Análisis predictivo en logística: saber qué va a pedir cada sitio antes de cargar el camión.

Qué hace en análisis predictivo en logística.

¿Qué es el análisis predictivo en logística?

Es usar los datos históricos de una operación logística para estimar qué va a pasar y con qué margen de error, y decidir antes. Wikipedia define el análisis predictivo como el conjunto de técnicas estadísticas que analizan hechos actuales e históricos para hacer predicciones sobre sucesos futuros o desconocidos. En logística hay muchas cosas que predecir: tiempos de tránsito, averías, ocupación de almacén, demanda de cada destino.

Esta página trata de una sola: la demanda de cada destino y lo que implica para el stock y la carga. Es la parte donde la logística y la reposición se tocan. Cuando un camión sale con la mercancía equivocada, o cuando un destino se queda sin producto un jueves, casi siempre hay una previsión de demanda detrás que no estaba, o que era una media.

Lo que se predice se explica con más detalle en la página de análisis predictivo, que define el término y deja claro qué no cubrimos, y en la del predictor de ventas, que cuenta cómo se estima y se comprueba la venta de cada producto en cada sitio. Aquí nos centramos en cómo eso cambia la decisión de qué cargar, cuándo pedir a fábrica y cómo mover producto entre almacenes.

¿Cómo se decide hoy qué cargar y qué pedir?

En una red de reparto con almacén central, lo habitual es que cada destino pida cuando cree que le falta, por teléfono o por el portal, y que el central sirva lo que puede con el camión que sale. El pedido llega tarde por definición: quien lo hace ya está viendo huecos en la estantería. El camión se llena con lo pedido, y lo que falta va en la ruta siguiente o en un transporte urgente.

Del otro lado, en las compras a fábrica, el pedido suele ser de camión completo: se acumulan necesidades hasta llegar a un tamaño que compense el transporte. Es razonable, y tiene un efecto conocido. Wikipedia describe el efecto látigo como el patrón por el que los pedidos a proveedores tienen más variabilidad que las ventas a compradores, y entre las causas que cita están justo la previsión de la demanda, con cada eslabón guardando stock de seguridad para cubrir sus errores, y el agrupar pedidos para ahorrar en transporte. Pequeñas variaciones en lo que vende el último destino acaban en grandes oscilaciones de stock aguas arriba.

Un caso. Un distribuidor de material eléctrico, Cobre y Corriente, tiene ocho delegaciones en España y un almacén central. Pide a fábrica por camión de 24 palés. Las delegaciones piden por su cuenta cuando ven que baja el stock de diferenciales, magnetotérmicos o cable. Cuando coinciden tres peticiones grandes el mismo día, el central no llega: sale un camión con lo que hay y el resto va en un transporte urgente. El mes siguiente el central tiene de más lo que pidió con prisa.

¿Qué cambia con un análisis predictivo de la demanda por destino?

El pedido se adelanta. En vez de esperar a que cada destino lo haga, el sistema estima cuánto necesitará cada uno de cada referencia las próximas semanas, con su banda, y propone lo que hay que cargar. El almacén central ve la semana entera con antelación: cuántos palés, de qué referencias y para qué destino.

Ese cálculo funciona porque lo que se predice se puede sumar. El manual de previsión de Hyndman y Athanasopoulos, Forecasting: Principles and Practice, explica las series jerárquicas, en las que el total se desglosa por producto o por lugar, y pide que las previsiones sumen de forma coherente con esa estructura. Si se prevé solo el total y luego se reparte, se pierden las diferencias de cada destino, y el manual advierte de que esos métodos no dan previsiones coherentes sin sesgo. Si se prevé cada destino y se suma hacia arriba, ninguna información se pierde, aunque cada serie por separado es más ruidosa y difícil de modelar.

Con números: la semana que viene el sistema prevé para cinco delegaciones 5, 4, 8, 3 y 4 palés, 24 en total, justo un camión de fábrica. Cada previsión lleva su banda del 80 %, por ejemplo de ±3, ±3, ±4, ±2 y ±3 palés. Si las desviaciones fueran independientes, la banda del total sería de unos ±7 palés (la raíz de 9 + 9 + 16 + 4 + 9), no de ±15, que es lo que saldría de sumar las bandas. En la práctica las desviaciones de las delegaciones se parecen entre sí (una ola de calor sube la bebida en todas), así que la banda del total se calcula con esa relación y es más ancha que ±7. Es de esas cosas que una hoja de cálculo no hace y que decide si compensa cerrar el camión ya o esperar a la semana siguiente.

Sobre el plazo, lo mismo: no es una cifra. En el ejemplo, Madrid Sur tiene 10 palés, la previsión para la semana es de 8 palés y el camión de fábrica tarda cinco días. En cinco días se venderán unos 5,7 palés, con una banda que no llega a 10, y el riesgo de rotura es bajo. Pero si ese plazo, en el histórico de pedidos, a veces es de ocho días, en ocho días se venden unos 9,1 palés con una banda que sí pasa de 10, y el riesgo sube a alrededor del 40 %. El sistema no pide con el plazo del contrato, pide con el plazo que ha medido.

• Previsión de cada destino y referencia, sumada hacia arriba para la carga total.
• Plazo del proveedor medido con tus pedidos, con su variación.
• Riesgo de rotura de cada destino calculado con ese plazo.
• Traslado entre almacenes antes que pedido nuevo cuando uno sobra y otro falta.

¿Qué datos hacen falta en una operación logística?

Las salidas por destino, referencia y fecha, que salen de tu programa de gestión: Odoo, Business Central, Sage, SAP Business One, Holded o el que uses. Las entradas, con la fecha del pedido y la de recepción de cada compra, porque con ellas se mide el plazo real de cada proveedor y no el que figura en la ficha. El stock actual y sus movimientos, para saber qué días había producto en cada destino.

Si registras los traslados entre almacenes, se leen, y si tienes el coste de mover una caja entre dos sitios, entra en la comparación entre trasladar y pedir. No hacen falta rutas, GPS ni datos de clientes finales. Antes de prever, un informe de calidad de datos: pedidos sin fecha de recepción, referencias duplicadas, destinos con huecos.

• Salidas por destino, referencia y fecha.
• Fecha de pedido y de recepción de cada compra.
• Stock actual y movimientos, con los traslados entre almacenes.
• Promociones y campañas que mueven la demanda.
• Coste de transporte por traslado, si quieres compararlo con un pedido nuevo.

¿Cómo se comprueba antes de cambiar la operación?

Con la simulación con tus datos. Se vuelve a una semana pasada, se prevé con lo que se sabía ese lunes, se calcula qué habría propuesto el sistema y se compara con lo que se envió: cuántas roturas se habrían evitado, cuánto stock se habría necesitado para el mismo servicio y cuántos transportes urgentes sobraban. El manual de previsión de Hyndman y Athanasopoulos lo recomienda así: evaluar con datos que el modelo no ha visto y no fiarse de lo bien que ajusta el pasado, porque el tamaño de los residuos no es una guía fiable del error real.

El mismo manual insiste en comparar con métodos sencillos, como repetir la última semana, y descartar el método nuevo si no los supera. En logística tiene una consecuencia práctica: si para tus referencias de venta muy estable una cobertura fija bien ajustada funciona igual, el sistema te lo dice y no complica nada. En el Estudio de reposición 2026 de Arume, con datos sintéticos y públicos, con venta de temporada y cuatro semanas de plazo la reposición por previsión necesitó un 25 % menos de stock que la cobertura fija y un 42 % menos que el mínimo fijo para servir el 95 %; con venta estable y plazo corto, una cobertura fija bien ajustada funcionó igual de bien. No es un resultado de clientes: el tuyo se mide con tus envíos.

Después, uno o dos meses en modo sombra. El sistema propone cada semana con datos frescos, tu equipo decide como siempre, y al final se compara. Solo cuando la comparación sale bien se pasa a usar las propuestas.

Lo que no hace.

No planifica rutas, no mide la flota, no hace seguimiento de GPS ni sustituye a tu programa de gestión de almacén. Tampoco carga el camión solo: propone qué cargar y quién decide es la persona de logística. No adivina lo que nunca ha pasado: un cliente que pide un volumen que no había pedido nunca se ve cuando llega el primer pedido, y hasta entonces el sistema solo lo sabe si tú se lo cuentas.

Tampoco cubre todo lo que cabe bajo el nombre de analítica predictiva en logística. Si lo que buscas es prever averías de la flota o tiempos de tránsito, es otro proyecto con otros datos, y te lo decimos si nos lo preguntas.

Cómo empezar.

La demo dura 30 minutos por videollamada. Si quieres avanzar antes, el análisis gratuito parte de un export de salidas y stock y devuelve qué destinos se quedaron sin producto, cuántos días y cuánta venta quedó escondida. Si ya trabajas con Power BI, en la página de análisis predictivo con Power BI se ve cómo se enseña lo calculado en tus informes.

Después de la demo, la simulación con tus datos y uno o dos meses en modo sombra. El arranque lleva de tres a seis semanas, con la conexión de solo lectura a tu programa y los datos alojados en la UE. Y tienes las páginas de predictor de stock y de predictor de roturas para ver por separado cómo se calcula cuánto tener y cuándo avisar.

¿Te suena alguno de estos casos?

• Si repartes a tiendas o clientes y los pedidos urgentes son lo normal y cada urgencia es un viaje extra o un transporte a precio de urgencia. Si se ve venir, entra en el camión de la semana.
• Si pides a fábrica por camiones completos y el pedido se acumula hasta llenarlo, con lo que unos días llega de más y otros se rompe. Se decide cuándo cerrar el pedido con la venta prevista, no con la costumbre.
• Si tienes un almacén central y varios regionales y cada uno pide por su cuenta. Se prevé cada uno y se decide dónde tener cada referencia.
• Si tu plazo de entrega cambia mucho de una semana a otra y el colchón de seguridad sigue siendo el mismo todo el año. El colchón se calcula con la variación real del plazo.
• Si trabajas con furgonetas de reparto como almacenes móviles Se prevé qué necesita cada ruta y se carga a la vez para toda la semana.
• Si te preguntan por «analítica predictiva» y no sabes qué parte te toca Te toca la que está pegada al stock y al camión. El resto se puede dejar para después.

Análisis predictivo que acaba en la carga del camión.

En logística hay muchos datos y poca decisión que salga de ellos: rutas, tiempos, kilómetros. Lo nuestro es el lado del stock. Estima lo que va a necesitar cada destino y propone qué cargar, con el riesgo y el porqué de cada línea. Se prueba con tus envíos pasados antes de contratar, y la persona de logística aprueba o cambia cada propuesta.

• Demanda por destino y referencia, sumada hacia arriba para la carga total.
• Plazo del proveedor con su variación real, no una cifra fija.
• Traslados entre almacenes y stock en tránsito dentro del cálculo.
• Lee de tu programa con usuario de solo lectura; la persona decide.