Inexactitud de los registros de inventario en el comercio minorista de alimentación: impacto de las promociones y de la perecibilidad de los productos y efecto dirigido de las auditorías

1 | Introducción

Para gestionar los niveles de inventario, las empresas suelen utilizar herramientas de software que emplean datos de inventario y ventas para pronosticar automáticamente la demanda y reponer los almacenes y los estantes de las tiendas. El mercado mundial de analítica minorista alcanzó un tamaño de aproximadamente 7.400 millones de dólares en 2022 y se espera que llegue a 40.400 millones de dólares en 2032, con una tasa de crecimiento anual compuesta del 18,6% durante el periodo de previsión (DataHorizon Research 2023). El mercado de analítica comprende tanto software como servicios asociados. El principal software analítico para las cadenas de suministro del sector minorista se desarrolla con énfasis en la gestión de inventarios, la previsión de la oferta y la demanda y la gestión de proveedores. Las inversiones de las empresas en software de inventario son enormes.

Una debilidad de los sistemas automáticos de gestión de inventarios es, sin embargo, que las reposiciones se activan según los niveles de inventario registrados en el sistema, que pueden diferir del inventario disponible en la tienda minorista o el almacén. Las discrepancias entre el nivel de inventario real y el registrado se denominan inexactitudes de los registros de inventario (IRI; por ejemplo, Chuang et al. 2016; Goyal et al. 2016), y se ha señalado que afectan considerablemente al sector minorista; investigaciones anteriores han constatado que entre el 20% y el 70% de los registros de inventario son incorrectos (por ejemplo, Millet 1994; Kang and Gershwin 2005; DeHoratius and Raman 2008).

Si el sistema de gestión de inventarios muestra un nivel de existencias superior al disponible (IRI negativa), el inventario se repone demasiado tarde, lo que puede provocar roturas de stock e impedir que la empresa satisfaga la demanda de los clientes (DeHoratius and Raman 2008; Rekik et al. 2019). En el caso contrario, cuando las existencias disponibles superan las registradas (IRI positiva), el sistema activa reposiciones innecesarias y suministros adicionales, lo que genera costes de mantenimiento del inventario innecesariamente elevados (Hardgrave et al. 2009; Chuang et al. 2016). Independientemente de que las discrepancias de inventario sean positivas o negativas, los registros de inventario inexactos impiden que el sistema de gestión de existencias —costoso de instalar y operar— desarrolle todo su potencial.

Dado el efecto perjudicial de la IRI, no sorprende que exista una tradición de investigación bien establecida para examinar sus causas y consecuencias, así como las estrategias para reducirla (véase la Sección 2 para una visión general). Sin embargo, estos estudios anteriores se realizaron sobre la IRI en tiendas de mercancías generales, almacenes y centros de distribución (por ejemplo, DeHoratius and Raman 2008; Kang and Gershwin 2005; Chuang and Oliva 2015). El comercio minorista de alimentación es un contexto en el que destacan especialmente dos características operativas: una proporción considerable de las unidades de mantenimiento de existencias (SKUs) es perecedera y los productos están sujetos con frecuencia a promociones. La perecibilidad de los productos introduce una complejidad adicional en el mantenimiento de los registros, ya que las SKUs se reponen con mayor frecuencia y están sujetas a un conjunto de tareas obligatorias de gestión de los estantes, entre ellas la rotación First-In-First-Out (FIFO), la comprobación de las fechas de caducidad, la aplicación de rebajas y la retirada de productos caducados (analizadas en detalle en la Sección 3) (Blattberg et al. 1995; Van Donselaar et al. 2006; Ailawadi et al. 2009; Akkas et al. 2019). Estas transacciones adicionales y estos procesos más estrictos crean nuevas oportunidades de errores de registro. Las actividades promocionales también plantean diversos retos, pues aumentan simultáneamente la volatilidad de las ventas y exigen un mayor control del inventario (por ejemplo, supervisión adicional para garantizar el reembolso o la tramitación correcta de los descuentos). Las promociones reasignan el esfuerzo de gestión hacia los cambios de precios, los expositores y los controles de cumplimiento, lo que modifica tanto los mecanismos de generación como los de corrección de la IRI (Blattberg et al. 1995; Ailawadi et al. 2009). Estas condiciones hacen del comercio minorista de alimentación un contexto relevante para explorar cómo interactúan estos elementos y afectan a la IRI.

Para fundamentar teóricamente estas dinámicas, recurrimos a la Perspectiva Basada en la Atención (ABV; véase Ocasio 1997), que concibe la atención organizativa como un recurso escaso y asignado selectivamente que determina qué cuestiones operativas se perciben y se atienden. En el comercio minorista de alimentación, la gestión del inventario exige una atención continua en un gran número de SKUs y puntos de contacto operativos, por lo que la exactitud de los registros de inventario depende de manera crítica de cómo se distribuye la atención organizativa en la ejecución cotidiana. Desde la perspectiva de la ABV, factores como los niveles de inventario, la frecuencia de reposición, la perecibilidad y las promociones determinan la relevancia y las demandas de atención asociadas con las tareas de gestión del inventario, e influyen así en la probabilidad de que surjan inexactitudes en los registros o permanezcan sin corregir. Al aplicar la ABV a la gestión del inventario en el nivel de la tienda, ampliamos la teoría a un entorno operativo en el que las demandas de atención se distribuyen entre la ejecución rutinaria, en lugar de concentrarse en la toma de decisiones estratégicas.

Resulta notable que hasta la fecha no haya estudios empíricos que exploren los factores determinantes y el impacto de la IRI en el comercio minorista de alimentación. Esto sorprende dada la importancia económica del sector minorista. Solo en los U.S., las ventas minoristas superaron los 7 billones de dólares en 2024, y el comercio minorista físico de alimentación representó cerca del 23% de ese valor (U.S. Census Bureau 2025). Los informes estiman que los departamentos de productos frescos, una subcategoría de los artículos perecederos, representan más del 40% de las ventas del comercio minorista de alimentación (FoodNavigator 2024). Por tanto, garantizar registros de inventario exactos y procesos eficaces de reposición es especialmente importante para esta categoría de productos. En este contexto, el primer estudio presentado en este artículo evalúa el impacto de la perecibilidad (y sus efectos asociados sobre los niveles de inventario y la frecuencia de reposición) y las promociones sobre la IRI. Así, nuestro estudio aporta nuevos factores determinantes en el nivel de los constructos que son pertinentes para el sector minorista (perecibilidad; supervisión durante el periodo promocional).

Aunque está claro que los registros de inventario inexactos dificultan el funcionamiento de los sistemas automatizados de reposición, se conoce poco acerca de la magnitud del impacto de la IRI en los ingresos por ventas. Investigaciones anteriores han utilizado simulaciones para estimar el impacto de la “congelación del inventario”¹ sobre las ventas (por ejemplo, DeHoratius et al. 2008) o han analizado el potencial de mejora de las ventas de los recuentos de inventario para un conjunto reducido de SKUs (por ejemplo, Chuang et al. 2016). Dado el alcance limitado de las investigaciones anteriores sobre el impacto de la IRI en las ventas, el segundo estudio presentado en este artículo ofrece los resultados de un cuasiexperimento de campo para evaluar cómo afecta a las ventas una auditoría en toda la tienda (frente al recuento de SKUs individuales). También utilizamos el contexto cuasiexperimental para evaluar el impacto temporal de las auditorías y, controlando los atributos de los productos y los estados del inventario, podemos usar los resultados del tratamiento para identificar las áreas donde las auditorías tienen mayor impacto.

Nuestros estudios se realizaron en colaboración con un importante minorista europeo de alimentación. En el primer estudio constatamos que, después de controlar los principales factores determinantes en el nivel de la SKU identificados por investigaciones anteriores, la IRI de una SKU se asocia positivamente con su nivel medio de inventario, su frecuencia de reposición y el hecho de que el artículo sea perecedero, y negativamente con su actividad promocional. El segundo estudio constata que realizar auditorías para corregir estas inexactitudes produce un aumento aproximado del 11% de las ventas en toda la tienda durante los 2 primeros meses posteriores al recuento de inventario. Más interesante aún, constatamos que, controlando los niveles de ventas y otros factores, el recuento de inventario tiene efectos heterogéneos sobre las SKUs, con todo el aumento de las ventas concentrado en los artículos que presentan una IRI negativa, y que los artículos perecederos, más propensos a presentar IRI, se benefician más de estas auditorías que los no perecederos. Consideramos que estos hallazgos serán de gran valor para orientar las decisiones de los minoristas sobre los niveles adecuados de inversión destinados a mejorar la exactitud de los registros de inventario y para plantear el recuento de inventario como una estrategia de aumento de las ventas, en lugar de una necesidad costosa.

El resto del artículo se estructura de la siguiente manera. En la Sección 2 revisamos la literatura pertinente que fundamenta nuestro estudio, tanto en lo relativo al enfoque metodológico empleado como a la formulación de las preguntas que pretendemos responder. La base teórica de nuestro trabajo se analiza en la Sección 3, donde se desarrollan las hipótesis y se establecen las medidas del análisis. La Sección 4 se dedica al análisis de los factores determinantes de la IRI. En la Sección 5 evaluamos el impacto de las auditorías sobre las ventas en toda la tienda. En la Sección 6 se examinan las aportaciones teóricas, empíricas y para la gestión, las limitaciones y una agenda para futuras investigaciones pertinentes.

2 | Revisión de la literatura

Uno de los objetivos más importantes del comercio minorista es garantizar una elevada disponibilidad de los productos en el estante. Si los clientes buscan un artículo que no está disponible para la venta, pueden decidir comprarlo en otro lugar o abandonar por completo su compra, lo que también afecta negativamente a las ventas de otros artículos. Si las roturas de stock se producen con frecuencia, la reputación de la tienda puede verse perjudicada y los clientes pueden cambiar de marca o de tienda, poniendo en peligro las ventas futuras (Corsten and Gruen 2003; Ehrenthal and Stölzle 2010; Goyal et al. 2016). Esto es especialmente problemático en el contexto del comercio minorista de alimentación. La compra de alimentos se ha descrito como un proceso habitual, en el que los clientes suelen seguir rutinas respecto a los horarios de compra, las visitas a las tiendas y los productos adquiridos (East et al. 1994; Kim and Park 1997). Los compradores habituales afrontan costes elevados si cambian de tienda, por lo que tienden a prescindir de los artículos agotados o a comprar artículos alternativos. Si las roturas de stock ocurren con frecuencia o durante un periodo prolongado, los clientes también pueden cambiar de tienda (Campo et al. 2004). Como se ha señalado, una causa de las roturas de stock son los registros de inventario inexactos, aunque la transición no es necesariamente lineal ni evidente (Chuang et al. 2022). En el caso de una IRI negativa, cuando el sistema de inventario sobrestima las existencias disponibles, el sistema hace el pedido demasiado tarde, lo que puede provocar una rotura de stock que el propio sistema ni siquiera detecta (Ehrenthal and Stölzle 2010).

Los registros de inventario inexactos han recibido considerable atención a lo largo de los años, y los investigadores han intentado comprender tanto las fuentes, el alcance y las consecuencias de la IRI como la eficacia de posibles contramedidas en distintos sectores. El Apéndice A resume las investigaciones relacionadas y a continuación se comentan algunas de sus principales aportaciones. Esta tabla clasifica los estudios en tres ámbitos principales: los factores determinantes de la IRI, las estrategias para reducirla y el impacto de la IRI en las ventas. Para cada estudio presentamos el objetivo principal, el contexto de la investigación, los principales atributos de los datos y los hallazgos más importantes.

Un trabajo pionero sobre los factores determinantes de la IRI es el de Rinehart (1960), quien constató que alrededor del 80% de las discrepancias eran causadas por los propios procedimientos de corrección. DeHoratius and Raman (2008) analizaron datos de recuentos de inventario recopilados en 37 tiendas de un importante minorista de los U.S. Los factores determinantes más importantes de la IRI que identificaron fueron la cantidad anual vendida de un artículo, su coste y la frecuencia de las auditorías de inventario. Los autores también investigaron el alcance de la IRI y constataron que el 65% de los registros de inventario analizados eran inexactos. La diferencia absoluta entre las existencias en el estante y el registro de inventario fue, en promedio, de cinco unidades por SKU, o el 35% del número medio de unidades encontradas en el estante para esa SKU. Se encuentran pruebas adicionales sobre el alcance de la IRI en Kang and Gershwin (2005) e Ishfaq and Raja (2020a, 2020b), quienes informaron de tasas de IRI de entre el 20% y el 70%. La IRI también se ha investigado en contextos distintos de las tiendas minoristas, como almacenes de fabricación (por ejemplo, Meyer 1990; Sheppard and Brown 1993) o centros de distribución minorista (por ejemplo, Kull et al. 2013; Barratt et al. 2018). Aunque se ha constatado que la IRI también es frecuente en estos contextos, su comportamiento probablemente sea distinto debido a la ausencia de un factor determinante importante de las discrepancias de inventario: el cliente.

Además de identificar las fuentes y el alcance de la IRI, los investigadores también han estudiado la eficacia de diferentes medidas para reducirla. Varios artículos (por ejemplo, Hardgrave et al. 2009, 2013; Bertolini et al. 2015; Goyal et al. 2016) analizaron cómo la tecnología de identificación por radiofrecuencia (RFID) puede contribuir a disminuir la IRI. Estos estudios mostraron que el uso de RFID durante los recuentos de inventario o para rastrear sus movimientos puede producir una reducción sustancial de la IRI, pero no elimina por completo el problema. Chuang and Oliva (2015) investigaron la influencia de los niveles de personal de la tienda y el rendimiento operativo sobre la IRI. En un análisis empírico de datos longitudinales de cinco tiendas de una cadena minorista mundial, hallaron pruebas de que el trabajo a tiempo completo reduce la IRI, mientras que el trabajo a tiempo parcial no la atenúa. DeHoratius et al. (2023) evaluaron distintos métodos para generar una lista de artículos que debían contarse en la tienda con el fin de corregir la IRI. Los autores identificaron un conjunto de métodos relativamente sencillos basados en reglas que pueden aplicarse fácilmente en la práctica.

Aunque varios investigadores han estudiado cómo las roturas de stock en el comercio minorista pueden afectar a las ventas (véase Gruen et al. 2002 para una visión general), solo unos pocos trabajos han abordado el impacto de la IRI sobre ellas. Ton and Raman (2010) estudiaron cómo influyen en las ventas los denominados productos fantasma, es decir, productos que están físicamente presentes en la tienda, pero solo en zonas donde los clientes no pueden encontrarlos. Los autores constataron que un aumento de una desviación estándar en el porcentaje de productos fantasma provocaba una reducción del 1% de las ventas de la tienda. Los productos fantasma no están necesariamente relacionados con la IRI; los registros de inventario del sistema podrían ser exactos, pero algunos de estos artículos —los productos fantasma— podrían estar mal ubicados y no ser accesibles para los clientes. En el contexto de nuestro análisis, la proporción de productos fantasma no registrada correctamente en el sistema de gestión de existencias se consideraría una discrepancia positiva de inventario. DeHoratius and Raman (2008) utilizaron datos empíricos para realizar un estudio de simulación sobre la influencia de los “productos congelados” en las ventas. Estimaron que la congelación del inventario puede provocar una pérdida de ventas de alrededor del 1%. Los autores plantearon que su estimación era solo un límite inferior de la pérdida real y solicitaron nuevas investigaciones empíricas en este ámbito. El trabajo probablemente más cercano a nuestra investigación es el de Chuang et al. (2016), quienes desarrollaron un modelo para predecir situaciones de falta en el estante a partir de ventas consecutivas iguales a cero. En un experimento de campo utilizaron su modelo para activar auditorías de ocho SKUs distintas afectadas por la congelación del inventario y constataron que la intervención tuvo un efecto positivo sobre las ventas.

Nuestra investigación se aparta de la literatura existente y contribuye a ella de tres maneras. Relacionamos cada diferencia con elementos de la tipología desarrollada por Makadok et al. (2018), que expone las formas en que la investigación contribuye a la teoría. Primero, evaluamos los factores determinantes de la IRI en un entorno de comercio minorista de alimentación, es decir, en presencia de productos perecederos y promociones. Las investigaciones anteriores aún no han examinado cómo interactúan la perecibilidad de los productos y las promociones con la IRI. Respecto a nuestra contribución teórica, introducimos un nuevo constructo y nuevas variables como fenómeno central. En segundo lugar, evaluamos mediante un estudio de intervención el impacto de un recuento de inventario en toda la tienda sobre las ventas. La evaluación en toda la tienda nos permite analizar empíricamente los efectos heterogéneos de la auditoría sobre productos con distintos atributos y estados de exactitud. Con ello introducimos teóricamente un nuevo nivel de análisis para los efectos de las auditorías. Por último, mediante una evaluación dinámica de los efectos de la intervención, seguimos la evolución del beneficio posterior al recuento. Al desarrollar así el conocimiento, nuestro trabajo abre la posibilidad de futuras investigaciones sobre el momento adecuado de las intervenciones para corregir el problema y, por tanto, de nuevas contribuciones teóricas.

3 | Contexto empírico y teórico

3.1 | Contexto de la investigación y recopilación de datos

Trabajamos con un importante minorista europeo de alimentación. La organización colaboradora es un supermercado de gama alta, conocido por la calidad de sus productos y de su servicio al cliente. Opera tiendas en todo el UK y en 2024 tuvo un volumen de ventas anual superior a 7.000 millones de libras. Además de alimentos habituales, vende productos especializados, incluida una amplia gama de productos de marca propia, y la mayoría de las tiendas cuenta con mostradores de panadería, quesos, pescado y carne. También vende artículos para el hogar, regalos y ropa. Con más de 300 establecimientos en el UK, la empresa es uno de los mayores minoristas de alimentación del país y también exporta productos a muchos otros países, en algunos de los cuales tiene presencia física.

El minorista utiliza un sistema de gestión de existencias para reponer sus tiendas. El sistema activa automáticamente los pedidos, pero los responsables de las tiendas pueden ajustarlos o activarlos manualmente cuando es necesario. En cuanto a las auditorías de inventario, la empresa contrata a un tercero para realizar recuentos periódicos en cada tienda, hasta cuatro veces al año. El momento de estos recuentos varía entre las tiendas y suele estar determinado por métricas operativas como la penetración del autoservicio, la merma, la exposición al hurto y la rotación del inventario. Este proceso estándar se aplica a la primera etapa de nuestro análisis, en la que utilizamos datos históricos de recuentos obtenidos con independencia de nuestra investigación. Sin embargo, en la segunda etapa del estudio —el cuasiexperimento con una auditoría en toda la tienda—, el momento del recuento se programó para ajustarse a nuestro diseño de investigación y no fue activado por las métricas operativas habituales.

Antes de los recuentos propiamente dichos, un equipo de preparación proporcionado por el tercero acondiciona las tiendas para el inventario, ordenando tanto el almacén como la zona de ventas (en este paso se identifican los artículos mal ubicados que son fáciles de detectar y se devuelven a sus lugares correctos). Los recuentos comienzan después en el almacén y continúan en las zonas de venta lenta de la sala de ventas justo antes del cierre de la tienda. Las partes restantes se cuentan fuera del horario comercial.

Aunque no tuvimos acceso a estadísticas completas de toda la red del minorista, formada por más de 300 tiendas, nuestra muestra se construyó en estrecha colaboración con él, que garantizó que las tiendas seleccionadas representaran diversos formatos operativos habituales (urbanos, céntricos y suburbanos), tamaños y características de servicio. Este enfoque aumenta la relevancia práctica de nuestros hallazgos, pero limita la capacidad de comparar formalmente las características de la muestra con toda la red, lo que reconocemos como una limitación del estudio. Se seleccionaron 11 tiendas representativas de los distintos tipos operados por la empresa. Las 11 tiendas estudiadas tienen diferentes capacidades (comercio electrónico, autoservicio y aparcamiento), tamaños (de 6.663 a 32.032 pies cuadrados), tipos de ubicación (urbana, suburbana, centro urbano y localidad rural) y números de proveedores (de 55 a 351). La mayoría son establecimientos principales que venden mercancías generales de alimentación, y algunas son tiendas de conveniencia centradas en una gama limitada de productos cotidianos. Todas las tiendas se eligieron finalmente al azar, salvo las tiendas 1 y 2, para las que involucramos al minorista en el emparejamiento. Este par se utilizó en el cuasiexperimento de campo para evaluar el beneficio de los recuentos de inventario y los efectos de la IRI sobre las ventas descritos en la Sección 5. La Tabla 1 presenta los detalles de las tiendas seleccionadas.

^aCuando se exige una tarifa, el minorista ofrece un reembolso si el pago se realiza mediante un vale de aparcamiento.
^b“Principal” son los supermercados normales de entre 8.000 y 30.000 pies cuadrados; “Principal—alimentación y hogar” son supermercados de más de 30.000 pies cuadrados; y “Principal—centro comercial” son tiendas Principal que operan dentro de centros comerciales más amplios.
^cPorcentaje de cajas de la tienda que son de autoservicio.

El minorista agrupa las SKUs de las tiendas en 27 categorías de productos, por ejemplo, panadería, alimentos congelados, vinos, etc. Extrajimos del sistema de control de existencias de la empresa datos de inventario, ventas y recuentos que incluían movimientos diarios, categorías de productos e informes de recuento. Para el estudio descriptivo (presentado en la Sección 3.2) y el análisis de los factores determinantes de la IRI (presentado en la Sección 4), se incluyeron todas las SKUs salvo las pertenecientes a seis categorías con un número reducido de SKUs que agrupaban ofertas únicas o especializadas de las tiendas. Las categorías eliminadas representan el 1,2% del total de SKUs. Las 21 categorías restantes se agregaron como “Perecederas” o “No perecederas”, once y diez categorías respectivamente.²

En las 11 tiendas, el conjunto de datos incluía unas 24.000 SKUs (el número de SKUs únicas por tienda oscila entre 5.788 y 18.353), 150.000 registros de recuento de inventario y unos 22 millones de registros de ventas correspondientes a las ventas y los movimientos diarios de cada SKU en cada tienda entre el recuento más reciente disponible en nuestra muestra y el inmediatamente anterior.

3.2 | Medidas y análisis descriptivo

Primero examinamos los informes de recuento de inventario de las 11 tiendas tratadas en la subsección anterior. Este examen fundamentará el análisis de los factores determinantes de la IRI que se presenta en la Sección 4.

El conjunto de datos de las auditorías de inventario proporciona dos cantidades: el ‘registro del sistema’, definido como el registro de existencias que muestra la base de datos antes de la auditoría, y el ‘registro contado’, definido como las existencias físicas contadas durante la auditoría.³ Al comparar ambas cantidades, definimos la inexactitud de los registros de inventario mediante la variable IRI, que mide la discrepancia entre el registro contado y el del sistema (la diferencia del primero menos el segundo). También derivamos la variable ABS_IRI, que mide el valor absoluto de la IRI.

Además de los datos de las auditorías físicas realizadas en las 11 tiendas, consideramos todos los movimientos de entrada (reposición) y salida (punto de venta) del inventario ocurridos entre la auditoría más reciente, cuyos resultados se presentan y en la que se miden las IRIs, y la inmediatamente anterior.

En concreto, este conjunto de datos complementario contiene la cantidad diaria repuesta (si la hubo), el nivel de existencias al final del día, la cantidad diaria vendida y las ventas diarias (£), por SKU y tienda. La relación entre las dos últimas medidas permite obtener el precio unitario por transacción de cada SKU en cada tienda. El precio unitario de un artículo no es igual en todas las transacciones debido a las promociones. Definimos para cada SKU la variable PRICE, calculada como el precio medio ponderado de todas sus transacciones en cada tienda. Para captar los efectos promocionales utilizamos una estrategia de identificación de promociones basada en Nakamura and Steinsson (2008). Empleamos su filtro de ventas en forma de V, que registra una promoción solo cuando una reducción del precio va seguida de un retorno (aumento) al precio anterior. Con una ventana de 4 semanas para distinguir cambios regulares de precio de cambios temporales, definimos el indicador de descuento promocional como una disminución temporal de al menos el 10% en los precios habituales. El umbral del 10% se utiliza comúnmente en estudios que diferencian los precios promocionales de los cambios generalmente menores de los precios habituales (por ejemplo, Nakamura and Steinsson 2008; Berck et al. 2008; Seaton and Waterson 2013, Lan et al. 2022). La elección de una ventana de 4 semanas se basa en Nakamura and Steinsson (2008). También comprobamos la sensibilidad de nuestros hallazgos a variaciones de la ventana temporal y confirmamos que los resultados siguen siendo robustos entre 2 y 5 semanas. Así, la variable PROMO se define como el número total de días que un artículo está en promoción temporal de precio en cada periodo. Nos centramos en la duración del descuento, no en su profundidad, para captar el efecto de la exposición promocional y la supervisión asociada, condicionado a otros controles, que depende de la campaña promocional en sí y no del importe del descuento.

Los datos de ventas en cantidad y en £ permiten derivar dos variables para cada SKU: QUANTITY y SALES, definidas respectivamente como la cantidad media diaria vendida y la facturación media diaria.

Del mismo modo, los datos sobre las posiciones de inventario permiten obtener la variable STOCK, que mide las existencias medias diarias. También definimos la variable PER como 1 si el producto pertenece a una categoría perecedera, es decir, con una vida útil relativamente corta medida en días, y 0 en caso contrario. Además, para cada auditoría medimos mediante DAYS el número de días transcurridos desde la auditoría inmediatamente anterior. Por último, definimos la variable \(\mathit{REPLEN}\), que mide el número de movimientos de entrada de inventario para la SKU i en la tienda s desde la auditoría física anterior. Para reducir la asimetría y garantizar la comparabilidad, transformamos logarítmicamente todas las variables continuas con varianza elevada respecto a su media — ABS_IRI, STOCK, REPLEN, QUANTITY, DAYS y PRICE— siguiendo la práctica habitual para medidas operativas basadas en recuentos y sensibles a la escala (Afifi and Clark 1997; DeHoratius and Raman 2008). Cada variable se transformó como log(x + 1) antes de la estimación.

La Tabla 2 presenta las estadísticas descriptivas y las correlaciones por pares. La IRI oscila entre −873 y 1.384 unidades; la magnitud media de la IRI para las SKUs afectadas es de +6,6 y −5,9 unidades para las discrepancias positivas y negativas, respectivamente, con una media de −0,66 entre todas las SKUs. También observamos cierta variabilidad de la IRI entre tiendas, con una IRI media de entre −2,8 y 0,5 unidades.

Nota: *p < 0,05; **p < 0,01; ***p < 0,001.

El histograma de la IRI de la Figura 1 revela que el 35,3% de los registros es exacto, el 39,4% presenta inexactitud negativa y el 25,3%, inexactitud positiva. Respecto a la magnitud de la IRI, el histograma de la IRI muestra que el 90% de sus valores se encuentra entre −10 y 10 unidades (aunque no se muestra en la Figura 1, el 11% de las discrepancias tiene un valor de −1 y el 6%, de +1).

La distribución de la IRI en nuestros datos coincide en general con los hallazgos anteriores, tanto en la proporción de SKUs afectadas como en la dirección de la discrepancia. El porcentaje de artículos con IRI (64,7%) se sitúa en el intervalo del 50%–70% señalado anteriormente en la literatura (por ejemplo, Kang and Gershwin 2005; DeHoratius and Raman 2008; Chuang et al. 2022), y los datos muestran una marcada asimetría, con más artículos con IRI negativa que positiva (DeHoratius and Raman 2008; Rekik et al. 2019; Ishfaq and Raja 2020a).

3.3 | Desarrollo de las hipótesis

Fundamentamos nuestras hipótesis en la perspectiva de la empresa basada en la atención (Ocasio 1997, 2011; Ocasio et al. 2018). La ABV sostiene que el comportamiento organizativo depende de cómo se distribuye la atención entre las cuestiones, tareas y alternativas de acción que compiten por ella. La atención es un recurso escaso: los responsables de las decisiones perciben, interpretan y atienden selectivamente solo una parte de los estímulos operativos. Esta perspectiva es adecuada para gestionar la IRI en el comercio minorista de alimentación porque las operaciones de la tienda exigen una atención sostenida en numerosas SKUs, situaciones de manipulación y tareas rutinarias. En este entorno, la IRI puede surgir cuando las actividades que requieren supervisión cuidadosa, verificación o actualización del sistema reciben una atención insuficiente. Los responsables y empleados deben dividir su atención entre la reposición, el mantenimiento de los estantes, el servicio al cliente, la ejecución de promociones, la comprobación de fechas de caducidad y la conciliación del sistema. Algunas tareas adquieren relevancia y reciben atención concentrada, mientras otras siguen siendo rutinarias, se supervisan poco o solo son visibles indirectamente. La ABV ofrece así una perspectiva útil para explicar por qué ciertas condiciones operativas aumentan la probabilidad de que los registros de inventario se aparten de las existencias físicas.

Tres mecanismos basados en la atención son especialmente pertinentes para explicar la aparición de la IRI en las operaciones de las tiendas: escasez, selectividad y fragmentación de la atención. Estos mecanismos no actúan simultáneamente con igual intensidad; distintas condiciones operativas activan mecanismos diferentes y permiten generar predicciones diferenciadas para cada factor determinante de la IRI. Primero, la atención es escasa. Los agentes organizativos no pueden atender todas las tareas operativas con la misma intensidad al mismo tiempo, de modo que algunas reciben supervisión deliberada y otras se ejecutan mediante conductas rutinarias o predeterminadas (Ocasio 1997; Rerup 2009). Segundo, la atención es selectiva. Las tareas más relevantes, urgentes o visibles externamente tienden a atraer una atención desproporcionada, a menudo a costa de actividades menos visibles pero igualmente importantes (Simon 1947; Kahneman 1973; Ocasio 2011). Tercero, la atención puede fragmentarse entre puntos de contacto operativos. Al aumentar los episodios de manipulación, los pasos de verificación o las interacciones relacionadas con el inventario, los empleados deben distribuir su atención finita entre más demandas, reduciendo la profundidad dedicada a cada tarea o SKU (Ocasio 2011; Sullivan 2010). En conjunto, estos mecanismos ofrecen una perspectiva coherente para predecir cuándo es más probable que los registros se aparten de la realidad física. Las condiciones que aumentan los puntos de contacto o las demandas de supervisión pueden fragmentar la atención y elevar la probabilidad de IRI. En cambio, las condiciones que aumentan la relevancia de una cuestión pueden concentrar la atención y facilitar una ejecución más exacta. En las hipótesis siguientes utilizamos este marco para explicar cómo los niveles de inventario, la frecuencia de reposición, la perecibilidad y las promociones determinan la aparición de la IRI.

Nuestras hipótesis se basan en el estudio con una gran muestra realizado por DeHoratius and Raman (2008) (DHR), quienes identificaron factores determinantes de la IRI para unas 10.000 SKUs diferentes en 37 tiendas de un único minorista de mercancías generales. Sobre esta base examinamos cómo operan estos factores en el comercio minorista de alimentación, contexto caracterizado por condiciones operativas que determinan las demandas de atención en la ejecución. Además de las diferencias en el comportamiento de compra señaladas en la Sección 2, dos factores son especialmente relevantes. Primero, la presencia de productos perecederos, que intensifica la complejidad operativa mediante tareas obligatorias de gestión de los estantes (detalladas en H3). Segundo, las ventas de alimentos suelen estimularse mediante promociones (Blattberg et al. 1995; Ailawadi et al. 2009), que esperamos que también influyan en la IRI. En el resto de la sección desarrollamos las hipótesis de interés.

Unos niveles medios de existencias más elevados para una SKU aumentan los puntos de contacto operativos que requieren atención: más frentes que verificar, más aperturas de embalajes que ejecutar correctamente, más ciclos entre almacén y estante que conciliar y más oportunidades de que unidades individuales se coloquen mal, se cuenten incorrectamente o se registren con inexactitud (Eroglu et al. 2011; Best et al. 2022). En entornos de alimentación, los almacenes complejos que alojan artículos perecederos y no perecederos aumentan aún más la dispersión de la atención entre las tareas de manipulación y agravan los errores de ejecución (Gruen et al. 2002; Goyal et al. 2016). Desde una perspectiva basada en la atención, este aumento activa principalmente el mecanismo de fragmentación de la atención, pues los empleados distribuyen una atención limitada entre más interacciones, lo que reduce la probabilidad de una ejecución exacta en cada paso y aumenta la acumulación de discrepancias.

Las investigaciones anteriores han establecido esta relación en entornos de mercancías generales (DeHoratius and Raman 2008), pero existen razones teóricas para esperar que sea más pronunciada en la alimentación. En las mercancías generales, una unidad adicional suele generar pocos episodios de manipulación durante su vida útil. En cambio, los alimentos —sobre todo los perecederos— atraviesan múltiples manipulaciones obligatorias entre auditorías (véase H3), cada una de las cuales representa otro punto de contacto que exige atención y en el que los registros pueden divergir de las existencias físicas. Por ello, se amplifica la relación entre los niveles de inventario y las demandas de atención, reforzando el mecanismo de fragmentación.

En conjunto, estos argumentos indican que unos niveles de existencias más elevados aumentan la carga cognitiva y operativa de la gestión del inventario al amplificar la fragmentación de la atención, elevando así la probabilidad de que los registros diverjan de las existencias físicas.

H1. La IRI está positivamente asociada con el nivel medio de inventario de un artículo.

Aunque esta relación se ha documentado antes, examinarla en este contexto permite evaluar cómo las interacciones con la frecuencia de reposición y la perecibilidad determinan la intensidad del mecanismo subyacente basado en la atención. Volvemos sobre estas interacciones más adelante.

A continuación examinamos el papel de la frecuencia de reposición como factor determinante de la IRI. Cada ciclo crea un episodio distinto de manipulación y actualización de registros: los empleados deben comprobar las cantidades recibidas, trasladar las unidades del almacén al estante, colocarlas correctamente y garantizar que el registro correspondiente siga alineado con el movimiento físico. Cuando una SKU se repone con mayor frecuencia, queda expuesta a más episodios durante el periodo entre dos auditorías. Desde una perspectiva basada en la atención, la frecuencia de reposición activa sobre todo la fragmentación: la exactitud depende de una ejecución correcta repetida en múltiples episodios, y cada reposición adicional crea otro punto en el que la atención puede diluirse o desviarse.

La lógica operativa refuerza esta expectativa. Las reposiciones suelen realizarse junto con otras tareas y bajo presión temporal, lo que puede aumentar la complejidad del almacén, los errores de colocación y los fallos de conciliación (Aastrup and Kotzab 2009). Una reposición más frecuente también implica interacciones más repetidas con productos y registros, y aumenta las ocasiones en que pueden introducirse discrepancias. Por ello no sorprende que las actividades de reposición se hayan identificado como una fuente importante de artículos agotados (por ejemplo, Corsten and Gruen 2003; Aastrup and Kotzab 2009). Aunque estudios anteriores sugieren que la frecuencia de reposición puede activar la IRI (Ishfaq and Raja 2020a, 2020b), el mecanismo es especialmente relevante en la alimentación, donde la perecibilidad y las promociones generan tareas obligatorias adicionales entre auditorías. Cada reposición está integrada en un conjunto más amplio de demandas simultáneas, lo que amplifica la fragmentación de la atención: cuanto más se repone una SKU, más veces debe ejecutar la tienda con exactitud una secuencia de tareas físicas e informativas bajo presiones de atención contrapuestas que pueden producir errores cuando se realizan imperfectamente.

A la luz de los argumentos operativos y teóricos, esperamos que la frecuencia de reposición sea un predictor significativo de la IRI.

H2. La IRI está positivamente asociada con la frecuencia de reposición.

Obsérvese que el nivel medio de inventario y la frecuencia de reposición están relacionados: si el minorista reduce el inventario mantenido en la tienda, esta debe reponerse con mayor frecuencia. El impacto del nivel medio (y de la frecuencia de reposición) tanto sobre el coste como sobre la IRI debe considerarse al determinar las cantidades de pedido. Además, la perecibilidad y las promociones pueden modificar la cantidad y frecuencia de pedido que serían óptimas, pues la primera determina cuánto tiempo puede mantenerse el inventario de forma segura y las segundas pueden acelerar artificialmente la tasa de compra.

Como se ha señalado, la perecibilidad introduce diversos retos operativos en la tienda (por ejemplo, Ketzenberg and Ferguson 2008; Manikas and Terry 2010; Akkas et al. 2019). Impone demandas de atención obligatorias y recurrentes —rotación FIFO, comprobación de fechas de caducidad, aplicación de rebajas y retirada de productos caducados— que deben realizarse junto con las operaciones rutinarias (Van Donselaar et al. 2006; Akkas 2019; Yassin and Soares 2021). A diferencia de las tareas discrecionales, estas actividades no pueden aplazarse sin consecuencias inmediatas y generan conjuntamente los episodios adicionales de manipulación y actualización mediante los que se mantiene la exactitud. Desde una perspectiva basada en la atención, la perecibilidad eleva el riesgo de IRI porque la exactitud depende de la atención sostenida y de la ejecución correcta repetida en más intervenciones, cada una de las cuales crea otra oportunidad de colocar mal productos, manipular incorrectamente cantidades o hacer que los registros diverjan de las existencias físicas. En particular, activa simultáneamente la escasez de atención (por las tareas obligatorias contrapuestas) y la fragmentación de la atención (por las manipulaciones repetidas), aumentando los errores de ejecución. Frente a los no perecederos, los artículos perecederos requieren más intervenciones obligatorias y generan más oportunidades de errores de ejecución y registro, elevando la probabilidad de registros inexactos (Chuang and Oliva 2015).

H3. La IRI está positivamente asociada con la perecibilidad.

El comercio minorista de alimentación es muy competitivo (por ejemplo, Colla 2004; Cardinali and Bellini 2014), y los minoristas recurren con frecuencia a promociones —iniciadas por ellos o coordinadas por el fabricante— para estimular la demanda. Los instrumentos habituales incluyen descuentos, expositores, cupones o folletos (véase Ailawadi et al. 2009; Srinivasan et al. 2004; Tokar et al. 2011). No resulta intuitivamente claro cuál será su impacto sobre la IRI. Las promociones son un entorno útil para observar la selectividad de la atención porque la desplazan hacia un subconjunto definido de SKUs durante un periodo limitado. Según el principio de selectividad, este desplazamiento reasigna la atención en vez de ampliar su presupuesto total. Puede activar dos mecanismos contrapuestos con distintas implicaciones para la IRI, y el efecto neto depende de cuál predomine.

El primer mecanismo es la fragmentación de la atención impulsada por la relevancia. Las promociones generan perturbaciones de la demanda (Blattberg et al. 1995; Lam et al. 2001; Tokar et al. 2011), aumentan las interacciones con las SKUs promocionadas, aceleran el movimiento de existencias y exigen reposiciones, mantenimiento de expositores y cambios de precios más frecuentes. Aunque concentran la atención en estas SKUs, esta puede dirigirse principalmente a una ejecución promocional rápida —mantener llenos los expositores, responder a los aumentos de demanda y atender cuestiones de los clientes— en vez de al mantenimiento exacto de los registros. En ese caso aumentan los episodios de manipulación y registro, mientras disminuye la verificación cuidadosa en cada uno, haciendo más probable la IRI.

H4a. La IRI está positivamente asociada con la actividad promocional.

El segundo mecanismo surge de la selectividad de la atención. Las promociones de alimentación suelen regirse por rutinas estructuradas, como el cumplimiento de carteles y etiquetas de precios, el montaje y retirada de expositores, la verificación del inventario promocional y los procedimientos de reembolso que exigen registros auditables de los volúmenes vendidos (Ailawadi et al. 2009; Tokar et al. 2011). Estas rutinas se supervisan externamente y se orientan a la verificación, aumentando su relevancia frente al mantenimiento ordinario. Cuando la relevancia promocional va acompañada de comprobaciones estructuradas, y no solo de presión de ejecución, la atención se concentra en las SKUs promocionadas de un modo que puede mejorar la exactitud. Las mismas acciones también pueden confirmar la identidad, la colocación y la coherencia del registro. Condicionado al volumen de ventas y los niveles de inventario, este mecanismo de concentración puede dominar la fragmentación y reducir la IRI.

H4b. La IRI está negativamente asociada con la actividad promocional.

Estas dos hipótesis reflejan una implicación central de la perspectiva basada en la atención: aunque la relevancia reasigna la atención, el efecto depende de que aumente su fragmentación o induzca su concentración mediante rutinas estructuradas. Cuando las promociones intensifican principalmente la presión de ejecución, la atención se fragmenta entre más tareas y la IRI puede aumentar. Cuando activan rutinas estructuradas y orientadas a la verificación, la atención se concentra y la IRI puede disminuir. El respaldo a H4b sugeriría, por tanto, que las rutinas de cumplimiento supervisadas externamente pueden convertir la relevancia promocional en mejoras de la exactitud.

4 | Factores determinantes de la IRI en tiendas de alimentación

Para que nuestro trabajo sea coherente con la literatura existente sobre IRI —por ejemplo, Fleisch and Tellkamp (2005), DeHoratius and Raman (2008), Hardgrave et al. (2013)— y pueda contribuir a ella, utilizamos como variable dependiente básica de esta sección el valor absoluto de la IRI. Aunque la IRI positiva y negativa tienen implicaciones de coste diferentes, no encontramos diferencias significativas entre sus respectivos factores determinantes. Por ello nos centramos en los efectos de estos sobre el valor absoluto. Como prueba de robustez, también repetimos el análisis con una medida porcentual de la IRI.

4.1 | Controles

En su estudio, DeHoratius and Raman (2008) (DHR) constatan que la IRI se asocia positivamente con la cantidad vendida de un artículo (h1) y negativamente con la frecuencia de las auditorías (h2), el coste del artículo (h3) y su volumen monetario (h4).⁴ DHR también encuentran factores en el nivel de la tienda: la IRI se asocia con la estructura de distribución utilizada (h5) y positivamente con la densidad del inventario (h6) y la variedad de productos (h7). Excluimos estos elementos de toda la tienda (h5–h7) porque nuestra muestra no permite suficiente variación entre establecimientos. Controlamos todas las características de las tiendas invariantes en el tiempo mediante un efecto fijo de tienda. Así, nuestra investigación se centra en atributos de las SKUs como factores determinantes de la IRI, frente al enfoque mixto de DHR, que disponían de suficiente variación entre tiendas. Por último, nuestro socio no realiza auditorías parciales de SKUs seleccionadas, sino recuentos en toda la tienda. Por ello, nuestras medidas de frecuencia de comprobación y los efectos fijos de tienda son colineales, lo que controlamos explícitamente en la sección de estimación.

4.2 | Estimación empírica

Utilizamos un modelo de efectos fijos (FE) para controlar las características de las tiendas invariantes en el tiempo y considerar posibles diferencias entre las SKUs mediante la estimación con efectos aleatorios (RE). En concreto:

\[|IRI_{is}| = \beta_0 + \alpha_1 STOCK + \alpha_2 REPLEN + \alpha_3 PER + \alpha_4 PROMO + \gamma_1 QUANTITY + \gamma_2 DAYS + \gamma_3 PRICE + \boldsymbol{\eta}_s + \boldsymbol{\kappa}_i + \varepsilon_{is}\]

Donde IRIis es la inexactitud del registro de inventario del artículo i en la tienda s. \(\beta_0\) es un parámetro de intercepto fijo, \(\boldsymbol{\eta}_s\) es un vector de efectos fijos de la tienda y \(\boldsymbol{\kappa}_i\) es un vector de efectos aleatorios de la SKU. Los regresores QUANTITY, DAYS y PRICE son controles introducidos como parte de los factores ya identificados por DHR (h1 a h3). Se eliminó el control del volumen de ventas (en dólares/libras) de un artículo (h4) porque los márgenes y el volumen de ventas son muy colineales con QUANTITY y PRICE. Los coeficientes \(\alpha\) permiten probar nuestras cuatro hipótesis.

El Modelo 1 de la Tabla 3 presenta los resultados de una regresión con intercepto, efectos fijos de tienda y efectos aleatorios de SKU, con errores estándar robustos entre paréntesis. La varianza entre tiendas explica el 10% de la varianza observada de la IRI. El Modelo 2 presenta los resultados de nuestra regresión. Las variables de las SKUs, incluidos los controles, explican un 17% adicional. Los tres controles derivados de los hallazgos anteriores de DHR son significativos (p = 0,000 para \(\gamma_1\), \(\gamma_2\) y \(\gamma_3\)) y tienen el signo esperado. Esto confirma que, pese a las diferencias del entorno minorista, los hallazgos de DHR se mantienen y que el volumen, la frecuencia de las auditorías y el precio se asocian estrechamente con la IRI.

Nota: La medida Pseudo R² se basa en la correlación al cuadrado entre los pedidos estimados y los reales (Wooldridge 2010). Los errores estándar robustos aparecen entre paréntesis. *p < 0,05; **p < 0,01; ***p < 0,001.

Sin embargo, obsérvese que en la regresión del Modelo 2 se eliminó el intercepto porque, como se explicó anteriormente, todos los artículos de una tienda comparten el mismo número de DAYS desde la última auditoría; es decir, esta variable es colineal con los efectos fijos de tienda. De hecho, el Modelo 2 tiene un Factor de Inflación de la Varianza (VIF) medio de 9,2, con 5 regresores (DAYS y 4 FE de tienda) cuyo VIF supera 10. Confirmamos la fuente de colinealidad eliminando el control de DAYS desde la última inspección (Modelo 3). El modelo revisado tiene un VIF máximo de 4,25 (VIF medio = 2,05). La especificación revisada reintroduce el intercepto y todos los coeficientes y errores estándar permanecen sin cambios, lo que indica que toda la información de la variable DAYS revierte a los efectos fijos de tienda. El hecho de que DAYS tenga un coeficiente significativo en presencia de FE de tienda indica que contiene información direccional útil para explicar la IRI. Sin embargo, la inclusión de DAYS tenía por objeto controlar uno de los determinantes preexistentes encontrados por DHR (h2) y no es central para la comprobación de nuestras hipótesis. Por lo tanto, presentamos el Modelo 2 para conservar la información direccional contenida en DAYS, pero tratamos el Modelo 3 como nuestra especificación preferida y más parsimoniosa.

Respecto a la reposición, en consonancia con H1 encontramos pruebas de que unos niveles medios de inventario más elevados se asocian con una IRI mayor (\(\alpha_1\) = 0,521, p = 0,000). La frecuencia de reposición (H2) también es muy significativa y tiene el signo previsto (\(\alpha_2\) = 0,056, p = 0,000). H3 predice que los productos perecederos mostrarán mayor IRI; respaldamos la hipótesis al constatar que el coeficiente de PER es muy significativo (\(\alpha_3\) = 0,064, p = 0,000).

Por último, la proporción de artículos vendidos en promoción se asocia negativamente con la IRI (\(\alpha_4\) = −0,012, p = 0,000), lo que rechaza H4a y respalda H4b. La supervisión operativa adicional provocada por la preparación y el seguimiento de las promociones se asocia con una IRI menor cuando se controlan los efectos negativos de las ventas incrementales.

Es interesante que el efecto del nivel de STOCK sobre la IRI sea un orden de magnitud mayor que el de toda la QUANTITY vendida: un aumento del 1% en el inventario representa un aumento del 0,52% en la IRI, mientras que un 1% más de cantidad vendida solo representa un 0,04%; además, el efecto de la frecuencia de reposición (REPLEN) es un 47% mayor que el de QUANTITY. Estos resultados ofrecen una visión más matizada que el estudio de DHR, que solo incluía la cantidad vendida. Los artículos perecederos (PER) tienen en promedio un 6,4% más de inexactitud que los no perecederos, y los artículos en promoción (PROMO) tienen una IRI un 1,2% menor que los no promocionados.

Los Modelos 1 a 3 emplean como variable dependiente el valor absoluto de la IRI. En el Modelo 4 utilizamos como prueba de robustez ese valor expresado como porcentaje del inventario en el momento de la auditoría. La muestra disminuye un 1,7% porque algunos artículos con IRI no tenían inventario real, y la varianza explicada disminuye porque las variables se diseñaron para explicar el valor absoluto, no el porcentual. Aun así, la significación y el signo de la mayoría de los coeficientes son iguales que en el Modelo 3. La única diferencia perceptible es la pérdida de significación de PROMO (p = 0,105), explicada porque la variable porcentual ajusta las magnitudes relativas y reduce más del 50% los valores z de la mayoría de los regresores.

5 | ¿Mejoran las auditorías las ventas?

Pasamos ahora a determinar en qué medida la IRI importa monetariamente en el comercio minorista. ¿Mejoran las auditorías y las conciliaciones de registros las ventas? Para evaluarlo realizamos un estudio de intervención cuasiexperimental (Shadish et al. 2002), comparando dos tiendas similares donde el ‘tratamiento’ consistió en un recuento de inventario en toda una de ellas, unos 6 meses después de un recuento inicial en ambas. Nos interesaba especialmente saber si la reorganización y limpieza afectaban a las ventas agregadas. Este diseño también permitió evaluar efectos heterogéneos según los atributos o el estado de exactitud de los productos. El minorista ayudó a emparejar las tiendas de tratamiento y control según tamaño, ubicación, formato, surtido, precios, personal y procedimientos de reposición. Aunque la tienda de control tenía funciones de comercio electrónico más avanzadas, ambas mostraban tendencias de ventas previas y estructuras organizativas similares. Se realizó una prueba de tendencias paralelas para validar la comparabilidad antes de la intervención. Tras identificar las tiendas, confirmamos que sus políticas y capacidades no cambiarían durante el experimento. La tienda de tratamiento se eligió al azar lanzando una moneda: la tienda nº 1 de la Tabla 1 fue la de tratamiento y la nº 2, la de control. El diseño maximiza la validez interna al analizar más de 5.000 SKUs durante varios meses, con variación interna y potencia estadística suficientes. Hasta donde sabemos, ningún estudio empírico anterior ha realizado un experimento de campo en toda una tienda para evaluar las implicaciones directas de la IRI sobre las ventas, lo que convierte esta investigación en una prueba rara y valiosa de la teoría en un entorno minorista natural.

Se siguieron los datos de ventas e inventario durante 2 meses antes y después del tratamiento. Solo utilizamos SKUs vendidas antes y después del recuento en las tiendas de tratamiento y control. La muestra resultante fue de 5.657 SKUs directamente comparables, el 95% y el 97% del total de las tiendas de tratamiento y control, respectivamente. Agregamos los datos mensualmente siguiendo trabajos anteriores sobre operaciones minoristas (por ejemplo, Ton and Raman 2010; Kesavan et al. 2014; Chuang and Oliva 2015). Presentamos el análisis en ingresos por ventas, pero los resultados son coherentes cuando se miden las ventas en unidades.⁵

Limitar la muestra a SKUs coincidentes permite omitir los efectos de categoría y SKU de las regresiones: al ser invariantes en el tiempo y entre tiendas, quedan captados por los efectos fijos de nivel superior. Aunque incorporar efectos aleatorios anidados para categoría y SKU (modelo de tres niveles) revela cierta correlación intraclase residual, no modifica las estimaciones salvo por producir errores estándar algo menores. Como el tratamiento se establece en el nivel de la tienda, presentamos e interpretamos los modelos más parsimoniosos.

Este diseño experimental nos permitió realizar un diagnóstico riguroso de las condiciones y los supuestos experimentales, así como un análisis detallado del efecto de la intervención en todas las SKUs de la tienda y de los efectos heterogéneos específicos sobre los atributos de los productos y el estado del inventario. Para reforzar la credibilidad del diseño de la investigación, complementamos la evaluación anterior al tratamiento con diagnósticos formales: (i) pruebas estadísticas que confirman la comparabilidad anterior al tratamiento, (ii) un mes placebo (−1) que no muestra ningún efecto anticipatorio y (iii) una especificación dinámica de diferencias en diferencias (DID) que indica ganancias posteriores al tratamiento que se fortalecen en el mes +2. Estas comprobaciones siguen las prácticas recomendadas para validar el supuesto de tendencias paralelas en los análisis DID (Angrist and Pischke 2009; Bertrand et al. 2004; Cunningham 2021); véase también la Figura 2 para una confirmación visual de las trayectorias de la variable dependiente por tienda.

A continuación, evaluamos primero el efecto medio del tratamiento mediante un modelo DID (Modelo 1); separamos los efectos fijos mensuales (Modelo 2) para realizar la prueba de tendencias paralelas y la prueba de causalidad de Granger; y en el Modelo 3 formulamos una especificación dinámica del efecto del tratamiento para evaluar su evolución a lo largo del tiempo. Por último, evaluamos los efectos heterogéneos del tratamiento según si un artículo fue corregido y el signo de la corrección (Modelo 4), y según la perecibilidad del producto (Modelo 5), un factor determinante clave de la IRI en el entorno de la alimentación. A lo largo de esta progresión en la complejidad de las pruebas y el análisis, los resultados son coherentes dentro de cada modelo y entre ellos, lo que confirma aún más su robustez.

5.1 | Efecto medio del tratamiento

Primero evaluamos el modelo DID estándar motivado por Card and Krueger (1994), que aborda la variación no observada entre los grupos de tratamiento y control y los efectos temporales exógenos. La especificación básica es:

\[y_{ist} = \beta_0 + \beta_1 POST_t + \beta_2 TREAT_s + \gamma POST_t \times TREAT_s + \varepsilon_{ist} \tag{1}\]

donde yist son las ventas de la SKU i en la tienda s durante el mes t. POSTt es un indicador binario del periodo (1 si el mes t pertenece al periodo posterior al tratamiento), y \(\beta_1\) capta la variación entre los periodos previo y posterior. TREATs es un indicador de tienda (1 si s es la tienda de tratamiento), y \(\beta_2\) indica la diferencia intrínseca entre las tiendas. El parámetro \(\gamma\) es el estimador DID de interés, que capta el impacto de la auditoría tras aislar los efectos fijos de tienda y periodo. Adoptamos errores estándar robustos (Cameron and Miller 2015), agrupados por SKU.

El Modelo 1 de la Tabla 4 muestra los resultados. La significación de \(\beta_1\) indica una reducción general de las ventas en ambas tiendas después de la auditoría, y la de \(\beta_2\) sugiere una ligera diferencia entre ellas (la tienda de tratamiento tenía ventas medias un 6% menores). La estimación positiva y significativa del coeficiente DID (\(\gamma\) = 0,396, p = 0,000) implica un efecto positivo sobre las ventas del grupo de tratamiento. El estimador DID busca el contraste del tratamiento, no maximizar la varianza explicada; por tanto, valores bajos de R2 no diagnostican por sí solos sesgo (Wooldridge 2010; Angrist and Pischke 2009; Cunningham 2021). El bajo ajuste refleja la idiosincrasia de las ventas SKU-mes y que nuestros factores representan solo una pequeña parte de todos los determinantes de la IRI (personal, hurtos, operaciones, etc.); ello justifica una interpretación prudente y el uso de errores robustos y múltiples comprobaciones. El aumento estimado por DID (£0,40) representa el 11,2% de la venta media posterior por artículo-tienda (£3,53).

Nota: Los errores estándar robustos aparecen entre paréntesis. *p < 0,05; **p < 0,01; ***p < 0,001.

Un modelo alternativo (Card 1992), que aísla las características específicas de la tienda invariantes en el tiempo (por ejemplo, superficie y densidad de competidores) y el efecto fijo de cada mes (por ejemplo, festivos y clima), se especifica así:

\[y_{ist} = \beta_0 + \eta_s + \boldsymbol{\mu}_t + \gamma POST_t \times TREAT_s + \varepsilon_{ist} \tag{2}\]

donde \(\eta_s\) es una variable ficticia para una de las tiendas (en este caso, la tienda de tratamiento), y el vector \(\boldsymbol{\mu}_t\) contiene los coeficientes de los efectos fijos de cada mes de la muestra. Esta formulación mejora ligeramente el ajuste del modelo, pero produce una estimación idéntica para el estimador DID \(\gamma\) (Modelo 2 de la Tabla 4), lo que corrobora nuestro hallazgo principal. Al ampliar el Modelo 2 para incluir la interacción triple entre MONTH × TREAT y las variables que indican los periodos anteriores y posteriores al tratamiento, se observa que no hay diferencia en las pendientes entre el grupo de tratamiento y el grupo de control (p = 0,112), es decir, la prueba de tendencias paralelas (Cunningham 2021),⁶ mientras que sí se observa una diferencia significativa en las pendientes durante los periodos posteriores al tratamiento. Además, el Modelo 2 revela que la mayor parte de las caídas de ventas (en ambas tiendas) se produjo durante el segundo mes posterior a la intervención (\(\mu_2\) = −0,869, p = 0,000). Obsérvese que los coeficientes del caso base mensual representan ajustes a los niveles de ventas de dos meses antes de la auditoría de inventario (el caso base).

5.2 | Efectos dinámicos

A continuación probamos la dinámica del tratamiento, pues se espera que los beneficios de una auditoría y la reorganización de los estantes disminuyan con el tiempo. La especificación dinámica de DID es:

\[y_{ist} = \beta_0 + \eta_s + \boldsymbol{\mu}_t + \boldsymbol{\gamma}_t \times \boldsymbol{TREAT}_{st} + \varepsilon_{ist} \tag{3}\]

donde el vector TREAT st es un indicador binario de si la tienda s había recibido el tratamiento en el mes t. Para la estimación, omitimos el periodo anterior a la intervención (mes = −1) para dejarlo como categoría de referencia. Como se esperaba, el coeficiente del mes restante anterior a la intervención (\(\gamma_{-2}\)) no es significativo (véase el Modelo 3 de la Tabla 4), lo que confirma que los efectos del tratamiento no pueden observarse antes del tratamiento; esta es la prueba de causalidad de tipo Granger (Angrist and Pischke 2009).⁷

Los coeficientes de los dos periodos posteriores a la intervención sí muestran la mejora esperada de las ventas, pero, contrariamente a lo previsto, observamos que el aumento de las ventas durante el segundo mes posterior a la intervención es un 65% mayor que durante el primero. Esto podría explicarse en parte por el efecto perturbador que las auditorías pueden tener sobre las operaciones y el tráfico de la tienda (reduciendo así las ventas durante los primeros días posteriores a la auditoría), por el efecto acumulativo de las auditorías sobre el tráfico (una tienda ordenada con menos roturas de stock atraerá más tráfico) o por el hecho de que las ventas del segundo periodo posterior a la auditoría son mucho menores en ambas tiendas (véase el coeficiente de \(\mu_2\) en los Modelos 2 y 3), lo que hace más visibles los beneficios de la auditoría.

5.3 | Efectos heterogéneos: corrección de la IRI

Probamos la posibilidad de que exista un efecto heterogéneo de la dirección de la corrección del inventario realizada durante la auditoría de tratamiento mediante la creación de variables binarias que captan el signo de la corrección realizada (POS = 1 si se comprobó que el inventario real era mayor que el inventario del sistema y NEG = 1 si el inventario real era menor que el inventario registrado en el sistema), sin asignar ningún signo si el artículo se auditó y se determinó que era exacto. El caso base, un artículo exacto, nos permite aislar el efecto de la intención de tratar, pero cuando no era necesario ningún tratamiento real (Gupta 2011; Zhang et al. 2017), lo que nos permite comprobar si existen efectos de la auditoría en toda la tienda más allá de los artículos corregidos. Especificamos este modelo a partir del Modelo 2, que controla explícitamente los efectos fijos de tienda y de mes:

\[y_{ist} = \beta_0 + \eta_s + \boldsymbol{\mu}_t + \delta_p POS + \delta_n NEG + \gamma POST_t \times TREAT_s + \varepsilon_{ist} \tag{4}\]

Obsérvese que en esta especificación las variables ficticias POS y NEG solo se definen para la condición POST × TREAT y, por lo tanto, incorporan la interacción triple. Por la misma lógica, las interacciones dobles {POS × POST, POS × TREAT, NEG × POST, NEG × TREAT} son colineales con estos términos y se eliminan de la regresión. El Modelo 4 de la Tabla 4 presenta los resultados de la regresión. En primer lugar, obsérvese que los coeficientes de los efectos fijos mensuales son iguales a los del Modelo 2, por lo que todas las diferencias se concentran en el término de diferencias en diferencias y en las variables ficticias de dirección de la corrección. Al separar el efecto del signo de la corrección, para el caso base, es decir, un artículo auditado pero no corregido, el coeficiente de diferencias en diferencias (\(\gamma\)) deja de ser significativo (p = 0,786), lo que indica que no hay beneficios ampliados, medidos por aumentos de las ventas, por realizar una auditoría más allá de los artículos corregidos. El coeficiente de las correcciones negativas (\(\gamma\) + \(\delta_n\) = 1,052) es positivo y muy significativo (p = 0,000), mientras que el coeficiente de las correcciones positivas (\(\gamma\) + \(\delta_p\) = −0,188) no es significativamente distinto de cero (p = 0,427), lo que sugiere que los beneficios incrementales de ventas —la variable dependiente de interés— del proceso de auditoría solo se materializan en los artículos declarados en exceso en el sistema de información. De hecho, el efecto del tratamiento en los artículos que requirieron una corrección negativa es 2,67 veces el efecto medio entre todos los artículos de la tienda de tratamiento y el 32% de la venta media por artículo-tienda después de la auditoría.⁸ Esto concuerda con el escenario de “congelación del inventario” (Kang and Gershwin 2005), en el que, como se explicó anteriormente, un artículo agotado no se repone porque el registro del sistema es positivo, aunque no haya existencias disponibles. La ausencia de efecto sobre las ventas de los artículos auditados pero no corregidos (\(\gamma\)) o corregidos positivamente (\(\gamma\) + \(\delta_p\)) sugiere que el simple proceso de reorganizar la tienda no basta para producir un efecto positivo sobre las ventas. Así, aunque la auditoría de toda la tienda podría aportar algunos beneficios operativos marginales, nuestro análisis muestra que estos por sí solos no se traducen en aumentos medibles de las ventas. La ausencia de efectos significativos en los artículos corregidos positivamente o no corregidos confirma que la corrección de los registros de inventario sobrestimados es la que impulsa el aumento observado de las ventas.

5.4 | Efectos heterogéneos: perecibilidad

Por último, para comprobar la posibilidad de un efecto heterogéneo del tratamiento sobre una de las dimensiones clave que afectan a la IRI (véase la Sección 3), separamos los efectos de las auditorías sobre los productos perecederos y los no perecederos. Incluimos en la categoría de productos perecederos aquellas SKUs cuya vida útil esperada es corta (pocos días), y dejamos en la categoría de no perecederos los productos cuya vida útil esperada se mide en meses (véase la nota 2 para consultar la lista detallada de categorías clasificadas como perecederas). En las tiendas de nuestra muestra, las SKUs perecederas representan el 27,5% del número total de SKUs de la tienda. Ampliamos el modelo de la Ecuación (1) para incluir el modelo de diferencias triples que incorpora todas las interacciones de dos niveles:

\[\begin{aligned} y_{ist} ={}& \beta_0 + \beta_1 POST_t + \beta_2 TREAT_s + \beta_3 PER_i + \alpha_1 PER_i \times POST_t + \alpha_2 PER_i \times TREAT_s \\ &+ \gamma POST_t \times TREAT_s + \theta PER_i \times POST_t \times TREAT_s + \varepsilon_{ist} \end{aligned} \tag{5}\]

En el modelo anterior, PERi es una variable indicadora que mide si la SKU i es perecedera y si la estimación de \(\theta\) capta el efecto incremental que tendrán las auditorías sobre los productos perecederos por encima del efecto calculado para los productos no perecederos (\(\gamma\)). El Modelo 5 de la Tabla 4 presenta los resultados de nuestra regresión. En primer lugar, es interesante observar que, al controlar por los productos perecederos, la diferencia entre la tienda de tratamiento y la de control deja de ser significativa (p = 0,765 para \(\beta_2\)), lo que sugiere una diferencia significativa en el volumen de ventas de productos perecederos entre ambas tiendas. El coeficiente de los productos perecederos (\(\beta_3\)) es positivo y significativo, lo que indica que las ventas medias generales son mayores para los productos de las categorías perecederas. Resulta interesante que el efecto de las auditorías sobre las ventas de productos perecederos (\(\theta\) = 0,606) sea casi tres veces mayor que para los productos no perecederos (\(\gamma\) = 0,204), lo que sugiere que las auditorías pueden desempeñar un papel importante en la mejora de las ventas de aquellos productos con las mayores inexactitudes de los registros de inventario que identificamos en la Sección 3.

6 | Discusión

Comprender cómo afectan los procesos operativos al rendimiento sigue siendo fundamental para las empresas minoristas que actúan en mercados maduros y muy competitivos. En la alimentación, la gestión del inventario es especialmente compleja porque la perecibilidad y las promociones determinan la frecuencia, visibilidad y ejecución de las tareas relacionadas. En este contexto, el artículo examinó la prevalencia y los factores determinantes de la IRI y evaluó el impacto de las auditorías en toda la tienda sobre las ventas con datos de un destacado minorista de alimentación del UK. A continuación distinguimos las implicaciones teóricas, empíricas y para la gestión antes de exponer las limitaciones y líneas futuras.

6.1 | Implicaciones teóricas

Nuestros hallazgos amplían la perspectiva basada en la atención (ABV) en entornos operativos (Ocasio 1997, 2011; Joseph et al. 2024) al mostrar cómo distintas condiciones de inventario activan mecanismos diferentes de asignación de atención que determinan la aparición, visibilidad y corrección de las inexactitudes. En términos más amplios, refinan la ABV al mostrar que los resultados de exactitud no dependen solo de la escasez de atención, sino de la interacción entre fragmentación y selectividad (Ocasio 1997, 2011). Aunque trabajos anteriores destacan la atención limitada como restricción, nuestros hallazgos muestran que ciertas condiciones —como las promociones— pueden mejorar temporalmente la exactitud al concentrarla mediante rutinas estructuradas (Rerup 2009).

Primero, a partir del trabajo fundamental de DeHoratius and Raman (2008), validamos factores operativos adicionales especialmente relevantes en la alimentación: la perecibilidad y las promociones. Unos niveles más altos, una reposición más frecuente y la perecibilidad se asocian con mayor IRI porque aumentan los episodios de manipulación, verificación y actualización en los que debe mantenerse la exactitud. Para la ABV, estas condiciones multiplican los puntos donde pueden introducirse errores y aumentan la posibilidad de fragmentación entre intervenciones repetidas (Ocasio 2011; Sullivan 2010). Es especialmente informativo que la actividad promocional se asocie con menor IRI. Los resultados sugieren que las rutinas promocionales estructuradas impulsan la selectividad y concentran la atención en los artículos promocionados. Esta concentración domina la fragmentación y mejora la exactitud. La contribución no consiste solo en identificar nuevos factores, sino en mostrar que las condiciones operativas determinan sistemáticamente la atención de forma distinta: algunas la fragmentan entre puntos repetidos y otras la concentran mediante relevancia y verificación estructurada (Joseph et al. 2024).

Segundo, los hallazgos sobre auditorías refinan la ABV al mostrar que las consecuencias de la IRI dependen no solo de que existan inexactitudes, sino de que sean visibles para los procesos rutinarios. Los beneficios se concentran en artículos con IRI negativa, lo que sugiere que las auditorías importan más cuando revelan discrepancias que permanecerían ocultas para la reposición normal. Así, la auditoría no es solo un mecanismo de recuento, sino una intervención que restaura la visibilidad y hace observables y corregibles los registros sobrestimados (Ocasio 1997; Vuori and Huy 2016). La respuesta más fuerte de los perecederos sigue la misma lógica: donde la manipulación es mayor y las inexactitudes son más frecuentes, los rendimientos de restaurar la visibilidad también son mayores. Esto amplía la ABV al mostrar que la atención importa tanto en la generación de errores como en las condiciones que los hacen suficientemente visibles para corregirlos (Ocasio 2011; Joseph et al. 2024).

Tercero, el patrón temporal sugiere que los beneficios de las intervenciones que dirigen la atención pueden desarrollarse gradualmente en vez de disiparse de inmediato. Las auditorías pueden hacer más que corregir registros en un momento: también pueden recalibrar temporalmente las rutinas y permitir que las consecuencias posteriores de una mejor disponibilidad aparezcan con el tiempo. Para la ABV, esto abre una vía de investigación sobre la persistencia de la atención, la durabilidad de las rutinas correctivas y el momento de las intervenciones (Ocasio 2011; Rerup 2009).

Por último, señalamos que nuestras hipótesis propuestas tienen generalización teórica (Meredith 1998). Aunque los hallazgos empíricos de un cuasiexperimento de campo carecen de generalización muestral —véase el análisis de la Sección 6.4—, es probable que los factores determinantes y las dinámicas identificados se extiendan a otros formatos minoristas que afrontan retos de inventario y compensaciones operativas similares, incluidas las tiendas de conveniencia, las farmacias y los minoristas de ropa. La magnitud específica de los efectos y las compensaciones variará de un entorno a otro, pero el marco y los métodos aquí propuestos abren una nueva línea de investigación. En este caso, es el realismo ecológico del experimento de campo —que capta el comportamiento de la dirección, las rutinas operativas, los flujos de clientes y las fricciones del sistema en el entorno donde el fenómeno ocurre naturalmente— el que da credibilidad a las relaciones causales identificadas (McGrath 1981).

6.2 | Contribución empírica

El estudio aporta tres contribuciones empíricas a la literatura sobre IRI y operaciones minoristas. Primero, implementa un diseño cuasiexperimental en toda la tienda que ofrece evidencia causal directa y a escala sobre el impacto de las auditorías en las ventas. En lugar de centrarnos en pocas SKUs o solo en simulaciones, analizamos más de 5.000 SKUs en un par de tiendas emparejadas mediante diferencias en diferencias con efectos fijos de tienda y mes, diagnósticos formales de tendencias paralelas y una especificación dinámica. El diseño ofrece una perspectiva de campo poco común sobre cómo las intervenciones se traducen en ventas en un entorno natural.

Segundo, nuestros resultados producen regularidades empíricas que pueden servir como referencias cuantitativas para trabajos futuros. Estimamos que un recuento de inventario en toda la tienda se asocia con un aumento aproximado del 11% de las ventas durante los 2 meses posteriores a la auditoría, lo que aporta una evaluación del orden de magnitud del valor económico de corregir los registros de inventario. Mostramos además que este aumento es muy heterogéneo. Los beneficios se concentran en las SKUs con IRI negativa en el momento de la auditoría, mientras que las SKUs con IRI positiva o registros exactos no muestran ninguna respuesta apreciable de las ventas. Los artículos perecederos —que también presentan una IRI inicial mayor— experimentan una mejora de las ventas posterior a la auditoría más fuerte que los artículos no perecederos. En conjunto, estos hallazgos precisan nuestra comprensión empírica de dónde y para quién son más importantes las auditorías, y proporcionan puntos de referencia cuantitativos para estudios posteriores.

Tercero, documentamos efectos dinámicos que enriquecen la base empírica para estudiar el momento y el enfoque de las auditorías. El efecto se fortalece en el segundo mes en vez de desaparecer, lo que sugiere que los beneficios se desarrollan gradualmente mientras se ajustan la reposición y la demanda. La descomposición por signo y perecibilidad destaca grupos específicos —en particular SKUs perecederas con registros sobrestimados— como objetivos prometedores de políticas selectivas. Estos patrones pueden orientar la calibración de modelos y nuevos estudios de intervención.

Estos patrones también tienen implicaciones directas para la asignación del esfuerzo de auditoría, la atención de gestión y las tecnologías de apoyo.

6.3 | Implicaciones para la gestión

Nuestros hallazgos ofrecen orientación práctica a los responsables del comercio minorista que buscan mejorar la exactitud del inventario y el rendimiento de las ventas. En primer lugar, la identificación de los niveles de inventario, la frecuencia de reposición y la perecibilidad como factores determinantes clave de la IRI puede orientar la priorización de los esfuerzos de control del inventario. Los productos expuestos a una manipulación frecuente, una reposición repetida y una gestión más estricta de la vida útil tienen más probabilidades de experimentar tasas más rápidas de degradación de la información (Chuang et al. 2022) y, por lo tanto, deben recibir una mayor atención de supervisión, rutinas de ejecución más disciplinadas y, cuando proceda, apoyo tecnológico selectivo.

Segundo, los efectos heterogéneos de las auditorías implican que los minoristas no tienen que tratar todas las SKUs como objetivos de igual valor para la corrección del inventario. Como los beneficios de las auditorías sobre las ventas se concentran en artículos con IRI negativa y son mayores para los productos perecederos, los minoristas pueden aumentar el rendimiento de sus inversiones en control de inventario dando prioridad a las categorías y los artículos con mayor riesgo de discrepancias ocultas en las existencias. Esto apunta a una lógica de auditoría más selectiva, en la que la frecuencia, la mano de obra y la atención de seguimiento se asignan según las características de los productos y el riesgo de discrepancia, en lugar de distribuirse uniformemente por toda la tienda. Aunque no tuvimos acceso al coste de realizar una auditoría, el método aquí descrito permite a los responsables cuantificar sus beneficios y tomar una decisión mejor informada sobre el momento y la intensidad de futuras auditorías. La demostración empírica de un aumento aproximado del 11% en las ventas de toda la tienda después de las auditorías de inventario sugiere que estas deben considerarse inversiones operativas valiosas y que su percepción debe pasar de tareas centradas en el cumplimiento a la de un factor estratégico del negocio.

Tercero, la asociación negativa entre promociones e IRI modifica el cálculo de las compensaciones entre sus beneficios y las perturbaciones de las operaciones. En el minorista analizado, las campañas parecen introducir rutinas estructuradas y mayor escrutinio que reducen discrepancias, y prácticas similares podrían extenderse fuera de los periodos promocionales. Comprobaciones más estrictas de estantes e inventario, responsabilidades más claras y mayor disciplina pueden servir de modelo para rutinas cotidianas que mejoren la exactitud.

Por último, los hallazgos tienen implicaciones para el papel de la tecnología en la gestión del inventario. Trabajos anteriores muestran que tecnologías como RFID pueden mejorar la visibilidad del inventario y reducir la IRI, pero no eliminan por completo el problema (Hardgrave et al. 2009, 2013; Goyal et al. 2016). Nuestros resultados refuerzan esta perspectiva al mostrar que muchas discrepancias surgen de procesos de ejecución y manipulación que todavía requieren interpretación humana y medidas correctivas. Por lo tanto, las tecnologías que mejoran la visibilidad deben considerarse complementos de la supervisión de la dirección y de las auditorías dirigidas, no sustitutos de ellas. Es probable que los enfoques híbridos que combinen el despliegue selectivo de tecnología con auditorías focalizadas y rutinas operativas disciplinadas sean los más eficaces para mejorar la exactitud de los registros de inventario y el rendimiento de ventas asociado.

6.4 | Limitaciones e investigaciones futuras

Como todo estudio empírico, este trabajo tiene limitaciones. En general, los experimentos de campo logran un mayor realismo al sacrificar la generalización contextual y el control total del entorno experimental (McGrath 1981; Abdulla et al. 2024). En nuestro caso, el estudio cuasiexperimental se realizó en un único par de tiendas emparejadas de un solo minorista, y las restricciones económicas limitaron el grado en que las condiciones de control podían mantenerse completamente estables. Se necesitan pruebas adicionales para verificar si los recuentos de inventario pueden tener un efecto positivo general sobre las ventas al despejar la tienda y para comprobar la direccionalidad y la escala de los efectos heterogéneos aquí detectados, incluidos los asociados con el estado de la IRI, la perecibilidad y las promociones. La replicación en diversos entornos minoristas y con muestras más grandes reforzaría la validez externa. Los minoristas que quieran evaluar el impacto de las correcciones de inventario sobre las ventas en sus propias operaciones pueden adaptar la estructura cuasiexperimental aquí propuesta. Por ejemplo, los mecanismos que subyacen a nuestro hallazgo de que la actividad promocional se asocia con una IRI menor pueden depender de las rutinas promocionales, las prácticas de supervisión y las estructuras de cumplimiento específicas de cada minorista. En el entorno estudiado, las promociones parecen activar procesos reforzados de supervisión y cumplimiento que reducen las discrepancias, pero los minoristas que asignen menos atención operativa a los productos promocionados pueden no experimentar el mismo efecto. Las investigaciones futuras deben examinar cómo las variaciones en la gobernanza promocional configuran la relación entre las promociones y la exactitud de los registros de inventario.

El estudio también está limitado por la heterogeneidad de gestión no observada. Aunque los efectos fijos controlan diferencias invariantes y procuramos controlar cambios en los procesos, variaciones no observadas en calidad de ejecución, disciplina del personal, prácticas o iniciativas simultáneas podrían afectar tanto a la aparición de la IRI como al impacto de las auditorías. La investigación futura debe combinar datos operativos con encuestas o evaluaciones cualitativas de rutinas y capacidades para examinar cómo la heterogeneidad variable en el tiempo influye en la formación de la IRI y la eficacia de las auditorías. Esto aclararía cuándo y cómo la atención de gestión amplifica o atenúa los efectos.

Otra limitación se refiere a los mecanismos que vinculan las auditorías, las correcciones de la IRI y los resultados de ventas. El estudio aporta pruebas de que la corrección de una IRI negativa se asocia con mayores ventas, y ofrece argumentos de base teórica según los cuales esta mejora probablemente se deriva de una mayor disponibilidad de los productos y una menor congelación del inventario. Sin embargo, estos mecanismos intermedios no se observan directamente en nuestros datos. Se trata de un reto más amplio para esta corriente de investigación, porque la IRI no es directamente observable en el momento en que ocurre; solo puede medirse ex post mediante esfuerzos deliberados de auditoría. Por lo tanto, será difícil desarrollar una explicación más completa de la vía causal que va desde la aparición de la discrepancia hasta las roturas de stock y las ventas perdidas. No obstante, nuestros hallazgos cuasiexperimentales aportan pruebas coherentes con los mecanismos propuestos, y las investigaciones futuras pueden basarse en este fundamento mediante la integración de los registros de inventario con datos detallados de disponibilidad en el estante, información sobre las cestas de los clientes o estudios observacionales de los procesos de reposición.

Los hallazgos y las limitaciones anteriores sugieren dos posibles áreas para futuras investigaciones. En primer lugar, es necesario comprender mejor los factores determinantes de la IRI. DeHoratius and Raman (2008) aportaron las primeras perspectivas sobre el problema. Nosotros ampliamos la literatura sobre la IRI al identificar la perecibilidad y las promociones como factores determinantes que desempeñan un papel especialmente importante en el comercio minorista de alimentación. Sin embargo, ambos estudios utilizan especificaciones lineales para aislar el efecto de distintos factores. Las investigaciones futuras deberían comprobar las interacciones no aditivas entre estos factores, ya que pueden crear efectos de umbral o amplificación que los modelos lineales pasan por alto. Por ejemplo, el impacto de la actividad promocional sobre la IRI puede variar según la perecibilidad o la velocidad de salida del estante de un artículo; podrían estudiarse efectos no lineales —como aumentos de la IRI basados en umbrales cuando los niveles de inventario son muy altos— para perfeccionar nuestra comprensión actual y orientar intervenciones operativas más dirigidas. Asimismo, los dos estudios sobre los factores determinantes de la IRI son correlacionales, y se necesitan más investigaciones para identificar sus causas fundamentales. Un enfoque prometedor en este contexto es el aprendizaje automático, que ha mostrado buenos resultados en la identificación de patrones que explican la variación de una variable de interés (véase Chou et al. 2023 para ejemplos y un análisis del uso del aprendizaje automático en la identificación de patrones y el desarrollo de teorías). Solo con explicaciones causales de la IRI podremos cuantificar y abordar los problemas operativos que la causan, lo que nos permitirá reducir su incidencia. Sin embargo, desarrollar explicaciones más completas de los mecanismos causales sigue siendo un reto importante porque, como se señaló anteriormente, los episodios de IRI no son directamente observables y solo podemos detectarlos y documentarlos a posteriori (Chuang et al. 2022). No obstante, nuevos estudios con muestras más amplias y durante periodos más prolongados deberían permitir comprobar otros posibles factores determinantes (incluso en un sentido correlacional) y revelar perspectivas que ayuden a desarrollar estrategias de recuento de inventario capaces de dirigir mejor los recursos hacia los productos que ofrecen el mayor potencial de mejora de las ventas. Dado que los recuentos de inventario requieren mucha mano de obra y, por consiguiente, son costosos en muchos sectores, los minoristas podrían comparar el coste de auditar una categoría concreta de productos con el potencial de mejora de las ventas de ese grupo de SKUs. El resultado podría ser la realización de recuentos selectivos con una mayor frecuencia de auditoría para los artículos especialmente afectados por registros de existencias inexactos.

La segunda área de investigación futura que sugieren nuestros hallazgos consiste en estudiar el momento de las auditorías para el grupo de SKUs seleccionado. Este estudio presentó algunas pruebas de la dinámica de las correcciones de la IRI sobre las ventas a través de los efectos temporales de los Modelos 2, 3 y 4. Sin embargo, los resultados son difíciles de interpretar porque las ventas también se ven afectadas por otros factores que dependen del tiempo (por ejemplo, la estacionalidad de la demanda, los días festivos y la actividad promocional). Si, como sugieren nuestros resultados, el aumento de las ventas producido por la auditoría se debe a la corrección de productos ‘congelados’ —o a una situación en la que el inventario es tan bajo que limita las ventas—, quizá una estrategia más prometedora consista en evaluar la evolución de la magnitud de la IRI. Chuang et al. (2022) utilizaron datos empíricos para estimar el deterioro de los registros de existencias, de exactos a inexactos, y desarrollaron una política de inspección que minimiza el coste combinado de realizar las auditorías y el coste esperado de la IRI para un grupo de SKUs. Sin embargo, su política se basa en una expectativa del momento en que un artículo pasará a ser inexacto y en una agregación de las magnitudes de los errores. Nuestros hallazgos sugieren que una mayor precisión en la descripción de la evolución de la magnitud de la IRI tiene potencial para producir políticas de auditoría más dirigidas y nuevas reducciones de costes.

Agradecimientos

Los autores agradecen al editor principal y a los revisores sus comentarios constructivos, que mejoraron una versión anterior. La investigación procede de un proyecto apoyado por Efficient Consumer Response (ECR) Retail Loss Group. Agradecemos a Colin Peacock, de ECR, su importante papel desde el encargo hasta la difusión de los resultados. Reconocemos las contribuciones de la comunidad minorista, incluidos los comentarios recibidos en eventos de Barcelona, Düsseldorf, Paris, Brussels, Copenhagen y London. Este artículo está dedicado a la memoria de Simon Parry, de RGIS, fallecido poco antes de que estuviera listo para su envío. Simon fue un miembro valioso de nuestro equipo y de ECR y será muy añorado. Financiación de acceso abierto facilitada y organizada por Projekt DEAL.

Conflictos de intereses

Los autores declaran que no existen conflictos de intereses.

Notas finales

1. “Congelación del inventario” se refiere a un artículo agotado (Out-Of-Stock, OOS) que no se repone porque el sistema de información considera que hay inventario disponible (Kang and Gershwin 2005).
2. Se consideraron perecederas estas 11 categorías: panadería; lácteos; delicatessen; comida para llevar; fruta; carne; aves, pescado & huevos; comidas preparadas (dos categorías); ensaladas y productos preparados; verduras. Las no perecederas incluyen vinos; tabaco; artículos esenciales de cocina & hogar; salud & belleza; alimentación básica; impulso; familia & hogar; hostelería; cervezas, sidras & licores; temporada, ocasiones & regalos.
3. Las palabras ‘recuento’ y ‘auditoría’ se utilizan indistintamente en este artículo. En sentido estricto, y de acuerdo con la terminología del minorista colaborador, deberíamos hablar de ‘inventarios’. Sin embargo, ‘recuentos de inventario’ y ‘auditorías de inventario’ parecen ser los términos más habituales en la literatura y la práctica.
4. Utilizamos h minúscula para designar las hipótesis del estudio de DHR. Las hipótesis de nuestro estudio se designan con H mayúscula.
5. Las ventanas de dos meses previas y posteriores eran restricciones organizativas definidas para minimizar la interferencia con las operaciones normales, por ejemplo, no retrasando demasiado el tratamiento de la tienda de control.
6. Confirmamos el resultado con el comando didregress de Stata y la prueba formal de tendencias paralelas (estat pretends). El Modelo 2 también supera la prueba de causalidad de Granger (estat granger) (p = 0,112), descrita para el Modelo 3.
7. El Modelo 3 también supera la prueba de tendencias paralelas implementada en Stata (p = 0,114).
8. Los factores se calculan comparando el efecto del tratamiento en los artículos que exigieron una corrección negativa en el Modelo 4 (\(\gamma + \delta_n\)) con el efecto medio del Modelo 2 (\(\gamma\)) y las ventas medias posteriores del Modelo 1 (\(\beta_0 + \beta_1 + \beta_2\)).

Apéndice A

^aLos autores no investigaron una tienda minorista, sino un centro de distribución, una instalación de suministro o un almacén.

Referencias

Aastrup, J., and H. Kotzab. 2009. “Analyzing Out-of-Stock in Independent Grocery Stores: An Empirical Study.” International Journal of Retail & Distribution Management 37, no. 9: 765–789.

Abdulla, H., R. Escamilla, and R. Oliva. 2024. “Registered Reports Review for Field Experiments.” Journal of Operations Management 70, no. 7: 1042–1047.

Afifi, A. A., and V. Clark. 1997. Computer-Aided Multivariate Analysis. Chapman and Hall.

Ailawadi, K. L., J. P. Beauchamp, N. Donthu, D. K. Gauri, and V. Shankar. 2009. “Communication and Promotion Decisions in Retailing: A Review and Directions for Future Research.” Journal of Retailing 85, no. 1: 42–55.

Akkas, A. 2019. “Shelf Space Selection to Control Product Expiration.” Production and Operations Management 28, no. 9: 2184–2201.

Akkas, A., V. Gaur, and D. Simchi-Levi. 2019. “Drivers of Product Expiration in Consumer Packaged Goods Retailing.” Management Science 65, no. 5: 2179–2195.

Angrist, J. D., and J.-S. Pischke. 2009. Mostly Harmless Econometrics. Princeton University Press.

Barratt, M., T. J. Kull, and A. C. Sodero. 2018. “Inventory Record Inaccuracy Dynamics and the Role of Employees Within Multi-Channel Distribution Center Inventory Systems.” Journal of Operations Management 63: 6–24.

Berck, P., J. Brown, J. M. Perloff, and S. B. Villas-Boas. 2008. “Estimating and Testing a Demand System With Price and Expenditure Endogeneity.” Journal of Agricultural and Resource Economics 33, no. 1: 1–18.

Bertolini, M., E. Bottani, G. Romagnoli, and G. Vignali. 2015. “The Impact of RFID Technologies on Inventory Accuracy in the Apparel Retailing: Evidence From the Field.” International Journal of RF Technologies 6: 225–246.

Bertrand, M., E. Duflo, and S. Mullainathan. 2004. “How Much Should We Trust Differences-In-Differences Estimates?” Quarterly Journal of Economics 119, no. 1: 249–275.

Best, J., C. H. Glock, E. H. Grosse, Y. Rekik, and A. A. Syntetos. 2022. “On the Determinants of Positive Inventory Discrepancies in Retail Stores.” International Journal of Physical Distribution and Logistics Management 52, no. 5/6: 414–430.

Blattberg, R. C., R. Briesch, and E. J. Fox. 1995. “How Promotions Work.” Marketing Science 14, no. 3: G122–G132.

Cameron, A. C., and D. L. Miller. 2015. “A Practitioner's Guide to Cluster-Robust Inference.” Journal of Human Resources 50, no. 2: 317–372.

Campo, K., E. Gijsbrechts, and P. Nisol. 2004. “Dynamics in Consumer Response to Product Unavailability: Do Stock-Out Reactions Signal Response to Permanent Assortment Reductions?” Journal of Business Research 57: 834–843.

Card, D. 1992. “Using Regional Variation in Wages to Measure the Effects of the Federal Minimum Wage.” ILR Review 46, no. 1: 22–37.

Card, D., and A. B. Krueger. 1994. “Minimum Wages and Employment: A Case Study of the Fast Food Industry in New Jersey and Pennsylvania.” American Economic Review 84, no. 4: 772–793.

Cardinali, M. G., and S. Bellini. 2014. “Interformat Competition in the Grocery Retailing.” Journal of Retailing and Consumer Services 21: 438–448.

Chou, Y. C., H. H.-C. Chuang, P. Chou, and R. Oliva. 2023. “Supervised Machine Learning for Theory Building and Testing: Opportunities in Operations Management.” Journal of Operations Management 69, no. 4: 643–675.

Chuang, H. H.-C., and R. Oliva. 2015. “Inventory Record Inaccuracy: Causes and Labor Effects.” Journal of Operations Management 39-40: 63–78.

Chuang, H. H.-C., R. Oliva, and S. Kumar. 2022. “Group-Level Information Decay and Inventory Inspection: An Empirical-Analytical Approach.” Journal of Operations Management 68: 130–152.

Chuang, H. H.-C., R. Oliva, and S. Liu. 2016. “On-Shelf Availability, Retail Performance, and External Audits: A Field Experiment.” Production and Operations Management 25: 935–951.

Colla, E. 2004. “The Outlook for European Grocery Retailing: Competition and Format Development.” International Review of Retail Distribution & Consumer Research 14, no. 1: 47–69.

Corsten, D., and T. Gruen. 2003. “Desperately Seeking Shelf Availability: An Examination of the Extent, the Causes, and the Efforts to Address Retail Out-of-Stocks.” International Journal of Retail & Distribution Management 31: 605–617.

Cunningham, S. 2021. Causal Inference. Yale University Press.

DataHorizon Research. 2023. “Retail Analytics Market Size to Reach USD 40.4 Billion by 2032.” Accessed April 06, 2024. https://finance.yahoo.com/news/retail-analytics-market-size-reach-004000792.html.

DeHoratius, N., A. Holzapfel, H. Kuhn, A. J. Mersereau, and M. Sternbeck. 2023. “Evaluating Count Prioritization Procedures for Improving Inventory Accuracy in Retail Stores.” Manufacturing & Service Operations Management 25, no. 1: 288–306.

DeHoratius, N., A. J. Mersereau, and L. Schrage. 2008. “Retail Inventory Management When Records Are Inaccurate.” Manufacturing & Service Operations Management 10, no. 2: 257–277.

DeHoratius, N., and A. Raman. 2008. “Inventory Record Inaccuracy: An Empirical Analysis.” Management Science 54: 627–641.

East, R., W. Lomax, G. Wilson, and P. Harris. 1994. “Decision Making and Habit in Shopping Times.” European Journal of Marketing 28, no. 4: 56–71.

Ehrenthal, J. C. F., and W. Stölzle. 2010. “An Examination of the Causes for Retail Stockouts.” International Journal of Physical Distribution and Logistics Management 43: 54–69.

Eroglu, C., B. D. Williams, and M. A. Waller. 2011. “Consumer-Driven Retail Operations—The Moderating Effects of Consumer Demand and Case Pack Quantity.” International Journal of Physical Distribution and Logistics Management 41, no. 5: 420–434.

Fleisch, E., and C. Tellkamp. 2005. “Inventory Inaccuracy and Supply Chain Performance: A Simulation Study of a Retail Supply Chain.” International Journal of Production Economics 95: 373–385.

FoodNavigator. 2024. “Fresh Foods Drive Sales for Retailers, AI's Use Continues to Shape In-Store Operations, Data Analysis.” Accessed July 2025. https://www.foodnavigator-usa.com/Article/2024/08/08/fresh-foods-drive-sales-for-retailers-ai-s-use-continues-to-shape-in-store-operations-data-analysis/.

Goyal, S., C. C. Hardgrave, J. A. Aloysius, and N. DeHoratius. 2016. “The Effectiveness of RFID in Backroom and Sales Floor Inventory Management.” International Journal of Logistics Management 27: 795–815.

Gruen, T. W., D. Corsten, and S. Bharadwaj. 2002. Retail Out of Stocks: A Worldwide Examination of Extent, Causes and Consumer Responses. Grocery Manufacturers of America.

Gupta, S. K. 2011. “Intention-to-Treat Concept: A Review.” Perspectives in Clinical Research 2, no. 3: 109–112.

Hardgrave, B. C., J. A. Aloysius, and S. Goyal. 2009. “Does RFID Improve Inventory Accuracy? A Preliminary Analysis.” International Journal of RF Technologies: Research and Applications 1: 44–56.

Hardgrave, B. C., J. A. Aloysius, and S. Goyal. 2013. “RFID-Enabled Visibility and Retail Inventory Record Inaccuracy: Experiments in the Field.” Production and Operations Management 22: 843–856.

Hardgrave, B. C., S. Goyal, and J. A. Aloysius. 2011. “Improving Inventory Management in the Retail Store: The Effectiveness of RFID Tagging Across Product Categories.” Operations Management Research 4, no. 1-2: 6–13. https://doi.org/10.1007/s12063-011-0049-3.

Ishfaq, R., and U. Raja. 2020a. “Empirical Evaluation of IRI Mitigation Strategies in Retail Stores.” Journal of the Operational Research Society 71, no. 12: 1972–1985.

Ishfaq, R., and U. Raja. 2020b. “Effectiveness of Frequent Audits in Retail Stores: An Empirical Evaluation.” International Journal of Logistics Management 31, no. 1: 21–41.

Joseph, J., D. Laureiro-Martinez, A. Nigam, W. Ocasio, and C. Rerup. 2024. “Research Frontiers on the Attention-Based View of the Firm.” Strategic Organization 22, no. 1: 6–17.

Kahneman, D. 1973. Attention and Effort. Prentice-Hall.

Kang, Y., and S. B. Gershwin. 2005. “Information Inaccuracy in Inventory Systems: Stock Loss and Stockout.” IIE Transactions 37: 843–859.

Kesavan, S., B. R. Staats, and W. Gilland. 2014. “Volume Flexibility in Services: The Cost and Benefits of Flexible Labor Resources.” Management Science 60, no. 8: 1884–1906.

Ketzenberg, M., and M. E. Ferguson. 2008. “Managing Slow-Moving Perishables in the Grocery Industry.” Production and Operations Management 17, no. 5: 513–521.

Kim, B.-D., and K. Park. 1997. “Studying Patterns of Consumer's Grocery Shopping Trip.” Journal of Retailing 73, no. 4: 501–517.

Kull, T. J., M. Barratt, A. C. Sodero, and E. Rabinovich. 2013. “Investigating the Effects of Daily Inventory Record Inaccuracy in Multichannel Retailing.” Journal of Business Logistics 34: 189–208.

Lam, S. Y., M. Vandenbosch, J. Hulland, and M. Pearce. 2001. “Evaluating Promotions in Shopping Environments: Decomposing Sales Response Into Attraction, Conversion, and Spending Effects.” Management Science 20, no. 2: 194–215.

Lan, H., T. Lloyd, W. Morgan, and P. Dobson. 2022. “Are Food Price Promotions Predictable? The Hazard Function of Supermarket Discounts.” Journal of Agricultural Economics 73, no. 1: 184–207v.

Makadok, R., R. Burton, and J. Barney. 2018. “A Practical Guide for Making Theory Contributions in Strategic Management.” Strategic Management Journal 39, no. 6: 1530–1545.

Manikas, I., and L. A. Terry. 2010. “A Case Study Assessment of the Operational Performance of a Multiple Fresh Produce Distribution Centre in the UK.” British Food Journal 112, no. 6: 653–667.

McGrath, J. E. 1981. “Dilemmatics: The Study of Research Choices and Dilemmas.” American Behavioral Scientist 25, no. 2: 179–210.

Meredith, J. 1998. “Building Operations Management Theory Through Case and Field Research.” Journal of Operations Management 16: 441–454.

Meyer, H. 1990. “Inventory Accuracy—Is It Worth It? A Case Study.” Production and Inventory Management Journal 31: 15–17.

Millet, I. 1994. “A Novena to Saint Anthony, or How to Find Inventory by Not Looking.” Interfaces 24: 69–75.

Nakamura, E., and J. Steinsson. 2008. “Five Facts About Prices: A Reevaluation of Menu Cost Models*.” Quarterly Journal of Economics 123, no. 4: 1415–1464. https://doi.org/10.1162/qjec.2008.123.4.1415.

Ocasio, W. 1997. “Toward an Attention-Based View of the Firm.” Strategic Management Journal 18, no. S1: 187–206.

Ocasio, W. 2011. “Attention to Attention.” Organization Science 22, no. 5: 1286–1296.

Ocasio, W., T. Laamanen, and E. Vaara. 2018. “Communication and Attention Dynamics: An Attention-Based View of Strategic Change.” Academy of Management Review 43, no. 2: 227–249.

Rekik, Y., A. A. Syntetos, and C. H. Glock. 2019. “Modelling (And Learning From) Inventory Inaccuracies in e-Retailing/B2B Contexts.” Decision Sciences 50: 1184–1223.

Rerup, C. 2009. “Attentional Triangulation: Learning From Unexpected Rare Crises.” Organization Science 20, no. 5: 876–893.

Rinehart, R. F. 1960. “Effects and Causes of Discrepancies in Supply Operations.” Operations Research 8: 543–564.

Seaton, J. S., and M. Waterson. 2013. “Identifying and Characterising Price Leadership in British Supermarkets.” International Journal of Industrial Organization 31, no. 5: 392–403.

Shabani, A., G. Maroti, S. de Leeuw, and W. Dullaert. 2021. “Inventory Record Inaccuracy and Store-Level Performance.” International Journal of Production Economics 235: 108111.

Shadish, W. R., T. D. Cook, and D. T. Campbell. 2002. Experimental and Quasi-Experimental Designs for Generalized Causal Inference. Houghton Mifflin.

Sheppard, G. M., and K. A. Brown. 1993. “Predicting Inventory Record-Keeping Errors With Discriminant Analysis: A Field Experiment.” International Journal of Production Economics 32: 39–51.

Simon, H. A. 1947. Administrative Behavior. Macmillan.

Srinivasan, S., K. Pauwels, D. M. Hanssens, and M. G. Dekimpe. 2004. “Do Promotions Benefit Manufacturers, Retailers, or Both?” Management Science 50, no. 5: 617–629.

Sullivan, B. N. 2010. “Competition and Beyond: Problems and Attention Allocation in the Organizational Rulemaking Process.” Organization Science 21, no. 2: 432–450.

Tokar, T., J. A. Aloysius, M. A. Waller, and B. D. Williams. 2011. “Retail Promotions and Information Sharing in the Supply Chain: A Controlled Experiment.” International Journal of Logistics Management 22, no. 1: 5–25.

Ton, Z., and A. Raman. 2010. “The Effect of Product Variety and Inventory Levels on Retail Store Sales: A Longitudinal Study.” Production and Operations Management 19: 546–560.

U.S. Census Bureau. 2025. “Monthly Retail Trade Report.” Accessed July 2025. https://www.census.gov/retail/sales.html.

Van Donselaar, K., T. van Woensel, R. Broekmeulen, and J. Fransoo. 2006. “Inventory Control of Perishables in Supermarkets.” International Journal of Production Economics 104, no. 2: 462–472.

Vuori, T. O., and Q. N. Huy. 2016. “Distributed Attention and Shared Emotions in the Innovation Process: How Nokia Lost the Smartphone Battle.” Administrative Science Quarterly 61, no. 1: 9–51.

Wooldridge, J. M. 2010. Econometric Analysis of Cross Section and Panel Data. 2nd ed. MIT Press.

Yassin, C. A., and A. M. Soares. 2021. “Buy Now Before It Expires: A Study of Expiration Date-Based Pricing.” International Journal of Retail & Distribution Management 49, no. 4: 514–530.

Zhang, D. J., G. Allon, and J. A. van Mieghem. 2017. “Does Social Interaction Improve Learning Outcomes? Evidence From Field Experiments on Massive Open Online Courses.” Manufacturing & Service Operations Management 19, no. 3: 347–367.