Una tienda con margen neto de 3% pierde en un año 32% de su ganancia si la merma se queda en 1.6% de ventas. En México el promedio ANTAD 2021 fue 1.08%; en EU el NRF cerró 2022 en 1.6% = $112.1 mil millones de dólares[1][2].
El desglose NRF FY2022: 36% robo externo, 28-29% robo de empleados, 27% errores administrativos, resto inclasificable[3].
Aquí está la parte que casi nadie dice en voz alta: CCTV no resuelve toda la merma. Resuelve la que es visible.
Beck & Willis (1999) midieron 15 tiendas de ropa en UK después de instalar CCTV. A los 3 meses, reducción promedio de 20% en merma. A los 6 meses, los sistemas de alta gama habían vuelto a sus niveles previos — los de baja gama mantuvieron -27%[4]. El meta-análisis de Piza et al. (2019) lo confirma: CCTV por sí solo reduce crimen ~13%; combinado con otras intervenciones (monitores públicos, EAS, lock boxes) llega a ~34%[5].
( La moraleja: la cámara disuade en el corto plazo, pero el empleado que conoce los puntos ciegos no se disuade con nada si nadie ve el footage después )
En cada auditoría de layout que reviso en tv4agent, las tres preguntas que separan un sistema útil de uno decorativo son las mismas: ¿cuántas cámaras cubren el punto donde el SKU se va del anaquel al carrito? ¿cuánto tardas en encontrar la escena cuando el inventario dice 50 y la cuenta física dice 47? ¿y qué haces con el video después?
P.D. Si tu inventario de cierre de mes muestra 3% de diferencia contra el sistema, ¿sabes en qué cámara, a qué hora y con qué operador pasó? Si la respuesta es “no”, hoy es buen día para abrir el footage del martes a las 18:47.
📰 Fuente: NRF National Retail Security Survey 2023; ANTAD Censo Nacional de Mermas 2021; Beck & Willis 1999; Piza et al. 2019.
Preguntas frecuentes
¿Qué tan confiable es la detección automática de shrinkage en retail? Depende de qué entiendes por ‘shrinkage’. (1) Conteo de productos en estantería: 90-95% accuracy con cámaras cenitales + YOLO, pero solo detecta shrinkage agregado, no eventos individuales. (2) Detección de ‘sweethearting’ (cajero que no escanea): 85-92% accuracy con integración POS + video, pero requiere POS data limpia. (3) Detección de ‘false returns’ (devoluciones falsas): 70-80% accuracy, todavía experimental. La conclusión: shrinkage agregado es automatizable, shrinkage individual todavía requiere investigación humana.
¿Necesito integrar con mi POS? Para sweethearting, sí. Sin POS data, solo ves ‘cajero no escaneó este producto’ — el footage no te dice si fue error o fraude. Con POS data, el modelo correlaciona: ‘transacción 4521 dice $45.30, pero video muestra 7 productos. Posible sweethearting’. La integración POS es 4-6 semanas de trabajo con tu proveedor POS + el vendor de analytics. Costo: $5K-15K USD por tienda. Sin esa integración, el ROI de analytics de shrinkage es 30-50% menor.
¿Cuánto cuesta el deployment completo? Tienda mediana (800-1500 m², 12-18 cámaras): $25K-45K USD CAPEX + $4K-7K USD/año OPEX. Componentes: 1 cámara cenital por estantería crítica (POS, alto valor, joyería), 1 licencia analytics por cámara ($800-1,500/año), servidor edge para inferencia local. Payback típico: 8-14 meses vía reducción de merma. ANTAD reporta merma promedio 1.08% sobre ventas; post-deployment, retailers consistentes reportan 0.65-0.85% — diferencia de 0.30-0.40 puntos que en una tienda de $5M MXN/mes son $180K-240K MXN/año recovered.
¿Funciona con cámaras que ya tengo? Si son IP 2020+ con 1080p mínimo, sí. Si son más viejas o analógicas, necesitas actualizar — analytics con footage de baja resolución tiene accuracy 50-60% (peor que adivinar). Si tus cámaras son nuevas pero de baja resolución (720p), tienes que decidir entre (a) upgrade de cámaras ($200-500 USD cada una × 18 = $3.6K-9K USD), o (b) analytics con accuracy 70-75%, que detecta ‘patrones de shrinkage’ pero no ‘eventos individuales’.
¿Qué pasa con la privacidad de los empleados? LaLFPDPPP requiere aviso de privacidad y consentimiento para analytics biométrico. La detección de shrinkage técnicamente no usa biometría (no reconoce caras), pero sí usa imagen del rostro en el footage. Recomendación: (1) cameras solo en zonas de venta y almacén, NO en baños ni comedores, (2) aviso visible ‘Zona videovigilada con análisis de comportamiento para prevención de merma’, (3) footage retenido 30 días, (4) acceso al footage limitado a gerencia y oficial de privacidad. Sin estos 4, riesgo de demanda laboral.
¿Y si tengo miedo de la vigilancia de los empleados? La pregunta correcta. La analytics de shrinkage reduce la vigilancia humana (el manager ya no necesita ver horas de footage, solo recibe alertas). Pero también crea la posibilidad de vigilancia masiva. La decisión ética es tuya, no del vendor. Recomendación: (1) comunica a los empleados ANTES de instalar — ‘esto detecta shrinkage, no los vigila a ustedes’, (2) auditoría externa anual de uso del footage, (3) los empleados pueden solicitar ver qué footage tiene de ellos, (4) uso disciplinario del footage solo con HR review. Sin estos 4, los empleados encuentran el footage, lo filtran a redes, y tu marca paga el costo.
📌 Resumen ejecutivo (1 minuto)
| Item | Valor |
|---|---|
| Merma retail LATAM | 1.0-1.6% de ventas (NRF 1.6%, ANTAD 1.08%) |
| Margen neto retail | 2-5% (merma come 32-80% del profit) |
| % que cameras detectan (sin analytics) | 5-15% |
| % que cameras + analytics detectan | 40-60% |
| CAPEX cámaras 1080p × 18 | $3,600-4,500 USD |
| OPEX analytics/mes | $0-300 USD (VMS nativo) o $500-2,700 USD (enterprise) |
| ROI típico | 6-12 meses |
| Acción #1 esta semana | Medir merma por modo (POS, sustracción, recibo, fraude interno) |
Fuentes
[1] NRF National Retail Security Survey 2023 — https://nrf.com/research/national-retail-security-survey-2023 [2] ANTAD Censo Nacional de Mermas Mercado Detallista 2021 (Deloitte) — https://antad.net/retail-talks-censo-nacional-de-mermas-mercado-detallista-antad-retailers-mx/ [3] Retail Dive — NRF won’t publish annual shrink report 2024 — https://www.retaildive.com/news/no-nrf-annual-retail-shrink-report-2024/729009 [4] Beck & Willis — Context-specific measures of CCTV effectiveness in the retail sector (1999) — https://popcenter.asu.edu/sites/g/files/litvpz3631/files/10-BeckWillis.pdf [5] IAPSC EBSP-25-01 Video Surveillance (Piza 2025) — https://www.iapsc.org/wp-content/uploads/2025/07/EBSP-25-01-Video-Surveillance-1.pdf