Software de optimización de inventario para una cadena de 2 a 50 tiendas

Busca un software que detecte lineales vacíos y stock que no rota, y la lista se llena de suites de reposición. Son productos serios, hechos para prever la demanda de cada artículo en cada tienda y convertir esa previsión en pedidos.

marql hace otro trabajo. Lee el TPV y el ERP que ya usas y enseña, tienda por tienda, dónde hay un lineal vacío y dónde hay dinero parado en stock que no se vende. Después prepara la decisión y, más adelante, comprueba si funcionó. Esta página pone los dos uno al lado del otro para una cadena de 2 a 50 tiendas, incluidos los casos en que la suite es la mejor compra.

Para quién están hechas las suites de reposición

RELEX, SymphonyAI, ToolsGroup e invent.ai son las suites de reposición que más salen. Están hechas para retailers con cientos de tiendas, un almacén central y un equipo de planificación. Prevén la demanda de cada artículo en cada tienda y la convierten en pedidos, que van directamente al ERP o esperan a que un planificador los apruebe. La mayoría de los clientes que nombran tienen cientos de tiendas, y sus propias estimaciones de implantación van de unas semanas a seis meses^{5, 6, 7, 8}.

Revisamos la web de cada proveedor el 1 de octubre de 2026. Esta página no cita sus precios, porque cambian y cada proveedor publica los suyos.

Cómo es el problema entre 2 y 50 tiendas

A este tamaño, la mayoría de las roturas de stock nacen dentro de la tienda. El mayor estudio mundial sobre el tema, publicado en 2002, reunió 40 estudios anteriores y atribuyó entre el 70 y el 75 % de los lineales vacíos a prácticas de la propia tienda: pedidos hechos tarde o cortos, y producto que estaba en la tienda pero no en el lineal^{1, 2}. Una previsión mejor ayuda con la primera causa. Ninguna de las dos se arregla si nadie lee el stock tienda por tienda cada día.

En una cadena de 20 tiendas, la escena es conocida. Una tienda tiene un lineal vacío en un artículo del que la tienda de al lado guarda tres meses de cobertura. Otra arrastra una referencia lenta que inmoviliza unos miles de euros, y nadie se da cuenta hasta el siguiente inventario.

Los dos lados cuestan dinero. IHL Group calcula que las roturas de stock y los excesos de inventario cuestan juntos 1,73 billones de dólares al año a los retailers, alrededor del 6,5 % de las ventas minoristas mundiales³. Los datos para ver las dos cosas ya están ahí, en el TPV y en el ERP. Lo que falta es alguien, o algo, que mire cada día, diga qué tienda es, le ponga una cifra al problema y compruebe después si la corrección funcionó.

Una suite responde a «¿cuánto hay que pedir?». Con 20 tiendas, la pregunta más habitual es «¿dónde se está torciendo hoy?».

Qué hace marql con los mismos datos

Cada vez que se sincroniza el stock, marql revisa cada referencia en cada tienda. Si una referencia está a cero y se vendió en los últimos 30 días, se convierte en una incidencia para esa tienda. Las incidencias se ordenan por la facturación en riesgo en una semana, calculada con las ventas de la propia tienda en las últimas cuatro semanas. Parte de esa facturación se va a otra tienda: en el mismo estudio mundial, el 31 % de los compradores que encontró un lineal vacío compró el artículo en otro sitio, y el 9 % no lo compró¹.

Para el dinero inmovilizado, marql valora en cada tienda el stock que lleva 28 días sin venderse. Las posiciones con más de 60 días de cobertura se marcan como exceso, y las cifras se quedan por tienda en lugar de diluirse en un total de cadena.

Para cada hallazgo, las opciones son las que un comprador sopesaría de todos modos: pausar la reposición, promocionar o rebajar, o trasladar el stock a una tienda que lo vende. marql prepara el borrador del traspaso o del pedido a proveedor. Las cantidades salen de un cálculo de colchones, y el modelo de lenguaje sólo las explica. Una persona confirma el borrador antes de que salga de la pantalla como archivo CSV o XLSX, y marql no escribe nada en el TPV ni en el ERP.

Cuando la tarea está hecha, el Impact Ledger compara la tienda con al menos cuatro tiendas comparables, o con sus propias oscilaciones habituales si la cadena es demasiado pequeña para eso. La comparación con tiendas de control sigue el diseño de diferencias en diferencias, el método que Card y Krueger usaron en 1994 para comparar restaurantes de comida rápida de Nueva Jersey y Pensilvania⁴. La línea base se congela en el momento de la decisión. El resultado es uno de cuatro veredictos: ayudó, sin efecto, peor o no concluyente.

Todo esto depende del stock por tienda de tu TPV o tu ERP. Una conexión que sólo trae ventas puede enseñar la facturación, pero no un lineal.

En una cadena de 20 tiendas de alimentación en Rumanía, el primer escaneo de stock, el 23 de septiembre de 2026, encontró 792 referencias por encima de unos 90 días de cobertura. Leer la historia (en inglés).

Los playbooks sobre lineales vacíos y sobre dinero inmovilizado (en inglés) trabajan los dos problemas paso a paso.

Uno al lado del otro

Cuándo la suite es la mejor compra

• Quieres que el sistema genere los pedidos y los envíe al ERP, y tienes planificadores para llevarlo.
• Lo que te frena es la precisión de la previsión en un surtido amplio con almacén central, más que detectar los problemas en tienda.
• Necesitas además optimizar surtido, espacio o precios, y marql no tiene ninguno de esos módulos.
• Puedes asumir un proyecto de implantación que dure meses.

Cuándo encaja marql

• Tienes de 2 a 50 tiendas, y las decisiones de stock las toma el propietario o el director de operaciones.
• Las ventas y el stock ya están en tu TPV o tu ERP, pero nadie los lee tienda por tienda cada día.
• Quieres ver cada semana, tienda por tienda, dónde un lineal vacío o un stock parado cuesta dinero, y si la corrección funcionó.
• Quieres mantener tu ERP y tu forma de pedir exactamente como están.

Los precios están publicados: 200 € por local al mes para los nueve primeros locales, y menos por local a partir de ahí. Mira cómo funciona marql para una cadena de tiendas.

La comparativa cubre las demás opciones (hoja de cálculo, informes del TPV, herramientas de BI y ERP) y dice cuándo cada una es la mejor respuesta.

Fuentes

1. Gruen, T. W., Corsten, D. S. y Bharadwaj, S. (2002). Retail Out-of-Stocks: A Worldwide Examination of Extent, Causes and Consumer Responses. Grocery Manufacturers of America, Food Marketing Institute y CIES. Executive summary, pp. vi-vii. PDF
2. Corsten, D. y Gruen, T. (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(12), 605-617. doi:10.1108/09590550310507731
3. Berthiaume, D. (2025-09-10). IHL Group: Inventory issues cause $1.7T in annual losses. Chain Store Age, sobre un estudio de IHL Group. chainstoreage.com
4. Card, D. y Krueger, A. B. (1994). Minimum Wages and Employment: A Case Study of the Fast-Food Industry in New Jersey and Pennsylvania. American Economic Review, 84(4), 772-793. Princeton DataSpace
5. RELEX Solutions. Automatic replenishment system. Consultado el 1 de octubre de 2026. relexsolutions.com
6. SymphonyAI Retail. Replenishment and allocation. Consultado el 1 de octubre de 2026. symphonyai.com
7. ToolsGroup. Retail. Consultado el 1 de octubre de 2026. toolsgroup.com
8. invent.ai. Replenishment. Consultado el 1 de octubre de 2026. invent.ai