THAN EVER, BUT NOT IMPOSSIBLE.
Retrieved from Capgemini: https://www.capgemini.com/insights/expert-perspectives/predicting-consumer-behavior-is-harder-
than-ever-but-not-impossible/

Grunwald, et al. (2022). Grocery Insights 2022: Final Call For German E-Grocery. Accenture & GfK.

Hanke, P. (2022, Noviembre 21). The History and Future of Revenue Growth Management. Retrieved from Buynomics:
https://www.buynomics.com/articles/blog-the-history-and-future-of-revenue-growth-management-0

Hanke, P. (2023, Enero 2). Pricing Tools – From Excel to SaaS. Retrieved from Buynomics:
https://www.buynomics.com/articles/pricing-tools-from-excel-to-saas

Huefner, R. (2014). An Introduction to Revenue Management: Exploring Common Techniques and the CPA’s Role. THE CPA
JOURNAL, 6-16.

Ibarra, M. S., & Suárez, H. J. (2022). La teoría de los recursos y las capacidades. Un enfoque actual en la estrategia empresarial.
Anales de estudios económicos y empresariales, 63-89.

Iniesta Bonilla et. al. (2001). Bases de datos de Marketing. Clasificación, uso y aplicaciones en la estrategia competitiva actual.
ESIC Market.

49
Johnson et. al. (2019). Magnifying Revenue Growth Management. Unexplored Areas of Opportunity. Deloitte Center for Consumer
Insights.

Johnson Ferreira et. al. (2016). Analytics for an Online Retailer: Demand Forecasting and Price Optimization.

Kayış, E. (2020). Regression Clustering for Estimating Product-Level Price Elasticity with Limited Data. JOURNAL OF BUSINESS
RESEARCH-TURK, 3319-3332.

Kimes, S. E. (1989). The Basics of Yield Management. Cornell Hotel and Restaurant Administration Quarterly, 30(3), 14–19.

Kelly, et al. (2018). The new model for consumer goods: Why the industry’s historic value-creation model is faltering—and how to
reinvent it. McKinsey & Company.

Khayer, et. al. (2022). Strategies to Counter Supply Chain Disruptions for FMCG Brands during a Pandemic. Journal of Future
Sustainability, 9-16.

Kopka, et. al. (2020). What got us here won’t get us there: A new model for the consumer goods industry. McKinsey & Company.

Land, Simon et. al. (2020). Revenue growth management in the COVID-19 crisis. McKinsey & Company.

Leach, C. (2022). How to Save the FMCG Industry: A Practical Guide for Building Collaboration between Suppliers and Retailers.
Palgrave Macmillan.

LeCun, Y. B. (2015). Deep learning. Nature, 436-444.

Leon, P. (2013). Accelerating complexity: Regulatory trends in the conusmer goods industry . Deloitte.

Ley et. al. (2021). Machine learning and conventional statistics: making sense of the diferences. Knee Surg Sports Traumatol
Arthrosc.

Liu et. al. (2023). A Review on Business Analytics: Definitions, Techniques, Applications and Challenges. Mathematics.

Llopis Sancho, E. (2021, Mayo). 'B2B Phygital Go-To-Market'. Un modelo de transformación digital de 'marketing' y ventas para
compañías B2B. Retrieved from Harvard Deusto: https://www.harvard-deusto.com/b2b-phygital-go-to-market-un-modelo-de-
transformacion-digital-de-marketing-y-ventas-para-companias-b2b

Lopez, M. H. (2023). 20 (KPIs) indicadores comerciales para analizar tus ventas . Confederación de Empresarios de Andalucía -
CEA.

Marketing Weekly. (2022, October 15). Retrieved from https://www.marketingweekly.in/post/what-is-price-pack-architecture-ppa-

in-marketing-what-is-ppa-in-product-management

M. A. H. Sarker et al. (2017). Consumers’ Purchasing Decision Toward Fast Moving Consumer Goods (FMCGs): An Empirical
Study. The Comilla University Journal of Business Studies, 23-38.

Macdonald, E. K., Wilson, H. N., & Umut, K. (2012). Better Customer Insight-in Real Time. Harvard Business Review.

Mečiar, M., Şimşek, H., & Şiriner, İ. (2020). CONTEMPORARY ISSUES IN ECONOMICS & BUSINESS Global Studies Vol 7.
London: Ijopec Publication.

Messelink, J., Bokkerink, M., Hazan, J., Sinha, A., Rastogi, V., & Izaret, J.-M. (2017). How Net Revenue Management Boosts The
Top and Bottom Line. The Boston Consulting Group .

Micu, Adrian et. al. (2010). Design of a Customer-Centric Balanced Scorecard Support for a Research on CRM Strategies of
Romanian Companies from FMCG Sector. Proceedings of the 8th International Conference on MANAGEMENT, MARKETING
AND FINANCES . Galati: University “Dunarea de Jos” of Galati.

Muñoz, M. (1998). UNA VISIÓN INTEGRAL DE LA EMPRESA BASADA EN LOS RECURSOS, EL CONOCIMIENTO Y EL
APRENDIZAJE. Investigaciones Europeas de Dirección y Economía de la Empresa, 77-90.

Muñoz, S. O. (2013). El pensamiento estratégico. Una perspectiva interdisciplinar . Barcelona: Universitat Ramon Llull.

50
Nadube, P. M., & Oluwagbemiga, A. G. (2020). Sales promotion strategies and brand loyalty of fast moving consumer goods
(FMCG) companies in Rivers State. International Journal of Innovations in Social Policy and Marketing, 70-83.

Nanda, R., & Larsson, L. (2013). Growth Fuel Rethinking trade spending in consumer product. Deloitte. Retrieved from IRI:
https://www.iriworldwide.com/en-us/insights/blog/trade-investment-a-powerful-lever-for-long-term-growth

Narangajavana et. al. (2014). Prices, prices and prices: A study in the airline sector. Tourism Management, 28-42.

Nielsen. (2023). Rate of sales metrics. Nielsen Consumer LLC.

Nielsen IQ. (2021, Abril 23). The CPG dilemma: Shelf-space optimization difficult amid crowded product portfolios. Retrieved from
Nielsen IQ: https://nielseniq.com/global/en/insights/analysis/2021/the-cpg-dilemma-shelf-space-optimization-difficult-with-
crowded-product-portfolios/

Peña, S. (2017). Análisis de Datos. Bogotá: Fundación Universitaria del Área Andina.

Pérez, C. J. (2020, October 28). El poder de Revenue Growth Management + Inteligencia Artificial. Retrieved from
https://www.linkedin.com/pulse/el-poder-de-revenue-growth-management-inteligencia-jorge-p%C3%A9rez-
col%C3%ADn/?originalSubdomain=es

Peterson, R. (2018). Impacts of Airline Deregulation. TR NEWS .

Prahalad, C., & Hamel, G. (1999). The core competence of the Corporation. Knowledge and Strategy, 41-59.

Promotion Optimization Institute, P. (2023). Building Resiliency and Reshaping the CPG Industry For 2023 and Beyond. POI.

Puig-Hidalgo, C. (2019). El Impacto de las Nuevas Tecnologías y de la digitalización en el Marketing y las Estrategias global en
empresa. Universidad Pontificia Comillas Icade.

Rahilly, L. (2023, Marzo 9 ). El riesgo geopolitico: Navegar por un mundo en constante cambio. (A. Grant, & Z. Haider,
Interviewers)

Ranney Martínez, C. (2019). BIG DATA: ANÁLISIS DE GRANDES VOLÚMENES DE DATOS EN ORGANIZACIONES. Madrid:
Universidad Pontificia Comillas.

Ransbotham, S., Kiron, D., Gerbert, P., & Reeves, M. (2017). Reshaping Business With Artificial Intelligence. MIT Sloan
Management Review and The Boston Consulting Group.

Reinhardt, I. (2023). Free Webinar on Pricing and Revenue Management with AI and Machine Learning [Recorded by I. Reinhardt].
Köln, Germany.

Robayo, A. P. (2016). La innovación como proceso y su gestión en la organización: una aplicación para el sector gráfico
colombiano. Suma de Negocios, 125-140.

Rodríguez Sánchez, F. M. (2014). Herramientas para Big Data: Entorno Hadoop. Cartagena: UNIVERSIDAD POLITÉCNICA DE
CARTAGENA.

Rumelt, R. (2011). Good Strategy Bad Strategy: The Differnce and Why it Matters. London: PROFILE BOOKS LTD.

Shafiul Alam, S., & Zahidul Islam, K. (2021). Examining the role of environmental corporate social responsibility in building green
corporate image and green competitive advantage. International Journal of Corporate Social Responsibility, 6:8.

Soguero Ruiz, e. a. (2012). On the differential benchmarking of promotional efficiency with machine learning modelling (II):
Practical applications. Expert Systems with Applications, 12784–12798.

Spider Strategies, S. &. (2022). Wholesale Trade KPIs. Retrieved from Spider Strategies: Strategy & KPI Software:
https://www.spiderstrategies.com/kpi/industry/wholesale-trade/

Spillecke, D. (2013). Retail Marketing and Branding: A Definitive Guide to Maximizing ROI. John Willey & Sons Ltd.

Stedman, C. (2021, Marzo 8). Ultimate guide to business intelligence in the enterprise. Retrieved from Tech Target: Business
Analytics: https://www.techtarget.com/searchbusinessanalytics/Ultimate-guide-to-business-intelligence-in-the-enterprise

51
Teau, A.-M. (2015). Key Performance Indicators – Management Tools for Sales Improvement. Revista Română de Statistică, 65-
71.

Teece, D. (2007). Explicating Dynamic Capabilities: The Nature and Microfoundations of (Sustainable) Enterprise Performance.
Strategic Management Journal, 1319-1350.

Thirumuruganathan et. al. (2023). Will they take this offer? A machine learning price elasticity model for predicting upselling
acceptance of premium airline seating. Information & Management.

Tomac, N., Radonja, R., & Bonato, J. (2019). Analysis of Henry Ford’s contribution to production and management. Scientific
Journal of Maritime Research, 33-45.

Turletti, P. (2018). El ROI de marketing y ventas, Cálculo y utilidad nuevo estandar de rendimiento. Madrid: ESIC.

Villano, J., & Kasinarasimhan, K. (2022). Perspective: The future of RGM driven by AI . Tredence Inc.

Vinod, B. (2008). The continuing evolution: Customer-centric revenue management. Journal of revenue and pricing management,
27–39.

Walker, J. (2019, May 23). OC&C Strategy Consultants. Retrieved from

https://www.occstrategy.com/fr/insights/insight/id/4177/managing-cpgs-for-margin-growth

Wankhede, D. (2022). Artificial Intelligence and its Subsets: Machine Learning and its Algorithms, Deep Learning, and their Future
Trends. Journal of Emerging Technoloies and Innovative Research, 112-117.

Weimar et. al. (2020). The sales effect of in-store product displays: The special case of total product relocation. Journal of Business
and Retail Management Research.

Yahoo!Finance. (2023, Marzo 9). Consumer Packaged Goods (CPG) Market Size 2023, Share | Growing Report [2028]. Retrieved
from Yahoo!Finance: https://finance.yahoo.com/news/consumer-packaged-goods-cpg-market-
171824915.html?guccounter=1&guce_referrer=aHR0cHM6Ly93d3cuZ29vZ2xlLmVzLw&guce_referrer_sig=AQAAAFB2lKBSlIy5
iP86bsjjAwaMgr5wfg55HO0Q-mHnmXF69inYF35h8utdGOrEQvSOlKGVPBPjiCB1hMc7jo3dZrMkv3HO8R

Zia, T. (2023, Mayo 19). AI-Powered Personalization: How Machine Learning is Transforming Customer Experience. Retrieved
from Techopedia: https://www.techopedia.com/ai-powered-personalization-how-machine-learning-is-transforming-customer-
experience

Zhou, Z.-H. (2021). Machine Learning. Tsinghua University Press.

ÁPENDICE
Un ejemplo real de una herramienta de analítica avanzada de RGM como la que se ha
descrito en el marco práctico, sería la herramienta desarrollada por la empresa de SaaS
de nueva generación en optimización de precios y productos, llamada Buynomics. Dicha
empresa emplea tecnologías de simulación a gran escala para digitalizar a los clientes
de la empresa de gran consumo, prediciendo su comportamiento de compra, cosa que,
permite a las empresas tomar mejores y más rápidas decisiones estratégicas sobre los
precios y la cartera de productos. A continuación, se muestra una captura de su
herramienta analítica.

Fuente: Buynomics, 2023

52