La promesa de entrega
Cuánto le cuesta a un marketplace no cumplir la fecha que promete, y dónde se rompe esa promesa. Análisis de 96.203 pedidos reales de Olist, un marketplace de Brasil, entre enero de 2017 y agosto de 2018.
- 93,2%de los pedidos llega a tiempo
- 24 vs 10días prometidos contra días reales (medianas)
- 53,8%de reseñas de 1 estrella cuando hay atraso (6,6% a tiempo)
- 3,0%de los clientes vuelve a comprar
Un solo día de atraso ya se paga en reseñas
Pasá el cursor o tocá la línea para ver cada día. Puntaje medio de reseña según cuántos días antes o después de la fecha prometida llegó el pedido. Llegando el día prometido, el promedio es 4,03; con un día de atraso baja a 3,73 y con cuatro, a 2,50. Llegar antes casi no suma: entre 6 y más de 20 días de adelanto, el puntaje se mueve solo entre 4,25 y 4,36.
Banda: intervalo de confianza del 95%. Se toma la última reseña de cada pedido. Rango mostrado: 15 días de atraso a 25 de adelanto.
La promesa se rompe más en el nordeste
Cumplimiento de la fecha prometida por estado del cliente. Los cinco estados con peor cumplimiento son del nordeste: Alagoas llega a tiempo en el 78,5% de los pedidos y Maranhão en el 82,5%, contra el 95,5% de São Paulo. Río de Janeiro es la excepción del sudeste: 87,9%, pese a ser el segundo mercado.
Mapa de mosaicos: cada estado ocupa un cuadrado en una posición aproximada a la real, para que los estados chicos se vean igual que los grandes.
El plazo prometido incluye un colchón de casi dos semanas
Mediana de días prometidos contra días reales de entrega, por estado. En el total, se prometen 24 días y se entregan 10. El colchón explica buena parte del 93% de cumplimiento, y según el primer gráfico, casi no mejora la satisfacción.
Dos de cada tres envíos cruzan una frontera estatal
Matriz de flujos entre el estado del vendedor (filas) y el del cliente (columnas). El color indica el porcentaje de ítems entregados con atraso. La oferta se concentra en el sudeste y el 63,8% de los ítems viaja a otro estado.
Se muestran los cruces con al menos 30 ítems.
Cuanto más lejos, más pesa el flete y menos se cumple
Distribución de la distancia vendedor-cliente contra el peso del flete sobre el total pagado por ítem. La línea es la mediana: pasa de 15,1% por debajo de 100 km a 25,8% por encima de 2.000 km, mientras el cumplimiento cae de 95,5% a 88,1%.
Distancia calculada con la fórmula de haversine entre las coordenadas medianas de los códigos postales del vendedor y del cliente. Se omiten 326 ítems (0,3%) con un flete de 70% o más del total.
Casi nadie vuelve a comprar
Porcentaje de cada cohorte mensual de clientes nuevos que vuelve a comprar en los meses siguientes. Ningún mes supera el 0,8%, y en total solo el 3,0% de los clientes compra más de una vez. Ojo con la trampa de esta base: si se cuenta por customer_id, que cambia en cada pedido, la recompra da 0%.
El 10% de los vendedores factura el 67%
Curva de Lorenz de la facturación por vendedor. El coeficiente de Gini es 0,79 sobre 2.945 vendedores: la plataforma depende de un grupo chico de vendedores grandes.
El 10% de los vendedores con más ventas factura el 67%.
Qué haría con esto
- Prometer por región, no con un colchón fijo. Doce días de margen compran poca satisfacción después de los primeros seis. Ajustar la promesa por estado podría mejorar la conversión sin costo en reseñas; es una hipótesis para validar con un experimento, porque esta base no tiene datos de conversión.
- Atacar el atraso donde se concentra. Alagoas, Maranhão, Sergipe, Piauí y Ceará tienen el peor cumplimiento. Por volumen, Río de Janeiro es el segundo estado con más pedidos atrasados (1.495), detrás de São Paulo (1.817), con menos de un tercio de sus pedidos.
- Cuidar a los vendedores grandes y trabajar la recompra. El 10% de los vendedores genera el 67% de la facturación y solo el 3% de los clientes vuelve. El negocio depende de pocos vendedores y de clientes nuevos.
Son asociaciones, no efectos causales probados. Los datos son de 2017 y 2018.
Cómo lo hice
Es un proyecto personal en el que apliqué lo que aprendí en la Certificación Avanzada en Data Science del ITBA. Cargué las 9 tablas en DuckDB, armé un modelo de hechos por pedido y por ítem en SQL y calculé los indicadores con definiciones escritas antes de mirar los resultados. Las decisiones de limpieza están documentadas: una sola reseña por pedido (547 pedidos tenían más de una), coordenadas medianas por código postal (la tabla trae 1.000.163 filas para 19.015 códigos), 42 puntos fuera de Brasil descartados y solo pedidos entregados con fecha de entrega.
Fuente: Brazilian E-Commerce Public Dataset by Olist, licencia CC BY-NC-SA 4.0. Gráficos hechos con Vega-Lite.