Con demanda intermitente la pregunta no es cuánto se venderá: es si se venderá alguna unidad antes del próximo envío.

¿Qué es la demanda intermitente?

La demanda intermitente es la de un producto que no se vende en la mayoría de los periodos y, cuando se vende, lo hace en cantidades que varían. Una serie de ventas semanales de un producto así se parece a esto: 0, 0, 3, 0, 0, 0, 4, 0, 0, 2, 0, 0, 0, 0, 3. Muchos ceros, y entre ellos ventas sueltas de tamaño distinto.

Hay dos cosas que miden lo intermitente que es un producto: cada cuánto se vende (el intervalo medio entre ventas) y cuánto varía el tamaño de cada venta. Con esas dos medidas los productos se separan en cuatro grupos: los de venta regular, los intermitentes (venden poco a menudo, pero en cantidades parecidas), los erráticos (venden a menudo, pero en cantidades muy distintas) y los que son las dos cosas a la vez. Cada grupo pide un método de previsión distinto.

No es lo mismo que el stock muerto. Un producto intermitente sí se vende, solo que a trompicones; uno muerto ha dejado de venderse. La línea entre los dos es una de las decisiones más difíciles de reposición, y está más abajo.

Por qué fallan la media y el suavizado.

La media móvil y el suavizado exponencial, que son la base de casi todos los mínimos y previsiones de los programas de gestión, tratan cada semana igual. Con un producto intermitente eso produce un patrón muy reconocible: después de cada venta, la previsión sube; después de cada racha de ceros, baja. La previsión va siempre detrás de lo que pasó, y el pedido con ella.

En la práctica, el programa pide justo después de una venta (cuando la previsión está alta y es menos probable que haya otra) y deja de pedir tras varias semanas a cero (cuando la siguiente venta está más cerca). Además, la media semanal de un producto así es un número como 0,75, que no se puede tener en la estantería: o tienes una unidad, o tienes cero, o tienes tres. Lo que hay que decidir es cuántas unidades enteras y con qué riesgo.

¿Qué es el método de Croston?

El método de Croston es una forma de prever la demanda intermitente separándola en dos series: el tamaño de las ventas que no son cero y el tiempo que pasa entre ellas. Lo publicó J. D. Croston en 1972 en Operational Research Quarterly, con el título «Forecasting and stock control for intermittent demands», y sigue siendo el punto de partida de casi todo lo que se ha hecho después.

A cada una de las dos series se le aplica un suavizado exponencial simple, por separado, y solo se actualizan cuando hay una venta. Las semanas a cero no cambian nada. La previsión de venta por periodo es el cociente: tamaño medio de la venta entre intervalo medio. Según el manual de Hyndman y Athanasopoulos, Croston usaba un factor de suavizado de 0,1 y arrancaba con la primera observación.

Con la serie de arriba: las ventas que no son cero son 3, 4, 2 y 3, con un tamaño medio de 3 unidades. Los intervalos entre ellas, contando desde la primera, son de 4, 3 y 5 semanas, unas 4 de media. La previsión es 3 entre 4, 0,75 unidades a la semana, y no cambia durante las semanas a cero. Una media móvil de cuatro semanas, en cambio, habría pasado de 1 a 0 y de 0 a 0,75 varias veces en ese mismo tramo.

Los problemas de Croston y sus variantes.

El método de Croston tiene tres limitaciones conocidas. La primera es que sus previsiones están sesgadas: Syntetos y Boylan lo demostraron en 2001 y propusieron una corrección, conocida como aproximación de Syntetos y Boylan (SBA), que da una estimación aproximadamente sin sesgo. Las librerías de previsión más usadas, como el paquete forecast de R o statsforecast en Python, la traen como opción.

La segunda es que Croston no es un modelo estadístico, así que no da un intervalo de predicción. Hyndman y Athanasopoulos lo señalan en su manual: no hay resultados algebraicos para calcular intervalos, y la salida repite la media en vez de dar una distribución. Para reponer, eso es un problema serio, porque lo que hace falta es la probabilidad de vender una, dos o tres unidades, no la media.

La tercera es que no ve cuando un producto se está muriendo. Si deja de venderse, Croston mantiene la última previsión indefinidamente, porque solo se actualiza cuando hay venta. La variante de Teunter, Syntetos y Babai (2011), conocida como TSB, actualiza la probabilidad de venta en cada periodo, también en los que son cero, para detectar esa obsolescencia.

Los métodos que se usan hoy.

Lo que ha cambiado desde Croston no es tanto la fórmula como lo que se le pide. Para reponer no basta con una media: hace falta la distribución completa de lo que se puede vender en el horizonte, es decir, la probabilidad de cero, una, dos o más unidades. Hay varias formas de obtenerla.

• Distribuciones de conteo, como la de Poisson o la binomial negativa, que trabajan con números enteros y dan la probabilidad de cada cantidad. Hyndman y Athanasopoulos citan modelos de este tipo como la alternativa que sí da una distribución.
• Remuestreo (bootstrap): se simulan muchas veces las próximas semanas a partir de las ventas pasadas del producto y se cuenta en cuántas simulaciones se vende cada cantidad.
• Agregación temporal: prever por meses o trimestres, donde la serie tiene menos ceros, y repartir después.
• Modelos globales: un mismo modelo que aprende de todos los productos y sitios a la vez, de modo que un repuesto que vende tres veces al año aprovecha el patrón de los cien repuestos parecidos.

De la previsión a la decisión de stock.

Con un producto intermitente, la pregunta útil es cuántas unidades tener para que la probabilidad de quedarte sin él antes del siguiente envío sea la que aceptas. Como se trabaja con números enteros pequeños, cada unidad cambia mucho el riesgo. En la guía de cómo calcular el riesgo de rotura hay un ejemplo: con una media de 2 unidades en el horizonte, tener 3 deja un 14 % de riesgo y tener 4, un 5 %.

Esto cambia cómo se fija el nivel de servicio. Un 95 % en un producto que vende dos veces al año puede significar tener tres unidades paradas once meses. A veces compensa, porque es el repuesto que para una máquina o el producto por el que un cliente viene; a veces no. Por eso el nivel de servicio de los intermitentes se decide producto a producto, con su coste a la vista. Las guías de stock de seguridad y de nivel de servicio explican la base.

¿Merece la pena tener ese producto?

Antes de prever bien un producto intermitente, conviene preguntarse si hay que tenerlo en todos los sitios, en uno o en ninguno. Muchas veces la mejor decisión de reposición para la cola larga es no reponerla en cada tienda o furgoneta y tenerla en el almacén central, con envío rápido cuando alguien la pide. La demanda de veinte tiendas juntas es mucho menos intermitente que la de cada una.

• Qué pasa si falta: si el cliente espera dos días sin problema, centraliza; si se va a la competencia o se para una máquina, tenlo en el sitio.
• Si arrastra otras ventas: un producto que vende poco pero hace que el cliente compre lo demás en tu tienda vale más que su propia venta.
• El plazo del proveedor: si te lo sirve en un día, puedes trabajar casi contra pedido; si tarda ocho semanas, tienes que tenerlo.
• Lo que cuesta tenerlo: valor de la unidad, espacio, caducidad u obsolescencia.
• Si hay sustituto: si otra referencia hace lo mismo, quizá baste con tener una de las dos.
• La tendencia: si cada año se vende menos, es candidato a dejar de reponerse antes de que se convierta en stock muerto.

Errores frecuentes con la demanda intermitente.

Casi todos vienen de tratar estos productos con las mismas reglas que los de venta regular. Los vemos en todos los sectores con catálogos largos: repuestos, ferretería, material eléctrico, farmacia, moda por tallas.

• Poner un mínimo de una unidad a todo: en productos que venden dos al año es razonable; en los que venden dos al mes, se quedan sin stock la mitad del tiempo.
• Usar la misma fórmula de stock de seguridad que en la venta regular: con tantos ceros, la desviación típica sale enorme y el stock de seguridad también.
• Pedir justo después de una venta grande, porque la media ha subido.
• Contar como demanda cero las semanas en que no había producto: el producto parece más intermitente de lo que es.
• Medir el acierto de la previsión con el error porcentual: con ceros en la serie, el porcentaje no se puede calcular o sale infinito.
• No revisar nunca la cola larga: acaba llena de productos que hace un año que no se venden.

Cómo lo trata un programa de control de stock con IA.

Un programa de control de stock con IA no aplica un solo método a todo el catálogo. Detecta qué productos son intermitentes en cada sitio, porque un mismo producto puede venderse todos los días en el almacén central y a trompicones en cada tienda, y para ellos estima la probabilidad de vender cero, una o más unidades hasta el siguiente envío, aprendiendo también de productos parecidos. De ahí sale cuántas unidades tener en cada sitio para el riesgo que has fijado, y cuáles conviene dejar solo en el central.

En el sistema que montamos en Arume, la propuesta de cada producto intermitente dice por qué manda lo que manda («se vende una vez cada cinco semanas de media; con una unidad, el riesgo hasta el próximo lunes es del 8 %»), y lo que se va apagando sale en la lista de stock parado antes de que se muera. Si tu catálogo tiene una cola larga, el análisis gratuito de tu stock te dice cuánta es y cuánto dinero tienes en ella.