Software de previsión de demanda con IA: por producto, por sitio y con su margen de error.

Qué hace en previsión de demanda.

¿Qué es un software de previsión de demanda con IA?

Es un programa que estima cuánto se va a pedir de cada producto en cada sitio en las próximas semanas, aprendiendo de tu histórico de ventas con modelos de aprendizaje automático, y que dice cuánto puede equivocarse esa estimación. La palabra que importa es «cada»: no prevé la facturación del trimestre, prevé el cloro granulado en la tienda de Alicante la semana que viene.

Los métodos clásicos (media móvil, suavizado, índices de temporada) los explicamos con ejemplos en la guía de previsión de demanda, y qué exigirle a un programa de este tipo, en la guía de software de previsión de demanda. Esta página va de lo que hace el nuestro, cómo se monta sobre tu programa y cómo se comprueba con tus datos.

En el sistema de control de stock, la previsión es una pieza, no el producto final. Lo que llega a la persona que decide es la lista de envíos de la semana, y cada línea de esa lista se apoya en una previsión con su banda. Se vende junto al resto, pero se puede probar por separado: si solo quieres saber cuánto acertaría con tus ventas, la simulación lo mide.

¿Cómo se prevé hoy en una empresa con muchos sitios?

En la mayoría de las empresas que reponen a muchos sitios la previsión es una hoja de Excel con la venta de las últimas semanas, o el módulo del ERP con un mínimo y un máximo por artículo que se fijaron en la implantación. Funciona mientras el negocio se parece a cuando se configuró. Deja de funcionar en tres sitios: la temporada, los productos con poca historia y los días en que faltó producto.

Pongamos una cadena de ocho tiendas de riego y piscina en el Mediterráneo y Baleares. En marzo, la media de las últimas ocho semanas del cloro granulado dice que vende poco, porque en enero y febrero nadie trata el agua. La tienda de Alicante agota en la segunda semana de abril, la de Girona tres semanas después, y la media sube cuando la campaña ya va por la mitad. En septiembre pasa al revés: la media sigue alta y las tiendas se quedan con cubos de cloro hasta la primavera.

El módulo del ERP no lo arregla si el coeficiente de temporada es uno para todas las tiendas. Y las referencias que salen de vez en cuando (la bomba depuradora, el programador de seis zonas) quedan con un mínimo de una unidad que en unas tiendas sobra todo el año y en otras falta en junio.

Un modelo que aprende con todo el catálogo a la vez.

La diferencia de fondo con una hoja de cálculo es que el modelo no aprende producto a producto. Se entrena con todas las series de producto y sitio juntas y saca lo que comparten: que la familia de piscina arranca antes en la costa, que un festivo local adelanta la compra dos días, que un producto recién llegado a una tienda tarda unas semanas en coger ritmo. Cada serie ajusta después su propio nivel con lo que vende.

Ese planteamiento tiene una prueba pública. En la competición M5 de previsión, los equipos tenían que prever 42.840 series de ventas por unidades de Walmart organizadas por producto, tienda y estado (diez tiendas en tres estados). Según el artículo de resultados de Makridakis, Spiliotis y Assimakopoulos, todos los métodos de cabeza fueron de aprendizaje automático y mejores que todas las referencias estadísticas, la mayoría construidos con LightGBM, y los 50 primeros aprendían de todas las series a la vez en lugar de una a una.

El mismo artículo da la otra mitad de la historia: solo el 7,5 % de los equipos superó a la mejor referencia estadística, un suavizado exponencial. Un modelo complejo mal comprobado pierde contra uno simple. Por eso el nuestro se mide siempre frente a una referencia sencilla sobre tu histórico, y si no la supera en un grupo de productos, en ese grupo se usa la sencilla.

• Ventas de todos los productos y sitios en un mismo modelo, con calendario, festivos por zona y precio.
• Nivel propio de cada producto en cada sitio, ajustado cada semana con la venta nueva.
• Métodos estadísticos para lo que tiene poca historia o sale de forma esporádica.
• Una referencia simple siempre al lado, para saber si el modelo aporta.

¿Qué es la banda de incertidumbre y para qué se usa?

La banda es el tramo en el que se espera que caiga la venta con una probabilidad dada. El manual de previsión de Hyndman y Athanasopoulos, Forecasting: Principles and Practice, lo dice sin rodeos: una previsión puntual puede no valer casi nada sin su intervalo, porque no dice cuánto puede fallar. Dos productos con una previsión de 14 pueden moverse uno entre 12 y 16 y el otro entre 4 y 30.

En el sistema la banda tiene un uso concreto: de ella sale el riesgo de quedarse sin producto antes de que llegue el siguiente envío. Si en la tienda de Alicante quedan 18 cubos de cloro, el envío tarda cinco días y la banda de esos cinco días va de 9 a 21, el riesgo de rotura es la probabilidad de que la venta pase de 18. El sistema lo calcula, lo compara con el nivel de servicio que fijaste para esa familia y, si se pasa, propone el envío.

Una banda solo vale si es honesta. Se comprueba con el histórico: de todas las veces que dijo «hay un 10 % de que se venda más de tanto», se cuenta en cuántas pasó. Si fue un 25 %, la banda es estrecha y el stock que salga de ella se quedará corto; si fue un 2 %, es ancha y pagas stock de más. Esa comprobación va en el informe de la simulación, tramo a tramo.

¿Cómo se prevé la demanda esporádica?

Demanda esporádica es la de un producto que pasa muchas semanas sin venderse y de repente sale: recambios, accesorios caros, tallas extremas, la bomba depuradora en una tienda pequeña. Una media semanal de 0,3 no se puede mandar y esconde lo que importa, que es cuándo volverá a salir y cuántas.

El método clásico para este tipo de series lo describió John Croston en 1972, y el manual de Hyndman y Athanasopoulos explica también sus límites: no trata bien los datos de recuento y sus previsiones tienen sesgo conocido. La competición M5 incluyó por primera vez series de este tipo, con muchas semanas a cero, porque es lo normal cuando se prevé por producto y por tienda. Nosotros lo tratamos como probabilidad: cuántas semanas suelen pasar entre una venta y la siguiente, cuántas unidades salen cuando sale, y de ahí la probabilidad de venta antes de que el proveedor pueda servir.

Con esa probabilidad la decisión deja de ser «uno de todo en todas partes». Se ve qué referencias compensa tener en cada tienda, cuáles conviene concentrar en el almacén y mandar cuando salgan, y cuáles pedir al proveedor bajo demanda. Si una referencia es crítica, se marca y se le pone un nivel de servicio propio.

Lo que hace falta de tus datos.

Ventas por producto, sitio y día (o semana), del programa que uses: Odoo, Business Central, Sage, Holded, SAP Business One, tu tienda online o un export en Excel. El stock de hoy y los movimientos de entrada y salida, para reconstruir qué días había producto. Las promociones con fechas, si existen. Y los cambios de código: el producto que sustituyó a otro tiene que heredar su historia, o el nuevo parece que no vende y el viejo que dejó de venderse de golpe.

Con un año de histórico se empieza; con dos, la temporada se ve dos veces y la banda se estrecha. Si tienes menos, el sistema arranca con lo que comparten las familias y marca la confianza baja en cada línea. Antes de prever nada te entregamos un informe de calidad de datos: productos sin ventas, códigos duplicados, tiendas con huecos, semanas que no cuadran.

• Producto, sitio, fecha y cantidad. Sin datos de clientes.
• Stock actual y movimientos, o el stock diario si lo guardas.
• Promociones y cambios de precio con su fecha.
• Tabla de productos que sustituyen a otros.
• Plazos de cada proveedor, para saber a cuántas semanas hay que prever.

Lo que no hace.

No adivina lo que nunca ha pasado. Un cliente grande que entra, una tienda que abre en una ciudad sin historia o un cambio de precio que no se le cuenta: ahí el sistema se apoya en lo parecido y lo dice, con la banda más ancha. Si sabes algo que no está en los datos, se apunta y entra en el cálculo.

Tampoco sustituye a la persona que decide. La previsión alimenta la propuesta de envíos, y esa propuesta se aprueba o se cambia. Ni escribe en tu programa sin permiso: lee con un usuario que solo puede leer, y el pedido aprobado vuelve a tu sistema por la vía que elijas.

Cómo se comprueba y cómo se empieza.

La prueba es la simulación con tus datos: el sistema vuelve a prever tus semanas pasadas usando solo lo que se sabía cada semana, y se compara con lo que se vendió y con una referencia simple. Se mide el error en unidades ponderado por la venta, el sesgo (si se queda siempre por encima o por debajo) y si la banda acierta lo que promete. El artículo de la M5 cuenta que muchos equipos eligieron mal su método final por fiarse de validaciones engañosas; por eso las medidas se fijan antes de mirar los resultados.

Después, uno o dos meses en modo sombra: el sistema prevé con datos frescos, tu equipo decide como siempre y al final se compara. Si quieres un adelanto, mándanos un export de ventas y stock y en el análisis gratuito te devolvemos qué productos se quedaron sin stock, cuántos días y cuánta venta quedó escondida detrás. La demo dura 30 minutos por videollamada.

¿Te suena alguno de estos casos?

• Si prevés con la media de las últimas semanas en Excel y cada septiembre llegas tarde a la campaña y cada octubre te sobra. La temporada entra en el cálculo y se ajusta con lo que está pasando estas semanas.
• Si tu ERP trae un módulo de previsión que nadie ha vuelto a tocar y el coeficiente de temporada lo rellenó alguien en la implantación. Se compara ese módulo con el sistema sobre tu histórico y se ve cuál acierta más, producto a producto.
• Si tienes muchos sitios con poca venta cada uno y la historia de cada producto en cada tienda es demasiado corta para prever nada. El modelo aprende de todos a la vez y cada sitio ajusta con lo suyo.
• Si tu catálogo tiene mucha referencia que sale de vez en cuando recambios, accesorios, tallas extremas. Se tratan como demanda esporádica, con probabilidad y no con media, y se separan de las que rotan.
• Si cambias mucho de catálogo y cada temporada hay productos nuevos sin historia. Arrancan con la curva de su familia, con la banda más ancha las primeras semanas, y la estrechan a medida que venden.
• Si ya tienes una previsión y no sabes si es buena La medimos con tu histórico contra una referencia simple y contra el sistema, con las mismas reglas para los tres. El resultado te lo quedas aunque no sigas.

Una previsión que se mide con tus datos antes de usarla.

La mayoría de las previsiones que vemos en empresas son una cifra por producto y por mes, hecha con las ventas tal cual, sin saber qué días faltó producto. Esta se hace por semana y por sitio, sobre el stock reconstruido, con una banda que se comprueba: cuando dice que hay un 10 % de que se venda más de tanto, se mira en tu histórico si pasó más o menos un 10 % de las veces. Si no pasa esa prueba, no se usa para pedir.

• Por producto, por sitio y por semana, recalculada cada semana.
• Banda de incertidumbre comprobada, de la que sale el riesgo de rotura.
• Aprende con todo el catálogo a la vez: los productos nuevos heredan la temporada de su familia.
• Se compara con lo que ya usas sobre tu histórico, y el código queda a tu nombre.