La previsión de demanda que sirve para comprar da un abanico, no un número.

Qué es una previsión de demanda y para qué se usa.

Una previsión de demanda es una estimación de cuántas unidades de un producto se van a pedir en un sitio y un periodo concretos: cuántas cajas de esta referencia en la tienda de Zaragoza la semana del 9 de noviembre. Para comprar sirve a ese nivel de detalle. La previsión de ventas de la empresa entera para el año que viene, la del presupuesto, es otra herramienta: le sirve a dirección financiera, pero con ella no se decide un pedido.

Demanda y ventas no son lo mismo, y esa diferencia está detrás de casi todo lo que sigue. Las ventas son lo que se vendió; la demanda, lo que se habría vendido si hubiera habido producto. Cuando un artículo se queda sin stock cuatro días, las ventas de esos días son cero y la demanda no. Una previsión hecha con las ventas tal cual pide menos justo donde ya faltó.

El horizonte lo marca el proveedor. Si tarda tres semanas en servir, lo que importa es cuánto se va a vender en esas tres semanas y hasta el pedido siguiente. Acertar al detalle la venta de mañana no ayuda si el pedido que decides hoy llega dentro de un mes.

Media móvil y suavizado: los dos métodos de partida.

El método más simple es la media móvil: la previsión de la semana que viene es la media de las últimas semanas. Un producto que ha vendido 40, 52, 38, 45, 61, 47, 50 y 44 unidades en las últimas ocho semanas tiene una media de 47; con las cuatro últimas, de 50,5. Cuantas más semanas metes, más estable sale la previsión y más tarde se entera de un cambio. Cuantas menos, antes reacciona y más se deja engañar por una semana rara.

El suavizado exponencial resuelve ese dilema dando más peso a lo reciente sin tirar lo antiguo. Cada semana, la previsión nueva es la anterior más una parte del error que acaba de cometer. Si preveías 47, vendiste 44 y el peso elegido es 0,3, la siguiente previsión es 47 + 0,3 × (44 − 47), unas 46. Con un peso alto reacciona rápido; con uno bajo, despacio. Hay una versión que añade la tendencia, para productos que llevan meses subiendo o bajando, y que en los libros aparece como método de Holt.

Los dos se montan en Excel con una fórmula por columna, y para productos de venta regular dan una previsión razonable. Lo que ninguno ve es el calendario: con la media de agosto, la previsión de septiembre siempre llega tarde.

Estacionalidad: cuando septiembre no se parece a agosto.

Si un producto tiene temporada, la media de las últimas semanas va siempre con retraso: sube cuando la campaña ya ha empezado y baja cuando ya ha acabado. La forma clásica de corregirlo son los índices estacionales. Se calcula cuánto vende cada mes respecto a la media del año (si en octubre vende 1,6 veces la media, su índice es 1,6), se quita la temporada a las ventas recientes para ver el nivel de fondo y se vuelve a multiplicar por el índice del mes que se prevé. Con un nivel de fondo de 46 unidades por semana, una semana de octubre se prevé en unas 74.

El otro atajo, muy usado en compras, es tomar la misma semana del año anterior y escalarla con lo que se está creciendo: si este año vas un 10 % por encima, la semana 44 del año pasado por 1,1. Falla en los productos nuevos y en las fechas que se mueven de un año a otro, como Semana Santa.

El problema práctico de la temporada es la cantidad de datos que pide. Para estimar doce índices mensuales con cierta fiabilidad hacen falta varios años de ventas de ese producto en ese sitio, y la mayoría de las combinaciones de producto y tienda no los tienen.

Modelos que aprenden con todos los productos a la vez.

Los métodos anteriores trabajan producto a producto: cada artículo en cada tienda solo aprende de su propia historia. Los modelos de aprendizaje automático que usan hoy las cadenas grandes hacen lo contrario. Se entrenan con todas las series a la vez, miles de combinaciones de producto y sitio, y aprenden lo que comparten: que una familia entera sube en la segunda quincena de septiembre, que un festivo local adelanta las compras dos días, que un producto recién llegado a una tienda tarda unas semanas en coger ritmo.

Eso resuelve el problema de los datos. Un producto con dos meses de historia hereda la temporada de su familia; una tienda nueva, el calendario de su zona; y cada uno ajusta su nivel con lo que va vendiendo. Además tienen en cuenta lo que una media no ve: el precio, las promociones, si había stock.

A cambio, piden más preparación y una comprobación seria, porque un modelo con muchas piezas puede clavar el pasado y fallar con el futuro. Por eso la prueba que explicamos más abajo no es opcional.

Por qué prever un abanico y no un número.

Casi todas las previsiones que vemos son una cifra: «la semana que viene, 46». Esa cifra es el centro de lo que puede pasar, y se falla casi siempre: unas semanas por arriba, otras por abajo. Para decidir un pedido importa cuánto puede fallar. Dos productos con la misma previsión de 46 pueden ser muy distintos: uno se mueve entre 42 y 50, el otro entre 20 y 80.

Una previsión en abanico dice las dos cosas: «lo más probable son 46; en ocho de cada diez semanas, entre 35 y 58; hay un 5 % de que pase de 64». Con eso se calcula el riesgo de rotura directamente. Si tienes 60 unidades y el proveedor tarda una semana, la probabilidad de quedarte sin producto es la de que la demanda pase de 60: algo menos del 10 %. Y si quieres un riesgo del 5 %, necesitas 64.

Ese es el puente entre prever y comprar. Con una cifra, el colchón se pone a ojo encima («46 y unas cuantas más»). Con un abanico, el stock de seguridad sale del nivel de servicio que elijas, producto a producto.

Qué datos hacen falta.

Para prever la demanda producto a producto no hacen falta datos de clientes. Hace falta saber qué se vendió, dónde, cuándo y en qué condiciones. Lo mínimo es un año de ventas; con dos se ve la temporada dos veces y se distingue de una casualidad.

Lo que no está en ningún sistema suele estar en la cabeza de alguien: «ese pico fue el pedido de una obra», «en marzo cambiamos de proveedor y estuvimos dos semanas sin servir». Apuntarlo antes de prever evita que el método aprenda cosas que no se van a repetir.

• Ventas por día o por semana, por producto y por almacén, tienda o punto de venta. El total mensual esconde demasiado.
• El stock de cada día, o los movimientos para reconstruirlo. Es lo que separa «no se vendió» de «no había».
• Las promociones y los cambios de precio, con fechas. Si no están registrados, al menos una lista de las campañas grandes.
• Los cambios de código: el producto que sustituyó a otro tiene que heredar su historia.
• Las aperturas y cierres de puntos de venta, para no confundir una tienda cerrada con una que dejó de vender.

Cómo saber si una previsión acierta.

La única forma honesta de medir una previsión es con el pasado, pero sin dejarle verlo. Se elige una fecha, por ejemplo el 1 de marzo del año pasado; el método solo puede usar los datos hasta ese día y prevé las semanas siguientes. Se compara con lo que se vendió de verdad. Luego se mueve la fecha una semana y se repite, hasta cubrir un año o al menos una temporada completa.

Hay que compararla con algo. La referencia mínima es la previsión ingenua: «la semana que viene se venderá lo mismo que esta», o lo mismo que la misma semana del año pasado. Si un método no mejora esa referencia, no merece el esfuerzo. Y el error se mide en unidades y ponderado por lo que vende cada producto, porque el error en porcentaje se dispara en los que venden dos unidades a la semana y dice poco de los que pesan.

La segunda comprobación es la del abanico. De todas las veces que la previsión dijo «hay un 10 % de que se venda más de tanto», ¿en cuántas se vendió más? Si fue en un 25 %, el abanico es demasiado estrecho y todo stock de seguridad que salga de él quedará corto. Si fue en un 2 %, es demasiado ancho y pagas stock de más. Esa prueba es la que convierte un «riesgo del 5 %» en algo con lo que se puede comprar.

• Error medio en unidades, ponderado por la venta de cada producto.
• Sesgo: si la previsión se queda siempre por encima o siempre por debajo. Un sesgo pequeño y constante cuesta más que un error grande que se compensa.
• Mejora frente a la previsión ingenua del mismo periodo.
• Si el riesgo que anuncia es el que pasa, por tramos: 5 %, 10 %, 20 %.

Errores típicos al prever la demanda.

Los dos primeros explican la mayoría de las previsiones que fallan cuando revisamos datos de una empresa, y los dos se arreglan antes de elegir método. Si llevas la previsión en Excel, corregir esos dos te da más que cambiar de fórmula.

• Promociones sin marcar. Una semana de 2x1 vende el triple; si nadie la señala, el método cree que el producto vende más y se pide de más durante semanas.
• Días sin stock contados como «no se vende». La previsión queda corta en lo que más se vende, que es lo que más rompe. Se corrige reconstruyendo el stock diario y estimando la demanda de esos días, o al menos sacándolos del cálculo.
• Prever el total de la empresa y repartirlo por tiendas según su peso. Cada tienda tiene su calendario y su variación, y el reparto las aplana.
• Prever por meses cuando se pide cada semana. El mes no dice en qué semana entra la campaña.
• Medir el acierto con los mismos datos con los que se ajustó el método. Siempre sale bien y no demuestra nada.

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

Un programa de control de stock con IA prevé la demanda con un modelo que aprende con todos tus productos y puntos de venta a la vez, sobre el stock reconstruido día a día y con las promociones marcadas, y da para cada producto en cada sitio el abanico de lo que puede venderse hasta que llegue el siguiente pedido. De ese abanico salen el riesgo de rotura y la cantidad a pedir, y antes de usarlo se le hacen las dos pruebas de arriba con tu histórico. Lo explicamos en control de stock con IA.

Si quieres saber cuánto acertaría con tus ventas, el análisis gratuito de tu stock empieza por ahí: nos mandas un export de ventas y stock y te devolvemos qué productos se quedaron sin stock, cuántos días y qué demanda quedó escondida detrás de esos días.