¿Cómo prever lo que van a pedir tus clientes industriales?

La respuesta en dos frases y para quién es.

Para prever lo que van a pedir tus clientes industriales, distingue el pedido que ya está decidido (contrato marco, parada de mantenimiento, proyecto con planificación) del pedido que llega solo cuando algo se rompe o se acaba. Al primero se le aplica el calendario y al segundo, la estadística.

Está pensada para distribuidores de suministros industriales (tornillería, rodamientos, EPI, herramienta, hidráulica, neumática, consumibles de soldadura, lubricantes) con una cartera de pocos clientes grandes y muchos pequeños, y con miles de referencias. Si vendes sobre todo a consumidor final, esta pregunta no es la tuya.

¿Cómo se prevé hoy lo que van a pedir?

Lo habitual es una de dos cosas: la media de los últimos meses (lo que se vendió el año pasado entre doce, con un redondeo hacia arriba por prudencia) o la intuición del comercial, que sabe qué cliente está a punto de hacer una parada y qué pedido se retrasa. Las dos tienen su parte de verdad, y juntas cubren la mayor parte del trabajo diario de un comprador.

Fallan en los clientes industriales por la misma razón: su demanda no es una línea suave. Un cliente grande compra 60 cajas de tornillería de golpe cada cuatro semanas, y otros cuarenta compran una o dos cajas de vez en cuando. Una media mensual aplana las dos cosas: ni refleja el golpe del cliente grande ni la cola de los pequeños. El resultado es un stock que sobra tres semanas de cada cuatro y se queda corto la cuarta.

La intuición del comercial, por su parte, vive en una persona. Cuando esa persona se va de vacaciones, cambia de zona o se jubila, lo que sabía se va con ella, y lo que queda es la media.

Paso a paso: separar el pedido programado, con números.

Tomamos una referencia, una caja de 200 tornillos DIN 933 M10 por 40, y cuarenta y un clientes. Uno de ellos, un fabricante de maquinaria agrícola, compra 60 cajas cada cuatro semanas por contrato marco, en las semanas 1, 5 y 9. Los otros cuarenta compran cada uno una media de 0,45 cajas por semana, repartidas al azar: 18 cajas por semana en total.

Con una media simple, el total de las cuatro semanas es de 3 × 18 + 78 = 132 cajas; entre cuatro, 33 por semana. La previsión de 33 cajas semanales se equivoca en todas: en las tres semanas sin pedido del cliente grande, sobran 15 (33 menos 18), y en la semana con pedido, faltan 45 (78 menos 33). El error absoluto medio de las cuatro semanas es de (3 × 15 + 45) / 4, 22,5 cajas, con una media de ventas de 33.

Con la demanda separada, el pedido del cliente grande no se prevé: se lee del contrato (60 cajas en las semanas 1, 5 y 9). Lo que se prevé estadísticamente es la cola, 18 por semana, que es mucho más estable porque suma muchos clientes pequeños y los errores se compensan. La previsión total queda en 18 las semanas sin pedido y 78 la semana con pedido: el error de la parte programada es cero, y el de la cola es el que tenga la estadística, unas pocas cajas. Se ha pasado de equivocarse en 22 cajas de media a equivocarse en pocas.

Esto no es una curiosidad de este ejemplo: es lo que pasa siempre que una parte de la demanda tiene una fecha. Lo que tiene fecha se llama demanda conocida y se resta del total antes de calcular lo demás; solo lo que queda es incertidumbre.

Prever por cliente y por familia, y que los números sumen.

La segunda decisión es el nivel al que se prevé. Prever cada referencia por cada cliente es lo más fino y lo más ruidoso: un cliente que compra tres veces al año produce una serie con casi todo ceros, imposible de ajustar. Prever solo el total de la referencia es más estable, pero no dice a quién se va a servir ni cuándo. Prever por familia (todos los rodamientos de 6200) es la más estable de todas y la más lejana de lo que hay que pedir.

La solución está bien descrita en la literatura de previsión: las series forman una estructura jerárquica (cliente, referencia, familia, total) o agrupada (cliente cruzado con región, por ejemplo), y los números de cada nivel tienen que sumar los del nivel de arriba. Se puede prever por abajo y sumar (bottom-up, que no pierde información pero hereda el ruido), o prever el total y repartirlo (top-down, más estable pero sesgado, según el manual de Hyndman y Athanasopoulos). El método moderno prevé todos los niveles y los ajusta para que cuadren: la reconciliación (capítulo de series jerárquicas de «Forecasting: Principles and Practice»).

Lo que significa para un comprador es práctico: la previsión de una referencia no se contradice con la de su familia ni con la suma de lo que se espera de cada cliente. Cuando el cliente A cambia su ritmo, se ve en la referencia y en la familia. Cuando una familia entera cae, se ve en cada referencia, y se evita el clásico «el total baja pero cada pedido sigue igual».

Una vez sacado el pedido programado, la cola tiene otro problema: la mayoría de referencias industriales no se venden cada semana. Una pieza que se vende en 6 de 52 semanas tiene demanda intermitente, y las medias o suavizados normales la tratan mal: tienden a dar una cifra constante que nunca es la real. Para eso existen métodos específicos (el de Croston y sus variantes, como el de Syntetos y Boylan), que prevén por separado cuándo llega un pedido y de qué tamaño.

La clasificación de Syntetos y Boylan separa las piezas por dos medidas, el intervalo medio entre pedidos (corte en 1,32 semanas) y la variabilidad del tamaño (corte en 0,49), y asigna un método a cada casilla (MetricGate la resume). No hay que aplicarla a mano: lo importante es que una cola de 6.000 referencias no puede tratarse con una sola fórmula. Hay una guía sobre demanda intermitente con el detalle.

Cómo saber si la previsión sirve, y los errores típicos.

Una previsión que se ajusta muy bien al pasado no demuestra nada: un modelo suficientemente flexible reproduce cualquier histórico. Lo que cuenta es cómo acierta con semanas que no ha visto. El método básico es reservar las últimas semanas, ajustar con lo anterior y comparar; el más riguroso va moviendo el punto de corte hacia delante (validación cruzada de series temporales o «origen móvil de previsión»), como explica el capítulo de precisión de Hyndman y Athanasopoulos.

Para comparar referencias de tamaños distintos sirve el error escalado (MASE): divide el error medio del modelo entre el error medio de una previsión ingenua, la que dice «la semana que viene será como esta». Un valor menor que 1 significa que el modelo mejora al ingenuo; mayor que 1, que no. En una cola de referencias intermitentes, es la vara honesta: muchas piezas no superarán al ingenuo y lo correcto es no fingir lo contrario. En el glosario tienes el MASE y el backtest.

El primero es mezclar en la misma serie el pedido de un cliente grande con el resto: el modelo aprende un patrón que no es de nadie. El segundo, olvidar que una parada de mantenimiento de un cliente es una fecha, no una probabilidad: se pregunta, se anota y se resta. El tercero, usar solo ventas servidas: si no había stock, la demanda real fue mayor. El cuarto, dar la misma importancia a todas las referencias en vez de medir el error donde duele (las A del análisis ABC). Y el quinto, tratar un pico puntual (una obra grande que no se repetirá) como si fuera la nueva normalidad.

Qué cambia con un sistema de reposición.

El sistema separa por ti el pedido programado de la cola (con los pedidos abiertos, contratos marco o los calendarios que quieras darle) y calcula la previsión por cliente, por referencia y por familia, con cuadre entre niveles. Para cada referencia propone cuánto reponer y cuándo, con el porqué de la cifra, y deja una banda de incertidumbre en lugar de un único número. Las comparaciones con la realidad se hacen sobre semanas no vistas y quedan visibles en el panel.

Hay un asistente al que se le puede preguntar «¿qué esperas que pida este cliente en octubre?» o «¿por qué subes la previsión de esta referencia?» y responde con los datos de su origen. Lo que ya existe en tu programa (Business Central, SAP Business One, Odoo, Sage) se queda donde está: el sistema lee y propone, y escribir pedidos es opcional y siempre con aprobación. Más sobre el sector en suministros industriales y sobre el método en previsión de demanda.

Qué datos hacen falta.

Líneas de venta de al menos dos años con cliente, referencia, fecha y cantidad; pedidos de venta abiertos y contratos marco con sus fechas, si están en el sistema (si no, un calendario en Excel basta para empezar); stock actual y plazos reales de proveedor. Todo en lectura.

Un dato que suele estar y no se usa: la fecha de petición del cliente frente a la de entrega. Si un cliente pidió para el lunes y se le sirvió el jueves, la demanda se produjo el lunes, no el jueves.

Cuándo no merece la pena.

Si tu cartera son cinco clientes que compran cada mes lo mismo, no necesitas previsión: necesitas un calendario. Tampoco si el catálogo es corto y de salida constante: ahí un mínimo y un máximo bien calculados bastan (guía de mínimo y máximo o previsión). Y si la mayor parte de lo que vendes se fabrica o se compra por proyecto después de cada pedido, el trabajo es de planificación de compras, no de reposición.

Cómo empezar.

Puedes comprobar cuánto acierta el método con tus datos antes de decidir nada: la simulación con tus datos repite semanas pasadas con lo que se sabía cada día y compara con lo que pediste y vendiste. Si quieres hablarlo antes, el análisis gratuito y una demo de 30 minutos por videollamada.