En septiembre de 2025 logré equivocarme en ambas direcciones a la vez. Un contenedor de almacenamiento se quedó sin stock durante 11 días justo antes del Black Friday, mientras los anuncios seguían activos y convirtiendo. Un gancho que había almacenado para 90 días vendió menos de un tercio en tres meses, y el resto sigue en el almacén de FBA acumulando cargos de almacenamiento. El mismo sistema de pronóstico de demanda, el mismo historial, una rotura de stock y un montón de stock muerto. Mi primer instinto fue culpar al modelo y comprar una herramienta de pronóstico con IA más sofisticada. Dos semanas revisando mi propio historial de pedidos me hicieron cambiar de opinión. El modelo tenía defectos reales, pero los datos que lo alimentaban eran peores.
Después de cinco años vendiendo a nivel transfronterizo, he aprendido a tratar un mal pronóstico como un mal diagnóstico. No basta con cambiar de medicina. Hay que averiguar si el problema está en los datos de entrada o en el cálculo, porque arreglar lo equivocado desperdicia dinero y las estanterías siguen quedando mal.
Cuando un pronóstico de demanda falla, revisa primero los datos
Tomemos el contenedor de almacenamiento. De julio a agosto de 2025 vendió unas 1,800 unidades al mes, así que me abastecí para el Black Friday con esa cifra más un margen del 20%. Luego, un impulso de un influencer a finales de octubre movió más de 900 unidades en una sola semana y el anuncio se quedó sin stock. El pronóstico de demanda seguía diciendo 1,900 al mes. Nunca vio venir el pico.
El historial mismo estaba torcido. Había hecho dos promociones del 30% de descuento en julio y agosto, y nada en el sistema las marcaba como promociones. Las ventas parecían demanda normal. Peor aún, nos quedamos sin stock durante seis días a mediados de agosto. Esos seis días registraron cero ventas, y el sistema interpretó el cero como ausencia de demanda. Una promoción empujó la cifra hacia arriba, una rotura de stock la empujó hacia abajo, y el promedio resultante describía un producto que nunca existió.
Las devoluciones causaron el mismo tipo de daño en la dirección contraria. Un gancho tenía una alta tasa de devoluciones, y las unidades devueltas volvían a la venta y se vendían de nuevo. El sistema contó dos ventas por un solo cliente real. Abastecerse según esa cifra significaba abastecerse según una demanda que nunca existió.
Ahora reviso tres cosas antes de tocar ningún modelo. ¿Estaban marcadas las promociones en el historial, acortó alguna rotura de stock el registro de ventas, y se contaron las devoluciones dos veces? Si alguna respuesta es sí, el pronóstico de demanda estaba condenado antes de que el modelo siquiera se ejecutara. Los datos malos no mejoran con un modelo más inteligente. Solo se calculan con más precisión en la dirección equivocada.
Los envíos divididos de FBA también ocultan la demanda. El mismo producto está en tres almacenes, uno se queda sin existencias, y el comprador compra a un competidor. Esa venta perdida no aparece en ningún lado. Crees que la demanda es plana. En realidad, tú mismo cerraste la puerta.
Un pedido único a granel puede torcer las cifras de la misma manera. En abril de 2026, un solo cliente compró 200 unidades de una estantería en un pedido. El sistema lo trató como demanda cotidiana y elevó el pronóstico del mes siguiente. Solo lo detecté porque esa semana estaba conciliando los pedidos a mano. Ahora saco los pedidos a granel y únicos del historial antes de mirar ningún pronóstico.
El modelo de pronóstico de demanda tiene sus propios puntos ciegos
Los datos limpios no hacen que un modelo sea fiable. La herramienta que usaba tropezaba siempre con las mismas tres cosas.
La primera son los promedios. Mi contenedor vendía unas 1,800 unidades al mes, lo que suena estable, pero las ventas semanales oscilaban entre 300 y 700 unidades. El modelo tomó el promedio y dio el trabajo por terminado. Me abastecí según el promedio y me quedé sin stock en cada semana fuerte. Para un vendedor, la pregunta no es cuánto vendes en promedio. Es cuánto vendes en tu semana más fuerte. Un pronóstico de demanda construido sobre la media se ve ordenado en el papel y fracasa en el almacén.
La segunda es el arranque en frío. En marzo de 2026 lancé una nueva estantería de almacenamiento sin historial de ventas. El modelo tomó prestado el promedio de la categoría y me dijo 1,200 unidades al mes. El anuncio vendió una docena de unidades al día durante las dos primeras semanas, mientras los anuncios aún estaban aprendiendo y la tasa de conversión aún era baja. Había abastecido el primer lote según la cifra del modelo y pasé dos meses liquidándolo. Un producto nuevo no tiene historial, así que el modelo solo está adivinando. Ahora abastezco un lanzamiento nuevo solo para 30 días. Prefiero reponer a menudo que quedarme con inventario muerto.
La tercera es el giro estacional. Los productos de almacenamiento alcanzan su pico de septiembre a noviembre y caen en enero y febrero. Un modelo que suaviza los últimos 12 meses siempre llega medio paso tarde al giro. En octubre de 2025 seguía pronosticando al ritmo del verano mientras yo ya estaba entrando en el Black Friday. Para un producto estacional, un modelo que no puede ver el giro está en su peor momento justo cuando la precisión más importa.
El hilo común es simple. Un modelo conoce números. No sabe que acabas de lanzar una nueva campaña publicitaria, que un influencer está a punto de publicar, o que estás liquidando una línea. No puede ver cómo cambia el negocio a su alrededor.
Cómo arreglar un pronóstico de demanda: primero los datos, luego el modelo
Cuando un pronóstico de demanda falla ahora, trabajo en este orden y rara vez pierdo un paso.
Los datos van primero. Exporto los últimos tres meses de pedidos y los contrasto con mi calendario de promociones, mi registro de roturas de stock y mis devoluciones. ¿Estaban marcadas las promociones, fueron realmente cero los días sin stock, se contaron las devoluciones dos veces? Medio día aquí resuelve la mayoría de los problemas. Mi contenedor se diagnosticó en este paso.
La volatilidad viene después. No miro solo el promedio mensual. Desgloso las ventas por semana y comparo la semana más fuerte con la más débil. Cuanto mayor sea la brecha, más grueso debe ser el stock de seguridad. Mi cobertura ya no es una cifra fija. Los productos volátiles reciben 45 días, los estables reciben 30, y la temporada alta añade otros 15.
Solo entonces miro el modelo. Si estoy pensando en cambiar de herramienta, primero hago tres preguntas: ¿cómo maneja un producto nuevo, reconoce un giro estacional, y qué hace con una alta volatilidad? Si no puede responder, no cambio, por cara que parezca. Esa comprobación me ha salvado de comprar herramientas que habrían cometido los mismos errores más rápido.
Los problemas de datos y los problemas de modelo se parecen hasta que los pones lado a lado:
| Síntoma | Más probable un problema de datos | Más probable un problema de modelo |
|---|---|---|
| El pronóstico sale alto, el stock sigue acumulándose | Devoluciones contadas dos veces, ventas de promoción tratadas como normales | Producto nuevo valorado según el promedio de la categoría |
| El pronóstico sale bajo, el stock sigue agotándose | Días sin stock registrados como demanda cero | Se usa el promedio, se ignoran las semanas pico |
| El pronóstico se rompe cada temporada alta | Promociones sin marcar, historial subido y bajado | Giro estacional suavizado hasta desaparecer |
| El pronóstico de un producto nuevo es totalmente erróneo | No hay historial contra el que comprobar | Arranque en frío tratado como una cifra real |
El dinero es fácil de contar. Tomemos mi contenedor: 2,000 unidades al mes, $6 de costo por unidad. Con 60 días de cobertura tenía 4,000 unidades, o $24,000 inmovilizados en el almacén. Después de limpiar los datos y añadir stock de seguridad solo para las semanas volátiles, reduje la cobertura a 45 días, con 3,000 unidades. Eso son $6,000 menos de efectivo en una estantería. Un pronóstico no necesita ser perfecto. Quince días menos de cobertura son dinero real. Y el otro lado cuesta más de lo que parece: 11 días sin stock me costaron ventas, impulso publicitario y semanas para reconstruir el posicionamiento después de la reposición.
Amazon cambia sus reglas cada pocos meses, los costos publicitarios siguen subiendo, y hay menos margen para equivocarse al abastecerse. Mi regla ahora es clara: cuando un pronóstico falla, lee primero los datos, mira la volatilidad en segundo lugar, y solo entonces culpa al modelo. Los datos reales hacen que el modelo valga algo. Donde el modelo tiene un punto ciego, lo cubro a mano — stock extra antes de la temporada alta, menos stock para un lanzamiento nuevo — en lugar de entregar toda la decisión a una herramienta que solo sabe promediar.
¿Cuál fue tu último error de abastecimiento, una rotura de stock o stock muerto? Saca el historial de ese mes y revisa los tres puntos: promociones, días sin stock y devoluciones. Uno de ellos suele estar sin marcar.
Por Ah K, Vendedor de comercio electrónico (5 años) Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.







