Un predictor de stock que da la venta, el riesgo y el envío de cada producto en cada sitio, y que se comprueba antes de usarlo.

Qué hace en predictor de stock.

¿Qué es un predictor de stock?

Un predictor de stock es un programa que estima, con tus ventas y tu stock, qué va a pasar con cada producto en cada sitio en las próximas semanas: cuánto se venderá, con qué probabilidad se acabará antes de que llegue el siguiente envío y cuánto conviene mandar. Mira hacia delante, que es lo que no hace un informe de existencias, y lo hace por producto y por sitio, que es lo que no hace una regla única de mínimo y máximo.

Cuando alguien busca «software predictor» o «software de predicción de stock» suele querer eso, aunque el nombre cubre cosas muy distintas, desde una hoja con una media móvil hasta una plataforma de planificación para multinacionales. Esta página va de lo que hace el nuestro: qué predice, cómo se comprueba, qué datos necesita, con qué programas se conecta y para quién merece la pena.

Es el motor del sistema de control de stock de Arume Estudio. Alrededor lleva un panel con el mapa de stock, un asistente al que se le pregunta en lenguaje normal y, como añadido, avisos por WhatsApp. Pero lo que decide si el sistema sirve es el motor, y por eso se puede probar por separado, con tus datos, antes de contratar nada más.

¿Qué predice, exactamente?

Tres cosas encadenadas. La primera es la venta esperada de cada producto en cada sitio, semana a semana, con una banda que dice cuánto puede fallar. La segunda es el riesgo de rotura: se compara esa banda con el stock de hoy, lo que ya va de camino y el plazo del proveedor, y sale la probabilidad de que el producto se acabe antes de poder reponerlo. La tercera es la cantidad: la que deja ese riesgo en el nivel de servicio que has fijado para esa familia.

Un ejemplo con una distribuidora de bebidas que sirve a bares. En el bar de Cádiz quedan 12 cajas de agua con gas, el siguiente reparto sale en cinco días y la venta prevista en ese plazo es de 10 cajas, con una banda del 80 % que va de 6 a 16. Con 12 en el almacén del cliente, el riesgo de quedarse sin ellas ronda el 30 %. Si ese producto tiene un nivel de servicio del 95 %, el predictor propone mandar 6 cajas más en el reparto de mañana en lugar de esperar al del lunes, y escribe el porqué en una línea.

Lo que no prevé es lo que no sale de tus datos: un cliente grande que entra, una promoción que no se ha anotado, un cambio de precio de un competidor. Para eso hay un campo de «lo que sé yo y el sistema no», y lo que apuntes entra en el cálculo de esa semana. Y no decide solo: cada línea la aprueba una persona.

• Venta esperada por producto, sitio y semana, con banda de error.
• Riesgo de rotura frente al stock de hoy, lo que va de camino y el plazo del proveedor.
• Cantidad a enviar para dejar el riesgo en el nivel de servicio elegido.
• Stock que sobra: lo que, con la venta esperada, no se va a mover en meses.

¿Cómo se comprueba que el predictor acierta?

Con tres pruebas, en este orden. La primera es el backtest, que consiste en volver a predecir semanas pasadas usando solo lo que se sabía cada día. El manual de previsión de Hyndman y Athanasopoulos lo llama validación cruzada de series temporales, o evaluación con origen móvil: hay una serie de conjuntos de prueba, cada uno entrenado solo con datos anteriores, de manera que, en sus palabras, ninguna observación futura entra en la construcción de la previsión. Medir sobre los residuos de un modelo ajustado con todos los datos da resultados demasiado optimistas, y por eso no se hace así.

La segunda prueba es la calibración de la banda. El mismo manual explica que el límite inferior de un intervalo del 80 % es el percentil 10 de la distribución prevista, y que el valor real debería quedar por debajo de él alrededor del 10 % de las veces. Es una comprobación que se hace contando: de todas las veces que el predictor dijo «un 5 % de riesgo», pasó una rotura más o menos en una de cada veinte. Si pasó en una de cada cinco, el predictor es optimista y el stock que salga de él se quedará corto.

La tercera prueba es el modo sombra. Tras el backtest, durante uno o dos meses el predictor propone cada semana con datos frescos y tu equipo decide como siempre. Al final se comparan las dos listas: qué productos habrían roto con cada una y cuánto stock se habría inmovilizado. Solo después se pasa a usarlo de verdad, y la decisión sigue siendo de la persona que aprueba.

• Error en unidades, ponderado por la venta, contra una referencia simple.
• Sesgo: si se queda siempre por encima o siempre por debajo.
• Calibración de la banda: lo que dice que pasará frente a lo que pasa.
• Roturas y stock inmovilizado que habría habido con cada método, sobre tus semanas.

Qué datos necesita y con qué programas se conecta.

La lista es corta: ventas por producto, sitio y fecha; el stock de hoy y los movimientos de entrada y salida, para reconstruir qué días había producto; los plazos de cada proveedor; y, si existen, las promociones con su fecha. Sin datos de clientes finales. En la guía de qué datos necesita un predictor de stock está el detalle, con los problemas típicos de cada export, y aquí no lo repetimos.

Se conecta con Odoo, Microsoft Dynamics 365 Business Central, Sage, Holded, SAP Business One, Shopify, WooCommerce, PrestaShop, Power BI y con un Excel o CSV que se actualice. En todos los casos con un usuario que solo puede leer, y solo las tablas que se acuerden. La landing de cada programa cuenta qué módulo trae ya de serie y dónde se queda corto, y la guía de Odoo nativo o predictor de stock lo compara con el caso más común.

Con un año de histórico se empieza; con dos, mejor. Si falta historia en un producto nuevo, arranca con la curva de su familia y la banda más ancha, y se estrecha según vende. Antes de predecir nada se entrega un informe de calidad de datos con lo que no cuadra: códigos duplicados, tiendas con huecos, productos sin ventas, semanas con stock negativo.

¿Cómo trata la demanda esporádica y la temporada?

Son los dos sitios donde las previsiones sencillas fallan más. La demanda esporádica es la del producto que pasa semanas sin venderse y de pronto sale, típica de recambios y de referencias caras. El manual de Hyndman y Athanasopoulos avisa de que el método de Croston, el más usado para esas series, no corresponde a ningún modelo estadístico, no da intervalos de predicción y tiene un sesgo conocido. Por eso aquí esas referencias se tratan como probabilidad de venta antes de que el proveedor pueda servir, y no con una media semanal de 0,4 que nadie puede mandar.

La temporada se aprende de todo el catálogo a la vez. La familia de bebidas frías arranca antes en la costa del Mediterráneo que en el interior, y un producto nuevo hereda la curva de su familia desde la primera semana. Las fechas que se mueven de un año a otro, como Semana Santa, entran como fechas y no como semanas fijas del calendario.

Hay un dato que conviene tener claro. En el Estudio de reposición 2026 de Arume, que usa 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, sino una simulación abierta que enseña dónde ayuda el predictor y dónde no hace falta.

¿Para quién sirve y para quién no?

Sirve a empresas que mueven producto a muchos sitios y repiten el movimiento cada semana: distribuidores que reparten a clientes, cadenas de tiendas, mayoristas con varios almacenes, empresas con furgonetas que se cargan cada mañana, fabricantes con almacenes regionales, tiendas online con stock en varios puntos. En todas hay una persona que decide qué mandar a dónde, y esa decisión se repite cientos de veces.

No merece la pena si tienes un solo almacén y doscientos productos que conoces de memoria, si vendes casi todo por proyecto y cada pedido es único, o si tu stock es tan barato que sobrar no cuesta nada. En esos casos una buena hoja de cálculo con stock mínimo y máximo hace lo mismo, y te lo decimos en el análisis gratuito antes de proponerte nada.

Para saber en qué lado estás hay una pregunta que lo resume: cuántos pares de producto y sitio gestionas. Con 40 productos y 3 sitios son 120 pares; con 600 productos y 80 sitios son 48.000. A partir de unos pocos cientos de pares nadie los mira todos cada semana, y ahí es donde el predictor ahorra trabajo y evita roturas que se ven tarde.

Lo que no hace.

No adivina lo que nunca ha pasado: una tienda nueva en una ciudad sin historia o un cliente que cambia de proveedor. En esos casos se apoya en lo parecido, dice que la confianza es baja y ensancha la banda. No sustituye a la persona que compra: propone y aprueba un humano. No escribe en tu programa sin permiso: lee con usuario de solo lectura, y el pedido aprobado vuelve por la vía que elijas.

Tampoco es un programa de catálogo con planes. Se monta sobre tu programa, se configura con tus productos y tus plazos y se prueba con tus datos antes de que decidas. Y no hace análisis predictivo de clientes, de marketing ni de recursos humanos: el que hace es el análisis predictivo aplicado a ventas, stock y reposición, que se explica en su propia página.

Cómo se empieza.

El camino más corto es el análisis gratuito: nos mandas un export de ventas y stock (aunque sea un Excel) y te devolvemos qué productos se quedaron sin stock, cuántos días y cuánta venta quedó escondida detrás. Con eso ves si el problema existe en tu caso antes de hablar de nada más.

Si el problema existe, el siguiente paso es la simulación con tus datos: el backtest de arriba, con el informe de error, sesgo y calibración, que es tuyo aunque no sigas. Después, uno o dos meses en modo sombra y, si todo cuadra, el arranque en producción, que lleva entre 3 y 6 semanas. La demo es una videollamada de 30 minutos, en español o en inglés, y es la única llamada a la acción de esta web.

¿Te suena alguno de estos casos?

• Si repones a muchos sitios y hoy decides con la media de Excel y cada campaña llegas tarde a unos sitios y te sobra en otros. El predictor aprende la temporada de cada zona y la aplica sitio a sitio.
• Si tu ERP tiene reglas de mínimo y máximo que nadie revisa y el mínimo de hace tres años sigue puesto. Se compara ese mínimo con lo que habría propuesto el predictor sobre tu histórico y se ve qué productos se desviaban.
• Si tu catálogo mezcla productos que rotan con otros que salen de vez en cuando y no puedes tratarlos igual. Los que salen poco se prevén como probabilidad, no con una media de 0,4 a la semana.
• Si has probado un módulo de previsión y no te fías del resultado Se mide con tu propia venta contra una referencia sencilla y contra el predictor, con las mismas reglas para los tres, y el informe es tuyo aunque no sigas.
• Si necesitas que el equipo entienda el porqué de cada pedido Cada propuesta se explica y se puede discutir con números, que es la manera de que alguien la use en vez de ignorarla.

Un predictor que enseña su error en lugar de esconderlo.

Casi todo el software de este tipo se vende con una frase: «mejora la precisión». Aquí se mide antes de que firmes. El predictor se prueba con tus semanas pasadas contra una referencia simple, se publica el error en unidades ponderado por la venta, el sesgo y si la banda acierta lo que promete, y después hay un periodo en sombra. Si en un grupo de productos no mejora a lo que ya haces, ahí no se usa.

• Venta, riesgo de rotura y cantidad a enviar por producto y por sitio.
• Banda de error comprobada con tu histórico, no solo una cifra.
• Backtest con tus fechas y modo sombra antes de usarlo en serio.
• Lee tu programa con usuario de solo lectura y propone: aprueba una persona.