Predictor de ventas: una cifra por producto y tienda, con lo que puede fallar y la prueba de que acierta.

Qué hace en predictor de ventas.

¿Qué es un predictor de ventas?

Un predictor de ventas es un programa que estima cuánto se va a vender de cada producto en cada sitio en las próximas semanas, a partir de tu histórico, y que dice cuánto puede equivocarse. Lo que lo distingue de una hoja de cálculo es la granularidad (producto por sitio por semana) y que cada cifra viene con su margen.

En el sistema de control de stock de Arume, «Predictor» es el nombre del motor que hace ese cálculo. No es un producto aparte que se enseña en una pantalla con un gráfico bonito: es la pieza de la que sale la lista de envíos del lunes. Cada línea de esa lista, «manda 15 a Bilbao», se apoya en una previsión de ventas con su banda y en el stock real de esa tienda.

Esta página explica qué predice, qué cifra entrega, cómo se comprueba y con qué datos. Los métodos clásicos, con ejemplos a mano, están en la guía de previsión de demanda, y la pieza del sistema que los junta, en la página de previsión de demanda. Si lo que buscas es el cálculo del stock que hay que tener, la página del predictor de stock; si es el aviso antes de quedarte sin producto, la del predictor de roturas.

¿Cómo se predice hoy cuánto se va a vender en cada tienda?

En la mayoría de las empresas con varias tiendas o varios clientes finales, la previsión de ventas es de una de tres clases. La primera es la media de las últimas semanas en un Excel, con un coeficiente que alguien ajusta cuando algo falla. La segunda es un porcentaje fijo que reparte las ventas de la empresa entre tiendas. La tercera es lo que dice el módulo de previsión del programa de gestión, con parámetros fijados en la implantación.

Las tres funcionan mientras el negocio se parece a cuando se configuraron, y fallan siempre en los mismos sitios. Pongamos una cadena de tiendas de mascotas, Pelaje y Pluma, con ocho tiendas entre Valencia y Vigo. En marzo la media de las últimas ocho semanas de pipetas antiparasitarias es baja, porque en invierno casi no se venden. En abril Valencia y Málaga venden el triple y las pipetas se acaban; en Vigo, donde la primavera llega tres semanas después, sobran hasta junio. El porcentaje fijo no ve esa diferencia y la media llega tarde.

Hay un segundo fallo, menos visible. Cuando una tienda se queda a cero, las ventas de esos días son cero, y la media aprende que el producto vende poco justo cuando más vendía. El pienso que más rompe es el que peor se prevé, porque cada rotura baja la cifra con la que se pide después.

¿Qué predice exactamente el predictor?

Predice tres cosas, y conviene separarlas porque cada una responde a una pregunta distinta. La primera es la venta: cuántas unidades saldrán de cada producto en cada sitio cada semana, con una banda. La segunda es el riesgo: con el stock de hoy y lo que va de camino, qué probabilidad hay de que se acabe antes de que llegue el siguiente envío. La tercera es la cantidad: cuánto mandar para que ese riesgo se quede en el nivel que has fijado para esa familia.

La primera es la del predictor de ventas. Un ejemplo con números: en Valencia el pienso de perro de 15 kg vende de media 14 sacos a la semana, y el predictor da para la semana que viene 14 con una banda del 80 % de 9 a 21. Quiere decir que en ocho de cada diez semanas con una situación parecida la venta cae entre 9 y 21, y que en una de cada diez pasa de 21.

Con eso se calcula la segunda. Si en la tienda quedan 18 sacos y el siguiente envío tarda una semana en llegar, el riesgo de rotura es la probabilidad de que la venta pase de 18. Con la distribución completa de la previsión, y no solo con esos dos puntos de la banda, sale alrededor de un 20 %. Si para esa familia has dicho que aceptas un 5 %, el sistema propone mandar antes o más.

Lo que no predice son cosas para las que no tiene datos: el efecto de una campaña de publicidad que no se le cuenta, una tienda que abre en una ciudad sin historia o un cambio de precio de la competencia. En esos casos se apoya en lo parecido y lo dice, con la banda más ancha.

• La venta de cada producto en cada sitio, por semana, con su banda.
• El riesgo de quedarse sin producto antes del siguiente envío.
• La cantidad a mandar para dejar ese riesgo en el nivel elegido.
• La confianza de cada previsión: más baja si el producto es nuevo o tiene pocos datos.

¿Cómo se sabe que la previsión de ventas es buena?

Una previsión no se juzga porque ajuste bien lo que ya pasó. El manual de previsión de Hyndman y Athanasopoulos, Forecasting: Principles and Practice, lo avisa: un modelo que ajusta bien los datos de entrenamiento no tiene por qué prever bien, y el tamaño de los residuos no es una guía fiable del error de previsión real. Se mide con datos que el modelo no ha visto, separando una parte para entrenar y otra para evaluar, o repitiendo la prueba en un origen móvil, de modo que cada previsión solo use lo anterior a ella.

Eso es lo que hace la simulación con tus datos. Se toma una semana pasada, se olvida lo que ocurrió después, se prevé con lo que se sabía ese lunes y se compara con lo que se vendió. Se repite semana tras semana. El mismo manual propone comparar siempre con métodos de referencia sencillos (la media, la última semana, la misma semana del año anterior) y dice que, si un método nuevo no los supera, no merece la pena considerarlo. Es la regla que seguimos.

Un ejemplo con cinco semanas de un producto en una tienda, con ventas de 12, 15, 9, 14 y 10 sacos, 60 en total. El predictor había previsto 12, 14, 11, 13 y 12: errores de 0, 1, 2, 1 y 2, que suman 6, un 10 % de lo vendido. La referencia, una media de 13 todas las semanas, falla 1, 2, 4, 1 y 3, que suman 11, un 18,3 %. El predictor suma 62 frente a 60 vendidos, un 3,3 % por encima: ese es el sesgo, y se mira porque un error pequeño que siempre va hacia el mismo lado acaba en stock de más.

Tres semanas no prueban nada, claro; el informe real usa todas las semanas del histórico y todos los pares de producto y sitio, y los reparte por familias para ver dónde acierta y dónde no. Cuando en un grupo de productos el predictor no mejora la referencia simple, en ese grupo se usa la simple, y el informe lo dice.

¿Y la banda? Qué significa que esté calibrada.

Según el mismo manual, los intervalos de predicción expresan la incertidumbre de la previsión, y sin ellos una previsión puntual puede valer casi nada. Un intervalo del 80 % tiene que contener la venta real aproximadamente el 80 % de las veces. Si la contiene el 60 %, es demasiado estrecho; si la contiene el 98 %, es demasiado ancho.

Para el stock, la banda importa más que la cifra central. Dos productos con previsión de 14 pueden moverse uno entre 12 y 16 y el otro entre 4 y 30, y el colchón que necesitan es muy distinto. La calibración es la comprobación de que esa banda dice la verdad. Se hace con el histórico: de todas las veces que el predictor dijo «hay un 5 % de que se acabe antes del siguiente envío», se cuenta cuántas veces se acabó. Si en 200 casos se acabó 11 veces, un 5,5 %, la banda está bien calibrada. Si fueron 30, un 15 %, el riesgo estaba subestimado, y todo el stock que salió de él se quedaba corto.

Esa comprobación va tramo a tramo en el informe de la simulación, y se repite en modo sombra con datos nuevos. Cuando se desvía, se recalibra antes de seguir.

¿Qué datos hacen falta para un predictor de ventas?

Producto, sitio, fecha y cantidad vendida, que se leen del programa que ya usas: Odoo, Business Central, Sage, Holded, SAP Business One, tu tienda online o un export en Excel. Para reconstruir qué días había producto, el stock actual y los movimientos de entrada y salida. Las promociones con su fecha, si existen. Y la tabla de equivalencias de códigos: el producto que sustituyó a otro tiene que heredar su historia.

No hacen falta datos de clientes: ni nombres, ni teléfonos, ni direcciones. Si tu programa los mezcla en el export, se quitan antes de cargar nada. La conexión es con un usuario de solo lectura, y los datos se alojan en la UE con copias diarias. Antes de prever, un informe de calidad de datos: productos sin ventas, códigos duplicados, tiendas con huecos.

• Ventas por producto, sitio y día o semana, de al menos un año.
• Stock actual y movimientos, o el stock diario si lo guardas.
• Promociones y cambios de precio con su fecha.
• Equivalencias entre códigos antiguos y nuevos.
• Plazos de cada proveedor, para saber a cuántas semanas hay que prever.

Lo que no hace, y cómo empezar.

No adivina lo que nunca ha pasado, no sabe lo que no se le cuenta y no decide solo. Tampoco es una caja negra a la que hay que creer: cada línea de la propuesta lleva su porqué, y el asistente contesta a «¿por qué mandas 15?» con la venta prevista, el stock y el plazo. En el Estudio de reposición 2026 de Arume, hecho 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 %; con venta estable y plazo corto, una cobertura fija bien ajustada funcionó igual de bien. No es un resultado de clientes, y por eso la simulación se hace con tus datos.

Para empezar, la demo dura 30 minutos por videollamada. Si prefieres adelantar trabajo, 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 detrás. Después, la simulación con tus datos y uno o dos meses en modo sombra. El arranque lleva de tres a seis semanas.

¿Te suena alguno de estos casos?

• Si hoy prevés con la media de las últimas semanas en Excel y llegas tarde a cada campaña y te sobra al terminarla. El predictor mete la temporada y la ajusta con lo que está pasando.
• Si repartes un total entre tiendas por porcentaje fijo y las tiendas pequeñas se quedan sin lo que se vende y las grandes acumulan. Se prevé cada sitio con su propio ritmo.
• Si tu programa de gestión ya trae un módulo de previsión y no sabes si es mejor que una media. Se compara con el predictor sobre tu histórico, producto a producto.
• Si tu catálogo cambia cada temporada y hay productos nuevos sin historia. Heredan la curva de la familia y se afinan solos con las primeras ventas.
• Si vendes en tienda y por internet y cada canal tira de su stock. Se prevén por separado cuando el stock es distinto y juntos cuando se sirve del mismo almacén.

Un predictor se juzga por lo que acierta con tus datos, no por lo que promete.

Casi todas las previsiones que vemos son una cifra por producto y por mes, hecha con las ventas tal cual, sin saber qué días faltó producto y sin decir cuánto pueden fallar. Esta se hace por semana y por sitio, sobre el stock reconstruido, con una banda que se comprueba. Y se compara siempre con una referencia simple: si no la supera en un grupo de productos, en ese grupo se usa la simple.

• Por producto, por sitio y por semana, recalculada cada semana.
• Banda comprobada con tu histórico: cuando dice 5 %, pasa cerca del 5 % de las veces.
• Siempre contra una referencia simple, con las mismas reglas.
• Lee con un usuario de solo lectura; el código y los modelos quedan a tu nombre.