Previsión de demanda: acertar lo justo para no comprar de más

Casi todas las empresas hacen previsión de demanda. La mayoría la hace en una hoja de cálculo, a mano, el último viernes de mes, con el criterio de quien lleva veinte años comprando. Eso no es un problema en sí: ese criterio suele ser bueno. El problema aparece cuando la persona se va de vacaciones, cuando el catálogo pasa de 200 a 2.000 referencias, o cuando nadie sabe decir cuánto se equivocó la previsión del trimestre pasado. Ahí es donde un modelo con datos empieza a compensar.

Este artículo va de lo concreto: cuánto histórico hace falta de verdad, qué error es razonable esperar, cómo se elige entre una media móvil y un modelo de machine learning, y —lo que casi nadie cuenta— cómo se conecta la previsión con las decisiones de compras y producción para que sirva de algo. Porque una previsión que nadie usa para pedir material es un ejercicio estadístico caro.

¿Qué es la previsión de demanda y qué decide realmente?

La previsión de demanda es estimar cuántas unidades de cada referencia se van a vender en un periodo futuro. Dicho así suena obvio. Lo que no es obvio es que casi nunca decide "cuánto vamos a vender": decide cuánto hay que tener disponible, que es una pregunta distinta y con consecuencias económicas directas.

Esa diferencia se nota en qué decisiones cuelgan de la previsión:

• Compras. Cuánto pedir a cada proveedor y cuándo, considerando su plazo de entrega y su lote mínimo.
• Producción. Qué fabricar la semana que viene y en qué orden, si hay capacidad limitada o cambios de formato costosos.
• Almacén. Cuánto stock de seguridad mantener por referencia y en qué ubicación.
• Tesorería. Cuánto dinero queda inmovilizado en inventario durante los próximos tres meses.
• Personal. Cuántos turnos o refuerzos hacen falta en campaña.

Cada una de esas decisiones tiene un horizonte distinto. Compras puede necesitar visibilidad a 12 semanas porque el proveedor está en Asia; producción necesita la semana que viene con detalle; tesorería necesita el trimestre agregado. Una sola previsión "a tres meses" no sirve para las tres. Antes de modelar nada, conviene escribir qué decisión concreta va a cambiar con el número y con cuánta antelación se toma.

Si nadie va a cambiar un pedido por culpa del número, no necesitas una previsión: necesitas un informe. Cuestan lo mismo de hacer y no son lo mismo.

¿Qué histórico hace falta para una previsión de demanda?

La respuesta corta: dos años completos de ventas a nivel de referencia y semana, si el negocio tiene estacionalidad. Con un solo año un modelo no distingue entre "en julio vendemos más" y "aquel julio fue raro". Con menos de un año se puede trabajar, pero con métodos más simples y expectativas más bajas.

Lo que hace falta además del volumen:

• Granularidad útil. Fecha, referencia, cantidad, cliente o canal, y almacén o punto de venta. Si solo tienes facturación mensual agregada, puedes prever el agregado, no el surtido.
• Demanda, no ventas. Es el matiz que más previsiones estropea. Si un mes no vendiste porque estabas roto de stock, el histórico registra cero y el modelo aprende que ahí no hay demanda. Hay que marcar las roturas y, si es posible, reconstruir la demanda perdida.
• Calendario de promociones y precios. Un pico provocado por un 30 % de descuento no se repetirá solo. Sin esa columna, el modelo atribuye el pico a la fecha y lo proyecta al año siguiente.
• Eventos conocidos. Festivos por región, cierres de planta, entrada y salida de referencias del catálogo, cambio de packaging.
• Maestro de artículos limpio. Si el mismo producto ha tenido tres códigos en cinco años, el histórico está partido en tres y ninguno tiene profundidad suficiente.

Ese último punto es el que suele consumir la mitad del proyecto. No es glamuroso, pero sin él no hay modelo que aguante: es exactamente el trabajo que describimos en ingeniería de datos. Si al abrir el ERP descubres que los productos nuevos heredan el código de otros descatalogados, tienes un problema de maestro antes que un problema de previsión.

¿Qué error es aceptable y cómo se mide?

Aquí es donde conviene bajar las expectativas y subir el rigor. Ninguna previsión acierta. La pregunta correcta no es "¿cuánto acierta?", sino "¿acierta más que lo que hacíamos antes, y me sale a cuenta la diferencia?".

Las dos métricas que se usan en la práctica:

• MAPE (error porcentual absoluto medio): fácil de explicar a dirección, pero se dispara con referencias de poco volumen. Si esperabas vender 2 y vendiste 4, el error es del 100 % aunque el impacto sea irrelevante.
• WMAPE (el mismo error ponderado por volumen): mucho más honesto para decidir. Pondera cada referencia por lo que pesa de verdad en el negocio.

Como orientación general del sector, un producto de rotación alta y estable admite errores de un dígito o de la franja baja de dos; un producto intermitente o de largo tail puede irse muy por encima y aun así ser inevitable. Por eso el número que importa no es el MAPE absoluto sino la mejora sobre el modelo ingenuo: prever que la semana que viene se venderá lo mismo que esta, o lo mismo que la misma semana del año pasado. Si tu modelo sofisticado no bate a esa línea base, no lo pongas en producción; ya tienes la respuesta gratis.

Dos reglas prácticas para medir bien:

1. Mide siempre al horizonte con el que decides. Si compras con ocho semanas de antelación, evalúa el error a ocho semanas, no a una. El error crece con el horizonte y la foto optimista engaña. 2. Mide sobre datos que el modelo no vio. Entrenar y evaluar sobre el mismo periodo produce resultados espectaculares y falsos. Se reserva el último tramo del histórico para validar, como en cualquier proyecto de machine learning en empresas.

¿Media móvil, modelo estadístico o machine learning?

No hay un ganador universal, hay un encaje entre el tipo de demanda y el método. Esta tabla resume el criterio que aplicamos antes de tocar nada:

| Método | Cuándo encaja | Qué exige | Qué esperar | |---|---|---|---| | Media móvil / suavizado | Demanda estable, catálogo corto, sin estacionalidad marcada | 6-12 meses de histórico | Base de comparación honesta; a veces suficiente | | Estadístico clásico (estacionalidad + tendencia) | Estacionalidad clara y recurrente | 2 años, calendario de festivos | Buena mejora con poco coste y total explicabilidad | | Modelos para demanda intermitente | Referencias que se venden pocos días al mes | Histórico largo aunque escaso en volumen | Evita el error clásico de prever 0,3 unidades | | Machine learning | Catálogo amplio, promociones, precio, variables externas | 2-3 años, datos de promociones limpios | La mayor mejora, pero solo si hay datos y mantenimiento | | Juicio experto ajustado | Lanzamientos, productos sin histórico | Un proceso de consenso documentado | Imprescindible; no es un fallo usarlo |

Dos observaciones que ahorran dinero. La primera: empezar por el método más simple que resuelva el caso, medir, y subir de nivel solo si la mejora paga el coste. La segunda: la mayoría de las empresas no necesitan un único modelo, sino segmentar el catálogo —por ejemplo con un análisis ABC cruzado con la variabilidad— y aplicar un método distinto a cada grupo. Las referencias que concentran el grueso de la facturación merecen el modelo bueno; el long tail se gestiona con reglas y stock de seguridad.

¿Cómo se lleva la previsión a compras y producción?

Este es el paso que decide si el proyecto sirve o acaba en una carpeta compartida. El número por sí solo no compra nada; hay que convertirlo en propuesta de pedido y meterlo en el circuito que ya existe.

Lo que hace falta montar:

1. Traducir previsión a necesidad. Demanda prevista menos stock disponible menos pedidos en tránsito, más stock de seguridad. Ese cálculo depende del nivel de servicio objetivo y de la variabilidad del plazo del proveedor, no solo de la media. 2. Respetar las restricciones reales. Lote mínimo, múltiplos de palé, capacidad del camión, caducidad, capacidad de línea. Una propuesta que ignora el lote mínimo se corrige a mano, y en cuanto se corrige a mano dos veces, se deja de mirar. 3. Definir el ciclo y el dueño. Quién revisa la propuesta, con qué frecuencia y con qué margen para modificarla. Un ciclo semanal con una reunión corta de consenso entre ventas, compras y operaciones funciona mejor que un informe automático que nadie valida. 4. Registrar las intervenciones manuales. Cada vez que alguien cambia una cantidad, anotar el motivo. A los tres meses ese registro dice exactamente qué le falta al modelo: promociones no cargadas, un cliente que avisa por teléfono, una restricción no modelada. 5. Cerrar el bucle con seguimiento. Error por referencia, rotura de stock, cobertura en días y exceso de inventario, revisados en el mismo sitio donde se miran el resto de indicadores. Sobre cómo montar ese panel sin las cuarenta métricas de rigor, escribimos en cuadro de mando.

Ese punto 4 es el más subestimado. La previsión mejora sobre todo por el aprendizaje del proceso, no por cambiar de algoritmo. Y conviene asumir desde el principio que ventas seguirá teniendo información que el histórico no tiene: un concurso ganado, un cliente que cierra, una obra que se retrasa. El objetivo no es sustituir ese conocimiento, es dejar de reconstruirlo a mano cada mes para las 1.800 referencias que nadie mira.

¿Por dónde empezar sin montar un proyecto de un año?

Un arranque de 90 días que se sostiene:

• Semanas 1-3. Extraer el histórico, marcar roturas de stock y depurar el maestro. Calcular el error del modelo ingenuo: esa es la línea base que hay que batir.
• Semanas 4-6. Segmentar el catálogo por volumen y variabilidad. Elegir un método por segmento y validar sobre los últimos meses, al horizonte real de decisión.
• Semanas 7-10. Conectar con la propuesta de pedido para un grupo acotado de referencias, con las restricciones de compra cargadas. Compras trabaja con la propuesta, pero puede cambiarla libremente.
• Semanas 11-13. Revisar error, intervenciones manuales y roturas. Decidir qué se extiende, qué se ajusta y qué método hay que subir de nivel.

Si algo de esto se atasca, casi siempre es por los datos y no por el modelo: es el patrón que vemos una y otra vez en análisis predictivo. Un proyecto que arranca sin resolver el maestro de artículos y las roturas de stock termina discutiendo si el algoritmo es el bueno cuando el problema está tres capas más abajo.

Preguntas frecuentes

¿Cuánto histórico necesito para prever la demanda?

Con estacionalidad, dos años completos a nivel de referencia y semana. Con uno solo se puede trabajar, pero el modelo no sabrá distinguir un patrón anual de una anomalía puntual. Por debajo de un año conviene quedarse en métodos simples y apoyarse en juicio experto documentado.

¿Qué error de previsión es normal?

Depende del tipo de producto: rotación alta y estable admite errores bastante bajos, mientras que la demanda intermitente se va muy arriba por naturaleza. La referencia útil no es el porcentaje absoluto, sino cuánto mejoras respecto a prever que se venderá lo mismo que el periodo anterior.

¿Sirve la IA para prever demanda de productos nuevos?

Para un lanzamiento sin histórico, no directamente. Lo que funciona es apoyarse en productos análogos, en la curva de introducción de lanzamientos anteriores y en el criterio de ventas, y sustituirlo por el modelo en cuanto haya semanas reales suficientes.

¿Puedo hacer previsión de demanda sin salir de Excel?

Para un catálogo corto y estable, sí: una media móvil con estacionalidad bien montada resuelve más de lo que parece. El límite llega con el volumen de referencias, la trazabilidad de los cambios y la conexión automática con compras, que es donde una hoja deja de ser mantenible.

La previsión de demanda es uno de los pocos casos donde el retorno se ve en el balance —menos rotura, menos inventario inmovilizado— siempre que el número llegue a quien firma los pedidos. Si quieres saber si tu histórico da para esto antes de invertir en nada, en la auditoría revisamos tus datos de ventas, stock y maestro y te decimos qué se puede prever hoy y qué toca arreglar primero. Y si prefieres contrastarlo en media hora, hablemos.