Inteligencia artificial aplicada a expansión de franquicias en restaurantes: mito vs realidad

¿Qué es la IA aplicada a expansión de franquicias?

La IA aplicada a expansión de franquicias es un modelo de scoring que cruza tráfico peatonal, densidad poblacional, ticket promedio y canibalización con unidades propias, y así reduce un universo amplio de candidatos a un puñado en cuestión de horas.

No hay bola de cristal en el proceso: es estadística aplicada sobre datos que el POS del restaurante ya arroja (transacciones, horarios pico, ticket promedio), cruzados con capas externas de tráfico y demografía urbana. Los grupos que llaman 'inteligencia artificial' a su proceso de expansión suelen referirse, en realidad, a exactamente esto: un ordenamiento estadístico, no una decisión autónoma. El algoritmo filtra un universo amplio de sitios posibles hasta dejar unos pocos con score alto, y ese filtrado, no la promesa de acertar solo, es el valor real: menos horas de un analista junior recorriendo zonas a ciegas, más foco del comité en los pocos sitios que sí merecen una visita física.

Lo que la IA NO hace en un proceso de apertura

Un modelo entrenado con datos históricos de tráfico peatonal no sabe que la ciudad aprobó, hace tres meses, un cambio de sentido vial para la cuadra siguiente, ni que la ciclovía nueva desvió el flujo tres calles más allá; esas variables no existen en su base de entrenamiento y probablemente no existirán en la próxima actualización tampoco. Tampoco distingue el tipo de vecino comercial: un score alto de densidad poblacional trata igual a un edificio de oficinas con rotación de almuerzo que a una zona residencial que solo consume los fines de semana, y ese matiz es justamente el que decide si una unidad sobrevive. Confiar el veredicto final al número es el error que sostengo contra cualquier proveedor de software: la IA aplicada a expansión de franquicias funciona como filtro, jamás como juez, y recorta el universo de opciones en 85-90% sin tocar la decisión de fondo. Firmar un arrendamiento a diez años sigue siendo, por eso, un acto humano que exige visita en sitio y P&L ya validado.

Los 4 datos que sí mueve la aguja del algoritmo

Unas pocas variables concentran la mayor parte del poder predictivo en los modelos de scoring que operan en grupos de varias decenas de unidades: tráfico peatonal y vehicular por hora del día, densidad poblacional del área, ticket promedio comparado del área, y tasa de canibalización contra las unidades propias ya existentes. Con solo esas capas de datos, más el historial de ventas por franja horaria de sus tiendas actuales, un grupo de comida rápida en Bogotá acortó su lista de candidatos a un puñado en menos de una semana. La canibalización es la variable que más comités subestiman, y la más cara de ignorar: abrir demasiado cerca de una unidad que ya factura bien puede robarle una fracción importante de sus ventas sin sumar crecimiento neto a la marca. Detectar ese solape geográfico le toma segundos al algoritmo; a un analista humano revisando mapas y reportes de ventas cruzados a mano, días enteros.

¿Cómo se calcula el score de un sitio candidato?

El score de un sitio candidato resulta de ponderar entre 4 y 6 variables normalizadas en una escala de 0 a 10, donde cada peso representa cuánto predice esa variable el volumen de ventas en unidades comparables de la misma marca.

Un modelo típico reparte el peso principal entre tráfico peatonal, densidad poblacional del radio de influencia y ticket promedio del área, con una porción menor para canibalización con unidades propias y otra para variables de contexto como accesibilidad vial o visibilidad de fachada. Esos pesos no son universales, y ahí falla la mayoría de las plantillas genéricas: una cadena de café de especialidad pondera visibilidad y tráfico peatonal por encima de todo, mientras una cadena de domicilios prioriza densidad poblacional y tiempo de entrega estimado. Calibrar estos pesos contra el historial real de ventas de cada marca no es un lujo, es la diferencia entre un modelo útil y uno decorativo: un modelo genérico descargado sin calibración local falla en 4 de cada 10 predicciones, el mismo patrón que se repite auditoría tras auditoría de expansión en Latinoamérica.

Caso real: cuando el score alto no bastó

Un grupo de varias unidades en México aprobó, en su trimestre más activo de expansión, el local con el score más alto de toda su lista de candidatos, sostenido en tráfico peatonal y densidad poblacional excelentes. Nadie de la dirección senior visitó el sitio antes de firmar; el número bastó. Meses después esa unidad facturaba muy por debajo del promedio de la cadena, porque el tráfico medido correspondía a oficinistas que almuerzan rápido y no regresan a cenar, mientras el modelo de negocio de esa marca depende de tickets de cena con sobremesa larga. El algoritmo había medido, con precisión, cuánta gente pasaba por ahí; lo que no midió fue qué hacía esa gente a esa hora. La validación cruzada que evita este tipo de error es simple y casi nadie la aplica: visitar el sitio en su peor escenario horario (lluvia, hora pico de tráfico vehicular, el día de menor actividad esperada) antes de firmar cualquier cosa, sin importar cuán alto marque el score algorítmico.

El proceso en 4 pasos: de un universo amplio de candidatos a la firma.

Reducir un universo amplio de candidatos a una firma toma cuatro pasos concretos, y ese recorrido completo corta una fracción considerable del tiempo de screening frente a las semanas que exige el método manual tradicional. Primero, se alimenta el modelo con datos de tráfico, densidad y ticket promedio para bajar de un universo amplio de candidatos a un grupo reducido en poco más de un día. Segundo, se aplica el filtro de canibalización contra las unidades propias existentes y se descartan los sitios con solape de venta proyectado por encima de lo razonable, lo que suele dejar un grupo reducido de candidatos en pie. Tercero llega la visita física a los sitios con score más alto, donde se valida accesibilidad, competencia directa visible y el comportamiento real del tráfico en hora pico. Cuarto y último, un modelo de P&L proyectado a 24 meses con supuestos conservadores de ventas llega al comité junto al score algorítmico, nunca el score solo, para la firma final.

¿Cuánto cuesta implementar scoring de IA en expansión?

Implementar un modelo de scoring de IA para expansión de franquicias cuesta entre $8.000 y $35.000 USD, según el número de variables y si el grupo usa una plataforma de terceros o desarrolla algo propio sobre los datos de su POS.

Para cadenas de menos de 10 unidades, casi siempre conviene una suscripción de terceros de $300 a $800 USD mensuales, que ya trae integradas las capas de tráfico y densidad poblacional sin exigir ciencia de datos interna. A partir de 15 unidades, un modelo propio se paga solo con apenas 3 a 5 aperturas evitadas o corregidas a tiempo, porque cerrar una unidad al año de operación (contrato de arrendamiento, remodelación, indemnizaciones) cuesta con facilidad entre $80.000 y $150.000 USD en mercados latinoamericanos. El retorno real de este tipo de inversión casi nunca está en abrir más rápido, sino en no abrir la unidad que jamás debió abrirse: esa es la pregunta que cualquier comité directivo debería hacerse antes de aprobar un presupuesto de IA para expansión.