Análisis predictivo para empresas que mueven producto: predecir qué se vende, qué se acaba y qué mandar.

Qué hace en análisis predictivo.

¿Qué es el análisis predictivo?

El análisis predictivo es el conjunto de técnicas estadísticas que analizan hechos actuales e históricos para hacer predicciones sobre sucesos futuros o desconocidos. Es la definición que recoge Wikipedia, que lo sitúa entre la minería de datos, el modelado predictivo y el aprendizaje automático. En un negocio, suele traducirse en asignar una probabilidad o una puntuación a algo (un cliente, un producto, una tienda) para decidir mejor.

En la práctica se usan dos grandes familias de técnicas: las de regresión, que relacionan una variable con otras, y las de aprendizaje automático, que aprenden patrones de muchos datos a la vez. Entre medias están los modelos de series temporales, como el suavizado exponencial o ARIMA, que son los que más se usan cuando lo que se predice es una cifra que se repite semana tras semana, como las ventas. La misma Wikipedia pone como ejemplo de predicción a nivel de producto el de un minorista que quiere predecir la demanda de cada tienda para gestionar su inventario. Ese es, justo, nuestro caso.

Para qué sirve en una empresa que mueve producto se resume en tres decisiones: cuánto vas a vender, cuánto te falta o te sobra de cada cosa en cada sitio, y qué enviar esta semana. Todo lo demás son aplicaciones legítimas con otro nombre y otros datos.

¿Qué entendemos aquí por análisis predictivo, y qué no?

La expresión «análisis predictivo» cubre usos muy distintos: predecir qué clientes se van a dar de baja, qué campaña de correo funcionará mejor, qué reclamaciones son fraude o qué candidato se quedará en el puesto. Son problemas reales, con datos y métodos propios, y no los trabajamos. Que alguien nos pregunte por análisis predictivo no significa que sea esto lo que necesita, y preferimos decirlo pronto.

Lo que hacemos es análisis predictivo aplicado a ventas, stock y reposición. Es un caso acotado por tres razones. Los datos están ya en tu programa de gestión, sin proyectos de recogida. El resultado se puede comprobar contra lo que pasó, porque cada semana se vende o no se vende. Y la decisión que sale tiene un coste medible: lo que cuesta quedarse sin producto y lo que cuesta tener de más.

Por eso la palabra que importa es «aplicado». Un modelo que predice con acierto y no cambia ninguna decisión no ha servido para nada, y un cuadro de mando con una previsión al lado es más informe, no más análisis.

¿Cómo se hace un análisis predictivo de ventas y stock, paso a paso?

Primero se juntan los datos: ventas por producto, sitio y fecha, el stock y sus movimientos, las promociones y los plazos de los proveedores. Se revisan antes de usarlos. Es el paso menos vistoso y el que más cambia el resultado: un código duplicado o una semana sin cargar estropea la previsión de un producto entero.

Segundo, se reconstruye la demanda. Las ventas no son la demanda: si una tienda estuvo a cero tres días, la venta de esos días es cero porque no había producto. Con los movimientos se calcula qué días había stock y se estima lo que se habría vendido. Un ejemplo con números: un distribuidor de material eléctrico vende cinco diferenciales de 40 A en la delegación de Málaga en los tres días que tuvo stock de una semana, y se queda a cero el miércoles. La venta registrada de la semana es 5, pero el ritmo de esos tres días, 1,67 al día, apunta a unas 12 en siete días. Prever con 5 es prever con menos de la mitad de lo que se pidió.

Tercero, se prevé. Se calcula la venta de cada producto en cada sitio por semana con un modelo que aprende de todo el catálogo a la vez y se acompaña con una referencia simple. De cada previsión sale una banda. Las previsiones de abajo se suman hacia arriba, como explica el manual de Hyndman y Athanasopoulos para las series jerárquicas, y así la cifra de la familia o de la empresa cuadra con la de cada tienda. Cuarto, se calcula el riesgo: con el stock de hoy, lo que va de camino y el plazo, la probabilidad de que se acabe antes de que llegue el siguiente envío. Quinto, la decisión: qué mandar, cuánto y cuándo para dejar ese riesgo donde lo has puesto. Y sexto, el seguimiento: cada semana se compara lo previsto con lo vendido y, si el error se desvía, se reajusta.

• Juntar y limpiar ventas, stock, promociones y plazos.
• Reconstruir la demanda real, corrigiendo los días sin stock.
• Prever por producto, sitio y semana, con su banda.
• Calcular el riesgo de rotura de cada producto en cada sitio.
• Proponer el envío y explicar cada línea.
• Comparar lo previsto con lo vendido cada semana y recalibrar.

¿Cómo se comprueba que un análisis predictivo funciona?

La comprobación se hace con datos que el modelo no ha visto. El manual de previsión de Hyndman y Athanasopoulos, Forecasting: Principles and Practice, explica que un modelo que se ajusta bien a los datos con los que se entrenó no tiene por qué prever bien, y propone dividir los datos en una parte de entrenamiento y otra de prueba, o repetir la evaluación en un origen móvil, de manera que ninguna previsión use datos posteriores a la fecha que prevé. En un negocio, eso es una simulación: volver a un lunes de hace meses, prever con lo que se sabía, y mirar qué pasó.

El mismo manual recomienda medir contra métodos sencillos de referencia, como repetir la última semana o la del año anterior, y afirma que, si un método nuevo no los supera, no merece la pena considerarlo. Es una regla incómoda para quien vende modelos, porque obliga a mostrar que el modelo gana. Nosotros la aplicamos grupo a grupo de productos: donde la referencia sencilla es mejor, se usa la sencilla.

Un análisis predictivo de stock se mide, además, con lo que importa al negocio. Además de cuánto se acierta en unidades, se mira cuántas roturas habría evitado y cuánto stock habría hecho falta para el mismo servicio. Eso es el backtest: lo que habría propuesto el sistema, semana a semana, frente a lo que se hizo. Y se mira también la calibración: cuando el sistema dice un 5 % de riesgo, tiene que pasar cerca del 5 % de las veces.

¿Qué datos necesita y de dónde salen?

De tu programa de gestión. Ventas por producto, sitio y fecha, stock y movimientos, promociones, plazos de proveedores y equivalencias de códigos. Nada de datos personales de clientes. Se leen con un usuario de solo lectura de Odoo, Business Central, Sage, Holded, SAP Business One, Shopify, WooCommerce, PrestaShop, Power BI o de un Excel o CSV, y se alojan en la UE.

Con un año de histórico se empieza, con dos el modelo ve dos veces la temporada y la banda se estrecha. Cuando hay menos, o hay productos nuevos, el modelo se apoya en lo que comparten las familias y marca la confianza como baja. El informe de calidad de datos se entrega antes de modelar, para que se vea qué se puede esperar.

• Ventas por producto, sitio y día o semana.
• Stock actual y movimientos de entrada y salida.
• Promociones y cambios de precio con su fecha.
• Equivalencias entre códigos antiguos y nuevos.
• Plazos de cada proveedor.

¿Análisis predictivo o previsión de demanda?

La previsión de demanda es una parte del análisis predictivo: la que estima cuánto se va a vender. El análisis predictivo, aplicado a stock, añade lo que viene después: el riesgo de rotura, la cantidad a pedir y el seguimiento del acierto. Si lo que te interesa es la parte de la previsión, mira la página del predictor de ventas, que cuenta qué se predice y cómo se mide, y la de previsión de demanda, que explica los métodos.

Si lo que quieres es saber cuánto stock tener, la del predictor de stock. Y si lo que te preocupa es enterarte antes de que algo se agote, la del predictor de roturas. Para el caso de un almacén o una red de reparto, la de análisis predictivo en logística. Y si ya trabajas con Power BI, en su página explicamos cómo se enseña lo calculado.

Lo que no hace, y cómo empezar.

No predice lo que no tiene datos para predecir: un cliente nuevo grande, una tienda en una ciudad sin historia, una campaña que no se le cuenta. No decide solo ni escribe en tu programa sin permiso. Y no es una promesa de resultados: 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 %, mientras que con venta estable y plazo corto una cobertura fija bien ajustada funcionó igual de bien. Qué te toca a ti se ve con tus datos.

Se empieza con una demo de 30 minutos por videollamada. Si prefieres adelantar, el análisis gratuito parte de un export de ventas y stock y devuelve qué productos se quedaron sin stock, cuántos días y cuánta venta quedó escondida. Después, la simulación con tus datos y uno o dos meses en modo sombra.

¿Te suena alguno de estos casos?

• Si te piden «hacer analítica predictiva» y no sabes por dónde empezar Empieza por lo que ya tienes y cuesta dinero: ventas por producto y sitio y stock. Es el caso con más datos y el más fácil de probar.
• Si tienes Power BI y los informes son de lo que pasó El sistema calcula la previsión y el riesgo, y Power BI los enseña junto al resto de tus cuadros. No hace falta cambiar de herramienta de informes.
• Si tu equipo de datos es una persona o ninguna El modelo, la comprobación y el seguimiento los llevamos nosotros, y el resultado se entiende sin saber estadística.
• Si ya probaste un modelo y nadie se fio de él Se compara contra una referencia simple sobre tu histórico y cada propuesta lleva su porqué. La confianza se construye con pruebas, no con una demo.
• Si tu ERP prevé con un coeficiente fijo Se mide cuánto acierta frente al predictor en tus datos, producto a producto, y decides con la tabla delante.
• Si la dirección quiere cifras y compras quiere acciones Las dos salen de la misma previsión: la cifra para dirección y la lista de envíos para compras.

Análisis predictivo con un destino claro: el pedido de la semana.

En muchas empresas el análisis predictivo se queda en un proyecto de ciencia de datos que produce un modelo, un cuadro y poca decisión. Aquí el modelo existe para una cosa: decir qué mandar a cada sitio. Por eso se mide como se mide una decisión: contra lo que se habría hecho sin él, con tus datos y con las mismas reglas para los dos.

• Aplicado a ventas, stock y reposición, no a todo a la vez.
• Cada cifra con su banda de error y cada propuesta con su porqué.
• Comprobado sobre tu histórico antes de contratar, y en modo sombra después.
• Lectura de tu programa sin tocarlo; datos en la UE y código a tu nombre.