Estrategia de precios

Para los minoristas digitales, la capacidad de revisar los precios rápidamente y a gran escala se ha convertido en un factor diferenciador decisivo, especialmente durante períodos de inflación, cuando los precios fluctúan con mayor frecuencia. Muchos minoristas extraen información de precios de los sitios web de la competencia y la utilizan para establecer sus propios precios, ya sea de forma manual o automática, a menudo con la estrategia de cobrar X dólares o un X % menos que el competidor con el precio más bajo. Sin embargo, los minoristas que utilizan heurísticas tan simples pierden oportunidades importantes porque no adaptan sus respuestas a la disponibilidad y la demanda del producto, entre otros factores.

Conscientes de esto, cada vez más minoristas aplican modelos de aprendizaje automático para guiar sus decisiones de precios. Los algoritmos asocian los cambios de precios con los cambios en las ventas mediante la extracción de datos históricos sobre compras, precios y características del producto. A pesar de esta sofisticación, las investigaciones demuestran que estas iniciativas logran, en promedio, una mejora en los ingresos o las ganancias del 1 % o menos. Al basarse en datos históricos para establecer precios, por ejemplo, un minorista podría igualar innecesariamente el precio bajo de un competidor por un artículo que este no tiene en stock. O podría ofrecer un precio bajo, aunque otros factores además del precio sean los principales impulsores de las decisiones de compra de los clientes, como la calidad del producto o la reputación de la marca.

Algunos minoristas han encontrado la manera de superar estos desafíos y, como resultado, han logrado un crecimiento de dos dígitos en ingresos y ganancias. Han dejado de depender de la toma de decisiones manual basada en el historial de ventas para utilizar sistemas automatizados basados ​​en algoritmos sofisticados que consideran diversos factores, lo que les permite optimizar los precios en tiempo real.

En este artículo, describimos un proceso paso a paso para construir un modelo de precios basado en IA. Este proceso comienza por comprender cómo los consumidores deciden qué comprar y dónde, realiza experimentos para medir la elasticidad del precio (la sensibilidad de la demanda de un producto al precio) y, posteriormente, aplica herramientas de optimización para establecer precios que maximicen los ingresos o las ganancias. Gracias al rápido crecimiento de las etiquetas electrónicas en los estantes, nuestro proceso también se puede aplicar en establecimientos minoristas tradicionales. Puede ser especialmente útil para fijar el precio de productos perecederos, como alimentos y moda, donde los minoristas deben ajustar dinámicamente los precios de los productos que se acercan a sus fechas de vencimiento para incentivar ventas más rápidas y reducir el desperdicio.

Algunos minoristas aplican modelos de aprendizaje automático que utilizan datos históricos para orientar sus decisiones de precios. Sin embargo, estas iniciativas solo mejoran los ingresos y las ganancias en un 1 % o menos.

Para ilustrar nuestro proceso, nos basamos principalmente en nuestra experiencia con dos empresas con las que trabajamos como socios académicos. La primera era una tienda online china multimillonaria que experimentó un crecimiento vertiginoso gracias a una gama de productos cada vez más amplia, expansión geográfica y precios agresivos. Se posicionó en el mercado como una empresa de precios bajos, superando o igualando los precios de la competencia. Extraía información de los sitios web de la competencia a diario, pero establecía los precios manualmente en su mayoría. La segunda era una tienda online estadounidense líder con ingresos anuales de varios miles de millones de dólares. Contaba con un equipo dedicado al análisis de precios, y casi la mitad de sus productos se fijaban mediante algoritmos. Al igual que la primera, extraía información de los sitios web de la competencia a diario para los SKU de alta rotación y semanal o quincenalmente para los de menor rotación.

Aquí te presentamos nuestro proceso de siete pasos que puedes utilizar para desbloquear todo el potencial de tu propio sistema de precios dinámicos.

 

[ 1 ]

Elige tu enfoque

Empieza por pensar en qué productos quieres enfocarte: los más vendidos, los de gama media o los de larga duración. Elige según la concentración de tus ventas. Si generas la mayor parte de tus ventas (por ejemplo, más del 80 % de los ingresos totales) con unos pocos productos, comienza la implementación con esos productos más vendidos. Si tus ventas no están concentradas, como es el caso de los minoristas de decoración del hogar y alimentación, por ejemplo, céntrate en los de gama media o los de larga duración. En estos casos, necesitas tener (o estar listo para desarrollar) la capacidad de análisis necesaria para aplicar precios dinámicos a una gran cantidad de productos.

Nuestro trabajo con el minorista chino en línea, líder del mercado en productos para bebés y mamás, como biberones, pañales y sacaleches, comenzó cuando su presidente nos preguntó si igualar siempre el precio del competidor más bajo era una buena estrategia. Él y sus ejecutivos cuestionaron la necesidad de igualar precios para cada producto que vendían y de seguir las acciones de la competencia incluso cuando era evidente que un rival había cometido un error de fijación de precios (al fijar precios excesivamente altos o bajos). Antes de contactarnos, las decisiones de precios del minorista se tomaban en gran medida manualmente por los gerentes de producto, cada uno de los cuales supervisaba varias docenas de líneas de producto. Los gerentes seguían de cerca las tendencias de las marcas y productos relevantes, como su popularidad entre los consumidores, el lanzamiento de nuevos productos (o nuevas versiones de productos existentes), así como los precios de la competencia. Los gerentes de producto determinaban entonces, diaria o semanalmente, los precios que cobrarían por cada producto. Dado que este proceso manual requería mucho tiempo, solían prestar más atención a los SKU de gran volumen y solo ocasionalmente ajustaban los precios de otros.

En categorías cuyas ventas están dominadas por unos pocos productos, se puede utilizar un modelo sofisticado; en categorías cuyas ventas están altamente distribuidas, se puede utilizar un modelo escalable.

 

Comenzamos nuestro trabajo con biberones. Esta subcategoría estaba dominada por un puñado de productos ofrecidos por algunas marcas nacionales e internacionales. Nos centramos en los 30 SKU principales, que representaban más del 80% de los ingresos totales de la subcategoría. La implementación de nuestro modelo de precios basado en IA resultó en un aumento del 11% en los ingresos de estos productos más vendidos, manteniendo el margen bruto de la categoría. Posteriormente, nos centramos en otras categorías, como pequeños electrodomésticos y artículos de cocina, donde un puñado de productos de alta rotación representaban la mayor parte de los ingresos. Estas implementaciones adicionales lograron aumentos de ingresos de hasta un 19% sin comprometer los márgenes de beneficio.

Las ventas del minorista en línea estadounidense —principalmente artículos para el hogar como camas, mesas de centro, alfombras y decoración— no se concentraron en unos pocos productos de mayor venta. En cada subcategoría, la empresa contaba con desde unos pocos cientos hasta miles de SKU, y sus ventas se distribuyeron de forma bastante equitativa entre los productos que vende.

Antes de colaborar con nosotros, utilizaba un algoritmo para fijar automáticamente el precio de aproximadamente la mitad de sus SKU. Sin embargo, hacía poco que había empezado a analizar los precios de los sitios web de la competencia y se preguntaba cuál era la mejor manera de responder a sus cambios. Implementamos rápidamente un sistema dinámico de respuesta a precios para más de 10 000 productos. Durante un mes de prueba, esto generó un aumento del 15 % en los ingresos y del 10 % en las ganancias en cuatro categorías del piloto: camas, otomanas, mesas de centro y taburetes.

La disyuntiva clave al elegir entre los productos más vendidos o una amplia gama de productos es la sofisticación de los algoritmos frente a la escalabilidad. Un sistema sofisticado suele implicar técnicas de modelado complejas, como los modelos no lineales, que son excelentes para comprender las complejas formas en que los consumidores toman decisiones y ofrecer respuestas precisas a preguntas sobre precios. Sin embargo, estos modelos son difíciles de manejar cuando se tienen muchos SKU. Por ejemplo, un modelo lineal que gestiona miles de variables o SKU puede optimizar las decisiones que toma en cuestión de segundos; un modelo complejo puede tardar días o semanas incluso con las capacidades informáticas más avanzadas.

Los minoristas pueden gestionar este equilibrio a nivel de categoría: en categorías cuyas ventas se centran en unos pocos productos, se puede utilizar un modelo sofisticado; en categorías cuyas ventas están muy distribuidas, se puede utilizar un modelo escalable. Dentro de una categoría, se pueden implementar ambos tipos de algoritmos adoptando el sistema de clasificación ABC estándar. (El grupo A representa el 20 % de los SKU que representan el 80 % de los ingresos, el grupo B el 30 % de los SKU que generan el 15 % de los ingresos, y el grupo C el 50 % de los SKU que generan el 5 % de los ingresos). Aplique un enfoque más sofisticado para los artículos del grupo A, que son los que más contribuyen a los ingresos o beneficios, y un enfoque escalable para los grupos B y C.

 

[ 2 ]

Desarrolle un Modelo de Decisión del Consumidor

Antes de tomar buenas decisiones de precio, necesita comprender cómo sus consumidores toman decisiones de compra. Las personas siempre están tomando decisiones: qué productos comprar (biberones Philips Avent versus Dr. Brown's, biberones anticólicos versus biberones regulares) y dónde o a quién comprarlos (usted o la competencia). Obviamente, el precio es un factor que considerar en sus decisiones, pero no es el único. Otros factores incluyen la calidad y disponibilidad del producto, la reputación de la marca, las opiniones de los clientes, la confiabilidad del proveedor, la comodidad de compra y la política de devoluciones y cambios del minorista. Además, cada consumidor aborda sus decisiones de compra de manera diferente. Algunos pueden estar dispuestos a pagar más por una marca reconocida; otros pueden ser cazadores de ofertas. Esto significa que, a menos que la mayoría de sus clientes busquen el precio más bajo entre los minoristas, puede que no sea buena idea igualar siempre los precios de la competencia.

En el caso del minorista chino, incorporamos a un algoritmo información de precios y ventas de los SKU identificados en el Paso 1, los precios de los artículos de la competencia y datos sobre si los SKU individuales de todas las empresas estaban disponibles. El algoritmo determinó qué proporción de consumidores prefería comprar a cada minorista, independientemente del precio y la disponibilidad del producto. (En nuestra implementación, no intentamos determinar qué impulsaba esas preferencias, pero los minoristas pueden utilizar un enfoque similar para otros factores, además del precio y la disponibilidad del producto).

Una vez que comprenda bien cómo sus clientes toman sus decisiones de compra, puede crear un modelo de decisión del consumidor, una fórmula que predice la demanda de un producto considerando sus precios y los de la competencia, junto con otros factores clave, como la disponibilidad del producto y las circunstancias en las que los clientes toman su decisión de compra. Por ejemplo, obtendrá mejores resultados con un modelo que le indique cuántas unidades de un marco de cama puede vender a $195 un viernes por la noche, cuando su competencia lo fijó a $200, que con un modelo que solo considere el precio de la competencia. Ya sean simples o complejos, todos los modelos deben tener una sola función: indicarle cómo fijar el precio de sus productos para lograr los resultados que busca.

Utilizando el modelo de decisión del consumidor que desarrollamos para el minorista chino, implementamos una estrategia que predijo las ventas de cada producto más vendido, considerando los precios del minorista y de la competencia. El modelo tuvo en cuenta características del producto, como la marca, el rango de edad al que se dirige cada tipo de biberón y la disponibilidad del producto en cada competidor en un día determinado. También consideró los precios de otros productos en el sitio web, aparte de los biberones, ya que los clientes solían explorar una amplia gama de productos antes de realizar una compra. Además, el modelo tuvo en cuenta los días de la semana: los clientes que visitaron el sitio el lunes se vieron menos afectados por los precios que los que lo hicieron el domingo.

Conocer la elasticidad del precio de cada producto es crucial. Si un aumento genera un cambio mínimo en la demanda, no es necesario preocuparse por monitorear los precios de la competencia e igualarlos.

Para el minorista digital estadounidense, utilizamos un modelo simplificado para hacerlo más escalable. El modelo predijo las ventas de un producto específico considerando únicamente su precio y disponibilidad, así como los precios y la disponibilidad del mismo producto en los sitios web de la competencia. Esta simplificación permitió que el algoritmo escalara rápidamente a miles de productos. Como muestran estos dos ejemplos, los parámetros del modelo pueden variar, y lo harán, según las características del producto y el minorista. Por ejemplo, la demanda de un producto con mejores reseñas de clientes puede tener una menor elasticidad nel precio, y los consumidores pueden ser más sensibles a los precios de Amazon que a los de Home Depot.

 

[ 3 ]

Experimento

Ahora que tiene una fórmula que describe cómo sus consumidores toman decisiones de compra, necesita determinar los valores de los parámetros ajustando la fórmula a sus datos. La variable más importante es la elasticidad precio: el cambio porcentual en la demanda que se produce al aumentar el precio de un producto en un 1 %. Conocer la elasticidad precio de cada uno de sus productos es crucial para fijar precios de forma inteligente. Si un producto tiene baja elasticidad (un aumento de precio resulta en un cambio mínimo en la demanda), no necesita preocuparse por seguir los precios de la competencia e igualarlos. Pero si sus consumidores pueden verse atraídos por competidores que ofrecen precios un poco más bajos, entonces probablemente deba superar o al menos igualar ese precio.

Para medir la elasticidad, es necesario variar sistemáticamente los precios a lo largo del tiempo y observar cómo reaccionan los consumidores. Muchas personas omiten este paso al implementar la fijación de precios algorítmica, lo que les impide obtener ganancias sustanciales en ingresos y beneficios. Cabe preguntarse: ¿Por qué necesito experimentar si ya tengo datos históricos sobre ventas, precios y características del producto? ¿No basta con conocer la elasticidad del precio a partir de estos datos? ¿Y no debería un buen programa de aprendizaje automático ser capaz de ajustar una línea de regresión entre las ventas y el precio dadas las características del producto? La respuesta a estas preguntas es "no", por dos razones.

Los precios de los datos históricos no varían lo suficiente como para calcular la elasticidad precio: o bien el precio en sí no ha variado, o bien ha seguido tan de cerca los precios de la competencia que el precio relativo no ha variado. Otro problema con los datos históricos son los llamados factores de confusión, que influyen tanto en el precio como en la demanda, pero que no pueden capturarse retrospectivamente. Supongamos que un minorista realiza una campaña de marketing local para una marca y aumenta los precios de esos productos anticipándose a un aumento de la demanda. Los datos históricos podrían llevar a la falsa conclusión de que el aumento de los precios fue la causa del aumento de la demanda. La experimentación es la mejor manera de evitar estos problemas.

Una razón común por la que los minoristas dudan en realizar experimentos de precios es que los consideran arriesgados: sienten que pierden el control de una decisión crucial. Sin embargo, los experimentos no son arriesgados si se realizan correctamente. En nuestro trabajo con minoristas chinos y estadounidenses, realizamos los experimentos con cuidado para minimizar su posible impacto comercial. En la implementación, centrada en los productos más vendidos del minorista chino, establecimos un programa de precios para los productos antes del inicio del experimento, que especificaba un nivel de precio seleccionado aleatoriamente cercano al promedio histórico de cada producto. Los ajustes de precios, tanto al alza como a la baja, se equilibraron para evitar una desviación sistemática y direccional de los precios históricos. Los precios se modificaron cada tres días en lugar de a diario para mantener la percepción y la confianza de los consumidores en los precios del minorista.

En ambas implementaciones, limitamos el nivel de variación de precios a aproximadamente el 3% de los precios existentes o históricos, y ninguna varió más del 5%, minimizando así los posibles riesgos derivados de grandes desviaciones. Los aumentos de dos dígitos en ingresos y beneficios que logramos no habrían sido posibles sin estos minuciosos experimentos para medir la elasticidad de precios. A los minoristas a menudo les preocupa que experimentar sea demasiado costoso, pero nuestros resultados demuestran que es aún más costoso no hacerlo.

 

[ 4 ]

Medición

Ahora es el momento de combinar los datos con el modelo y la información de elasticidad-precio. Su objetivo es encontrar los mejores parámetros que minimicen el error al probar su modelo con su historial de ventas. Tenga en cuenta que siempre es más difícil predecir resultados a nivel granular que a nivel agregado. Por ejemplo, las ventas diarias son más difíciles de predecir que las semanales, lo que significa que un error de predicción del 20 % puede ser positivo para las ventas diarias de un producto determinado, pero negativo para sus ventas semanales.

En la iniciativa con el minorista chino, encontramos un amplio rango de elasticidades de precio: algunas eran cercanas a cero (los cambios de precio no impactaron la demanda), pero la mayoría de los productos tenían elasticidades que oscilaban entre -8 y -2. (Una elasticidad de -8 significa que un aumento del 1% en el precio resultará en una disminución del 8% en la demanda). Las elasticidades se correlacionaron con la popularidad del producto. El SKU con una elasticidad de -8 se compró, en promedio, 22.5 veces al día, y el SKU con una demanda casi inelástica se compró solo 1.8 veces al día. Obtuvimos hallazgos similares en el minorista estadounidense, cuyos artículos de muebles de nicho y de baja rotación tenían elasticidades de precio menores que los de alta rotación. Esto tiene sentido. Las personas son más conscientes de cuál es un buen precio para compras frecuentes que para productos que compran rara vez. En los supermercados, por ejemplo, los consumidores están más expuestos y son más sensibles a los precios de productos populares que se exhiben en lugares destacados y se anuncian con frecuencia, como las manzanas y el pan, pero es posible que menos personas conozcan el precio justo de una especia especial en particular.

Un paso fundamental a la hora de fijar precios es preguntarse qué se desea optimizar: ganancias, ingresos o alguna combinación de ellos.

La variación en las elasticidades también se refleja en la calidad percibida de los productos. Observamos que los biberones importados tenían elasticidades promedio más bajas que los de fabricación nacional, debido a que los importados eran fabricados por fabricantes con mayor reputación.

Este paso también le permitirá comprender qué precios y desabastecimientos de la competencia tuvieron un impacto más significativo en sus ventas y, por lo tanto, requieren mayor monitoreo y ajuste de precios. No es sorprendente que, en nuestras dos iniciativas, no todos los competidores tuvieran el mismo impacto. Dos de los cuatro competidores monitoreados por el minorista chino prácticamente no tuvieron impacto en las ventas de biberones de la empresa. Dos de los cinco competidores monitoreados por el minorista estadounidense tuvieron el doble de impacto que los demás.

 

[ 5 ]

Optimizar

Ahora que ha completado su modelo con datos, está listo para encontrar sus mejores precios considerando los precios de la competencia y los demás factores mencionados anteriormente. Un primer paso fundamental es preguntarse qué desea optimizar: beneficios, ingresos o una combinación de ambos. Las empresas en etapa de crecimiento tienden a centrarse más en los ingresos; las empresas maduras se centran más en los beneficios.

Sin embargo, ningún minorista con el que hemos trabajado o estudiado estaba listo para especificar el peso relativo que daría a los ingresos frente a las ganancias. Hemos descubierto que una mejor manera de integrar estos objetivos es utilizar la optimización restringida; es decir, lograr la meta óptima dentro de ciertas restricciones comerciales. Por ejemplo, podría establecer su objetivo para maximizar los ingresos sin provocar que los márgenes de beneficio bruto caigan por debajo de un nivel específico. Cuando trabajamos con el minorista chino, vendía biberones con un margen bruto del 10%, en promedio. Optimizamos los precios para maximizar los ingresos totales de la categoría, manteniendo al mismo tiempo un margen categórico de al menos el 10%. Los márgenes reales del producto después de la optimización variaron del -1% (vendido con una ligera pérdida) al 36%, dependiendo de la elasticidad del precio del artículo. Igualamos los precios de los dos competidores principales para los productos con alta elasticidad de precio; por lo general, no igualamos los precios con los dos competidores más débiles.

En nuestra iniciativa con el minorista estadounidense, también optimizamos los ingresos sujetos a una restricción en el margen de beneficio. A los ejecutivos del minorista les gustó este enfoque porque mantenía sus precios coherentes con el posicionamiento estratégico de la empresa, pero no requería decisiones adicionales, como establecer ponderaciones para los beneficios y los ingresos. En ambas implementaciones, incorporamos otras restricciones comerciales necesarias (por ejemplo, precios mínimos y máximos o rangos de precios impuestos por el fabricante) como parte de la optimización.

 

[ 6 ]

Prueba e implementación

Antes de implementar tu nuevo algoritmo de precios, es importante probarlo en un experimento controlado. Asigna los productos a dos grupos: el grupo de tratamiento, para el cual utilizarás el nuevo algoritmo de precios, y el grupo de control, para el cual establecerás los precios de la forma anterior. El impacto del algoritmo se puede medir entonces mediante los resultados del grupo de tratamiento en relación con los del grupo de control.

Podría preguntarse: ¿Es realmente necesario tener un grupo de control? ¿Acaso el impacto no se reduce simplemente al aumento de ingresos producido por el nuevo algoritmo de precios? El problema radica en que no se sabe qué habría sucedido si se hubiera seguido utilizando el método anterior. En el comercio minorista, este problema "contrafactual" se ve agravado por el hecho de que la mayoría de los productos tienden a presentar estacionalidad. Por ejemplo, apostamos a que si se implementa el algoritmo de precios en diciembre y se compara con las ventas de noviembre, todos los algoritmos de precios generarían mejoras de tres dígitos. Tener un grupo de control permite analizar el impacto de los eventos que ocurren a lo largo del tiempo (vacaciones, promociones, nuevas tecnologías, lanzamientos de nuevos productos) para poder medir el cambio real producido por el nuevo algoritmo de precios.

Un grupo de control adecuado se compone de productos con características y estacionalidad similares. En nuestra implementación para el minorista chino, asignamos biberones para niños menores de seis meses al grupo de tratamiento y biberones para niños mayores de seis meses al grupo de control. Para el minorista estadounidense, asignamos camas tamaño king y California king al grupo de tratamiento, y camas tamaño queen, matrimoniales e individuales al grupo de control. Además, rotamos los grupos de tratamiento y control. En la primera semana, el grupo de tratamiento fueron las camas tamaño king; la semana siguiente, las camas queen; y la tercera semana, las camas matrimoniales e individuales. Esta rotación permite determinar mejor el impacto del modelo de precios en los ingresos y filtrar las diferencias entre los distintos productos.

 

[ 7 ]

Repita los pasos del tres al seis para una mejora continua

Una vez que haya implementado con éxito un sistema de precios dinámicos, le recomendamos actualizarlo periódicamente, cada seis meses o durante el tiempo que considere necesario dada la dinámica de su mercado. Esté atento a los cambios importantes en su entorno competitivo (por ejemplo, nuevos participantes) y en la cartera de productos (por ejemplo, introducción de nuevos productos) que puedan modificar las elecciones y preferencias de los consumidores. Repita los pasos del tres al seis (experimentar, medir, optimizar e implementar) para reajustar continuamente su algoritmo.

Nuestra herramienta para fijar precios dinámicamente es altamente adaptable. Puede incorporar fácilmente innovaciones a este marco analítico. Por ejemplo, podría introducir factores de comportamiento para comprender mejor el proceso de toma de decisiones de los consumidores. En un estudio de investigación en una cadena de supermercados, descubrimos que los consumidores no siempre se dejan llevar por la tradicional convención de fijar el precio de un producto a $X.99. Mientras que algunos consumidores sobrevaloran los dígitos izquierdos de los precios hasta en un 30%, otros prestan atención a los dígitos más a la derecha del precio de un producto ($4.99 versus $5.00). Esto sugiere que los minoristas deben ser inteligentes a la hora de incorporar este sesgo en sus algoritmos.

Otra forma de adaptar la herramienta es integrar algoritmos de aprendizaje automático recientemente desarrollados para mejorar continuamente la precisión de las estimaciones de elasticidad-precio. Trabajando con un minorista en línea internacional, identificamos los productos que cada consumidor vio antes de realizar una compra. Este proceso nos permitió medir con mayor precisión cómo el precio de un producto puede afectar la demanda de productos similares, lo que posteriormente incrementó los ingresos del minorista en un 5 % adicional.

Al combinar el análisis de datos, las metodologías experimentales y una comprensión integral de los procesos de toma de decisiones del consumidor, los minoristas pueden generar aumentos significativos en sus ingresos, a la vez que incrementan o mantienen sus márgenes de beneficio. La esencia del enfoque que hemos descrito reside en el ciclo completo de «modelar, medir, maximizar». Una solución fragmentada que solo incluya uno de estos pasos puede lograr pequeñas mejoras puntuales en los ingresos o las ganancias. Pero el uso integrado de los tres, impulsado por herramientas de IA, recompensará a los minoristas con mejoras sustanciales en los ingresos o las ganancias, sostenibles a lo largo del tiempo.

Una versión de este artículo apareció en la edición de noviembre-diciembre de 2023 de Harvard Business Review.

 

Marshall Fisher es profesor de UPS en el Departamento de Operaciones, Información y Decisiones de la Wharton School de la Universidad de Pensilvania y codirector del Centro Fishman-Davidson para la Gestión de Servicios y Operaciones de la escuela.

Santiago Gallino es académico distinguido de la facultad Charles W. Evans y profesor asociado del Departamento de Operaciones, Información y Decisiones de la Wharton School de la Universidad de Pensilvania y codirector del Centro Fishman-Davidson para la Gestión de Servicios y Operaciones de la misma escuela.

Jun Li es becario Michael R. y Mary Kay Hallman y profesor asociado de tecnología y operaciones en la Escuela de Negocios Ross de la Universidad de Michigan.