Nosotros, los almacenes pequeños, no podemos permitirnos ese tipo de dinero. El año pasado un proveedor vino a ofrecernos un sistema de pronóstico de demanda con IA: decenas de miles al año, más tres meses de "limpieza de datos" antes de poder siquiera empezar. Me reí. Nuestro almacén tiene unos 3,000 metros cuadrados, dos empleados más yo, el propietario, y todos nuestros datos ya viven en Excel. Tres meses de limpieza, y mis estanterías se habrían quedado sin existencias dos veces.
Así que optamos por la vía modesta: ningún sistema nuevo, solo Excel y un modelo sencillo para poner en marcha el pronóstico de demanda con IA. Después de medio año con él, las roturas de stock bajaron y el exceso de inventario se redujo. Aquí está exactamente cómo lo hicimos, para que otros pequeños operadores puedan copiarlo.
El problema del almacén pequeño: el pronóstico de demanda suena muy bien, pero la versión empresarial no nos encaja
Algo de contexto. En el verano de 2025, nuestro almacén tenía menos de 200 SKU, en su mayoría artículos para mascotas y pequeños artículos para el hogar, con envíos de 4,000 a 6,000 pedidos al mes. Pequeño, pero los problemas eran reales: los más vendidos se agotaban sin aviso, mientras los de baja rotación acumulaban polvo en las estanterías.
El peor caso fue julio de 2025. Un rascador para gatos se hizo viral en vídeos cortos y vendió el volumen de un mes en tres días. Reordenamos por intuición, la reposición seguía en tránsito y la estantería quedó vacía durante cuatro días. Las quejas se acumularon y la valoración de la tienda bajó. Esa semana todavía escuece. En dirección opuesta, una vez trajimos 800 camas para mascotas que tardaron seis meses en vender la mitad — alquiler y efectivo inmovilizados todo el tiempo.
Esa es la realidad del almacén pequeño: la versión empresarial del pronóstico de demanda con IA habla de plataformas de datos, equipos de algoritmos e integraciones en vivo. No tenemos nada de eso. Pero el pronóstico en sí no necesita equipo pesado.
Paso uno: mete tu historial de ventas en una tabla legible
No empieces por los algoritmos. El primer paso del pronóstico es poner los datos en una forma que un humano pueda leer. Nuestro método es vergonzosamente poco tecnológico, y funciona:
Primero, extrae los últimos 12 meses de envíos por SKU y por semana — una fila por SKU por semana. No hace falta ningún sistema sofisticado; una tabla dinámica sobre los registros de pedidos lo hace en una tarde.
Segundo, marca las semanas raras: semanas de promoción, semanas de rotura de stock y semanas en las que las ventas fueron cero porque no había nada que vender. Las ventas de una semana de rotura son demanda falsa — no es que nadie comprara, sino que no había nada que comprar. Alimenta eso a un modelo y aprende la lección equivocada.
Tercero, modela solo el 20% superior de SKU. En nuestro almacén, 40 de 200 SKU impulsan alrededor del 80% de las ventas. Para la cola larga, la experiencia más un colchón de seguridad es suficiente. No construyas modelos para productos que apenas se mueven.
Aquí está la parte contraintuitiva: los almacenes pequeños suelen pronosticar mal no porque el modelo sea demasiado sencillo, sino porque los datos están demasiado sucios. Semanas de rotura, pedidos únicos de gran volumen, reversiones de devoluciones — déjalos dentro, e incluso un sistema caro produce basura. Solo marcar las semanas anómalas mejoró nuestros pronósticos más que cualquier fórmula.
El modelo de Excel que ejecuta nuestro pronóstico de demanda con IA: media móvil por un factor estacional
Nuestro modelo es casi demasiado sencillo como para presumir de él, pero funciona, y cada fórmula vive en Excel:
Paso uno, toma una media móvil de 4 semanas: suma las ventas de las últimas cuatro semanas de un SKU y divide entre cuatro. Eso suaviza el ruido de una sola semana.
Paso dos, multiplica por un factor estacional: las ventas del año pasado en la misma semana divididas por la media de ventas semanales del año pasado. Nuestro rascador para gatos ronda 1.4 en verano y 0.7 en invierno, así que la demanda base por el factor da el pronóstico de la semana siguiente.
Paso tres, establece el stock de seguridad: stock de seguridad = ventas medias diarias × plazo de reposición en días × 1.5. Llegamos a 1.5 por ensayo; súbelo si el plazo de tu proveedor es inestable, bájalo si es estable.
Finalmente, reposición sugerida = demanda pronosticada + stock de seguridad − existencias disponibles − existencias en tránsito. Una fórmula arrastrada por la hoja, y cada lunes por la mañana la lista de reposición de todo el almacén está lista en media hora.
| Enfoque | Coste | Curva de aprendizaje | Lo que realmente vimos |
|---|---|---|---|
| Intuición | Cero | Cero | Roturas de stock en temporada alta, exceso de inventario en temporada baja |
| Media móvil en Excel más estacionalidad | Cero | Medio día | Roturas de stock aproximadamente a la mitad, exceso de inventario reducido alrededor de un tercio |
| Comprar un sistema de pronóstico | Decenas de miles al año | Limpieza de datos y formación | Ganancia marginal a nuestro volumen |
Esos resultados son nuestra propia experiencia, no cifras de laboratorio — pero para un almacén de nuestro tamaño, son suficientes.
La lección del vecino: un modelo que nadie revisa muere rápido
Un modelo solo no basta. Un amigo que gestiona un almacén de artículos para el hogar cercano copió nuestra hoja en septiembre de 2025 y la abandonó en un mes. Fui a ver: el problema no era el modelo, era la responsabilidad. Construyó la hoja y luego pasó las actualizaciones semanales a un empleado nuevo que no sabía que había que marcar las semanas de rotura. Las semanas de ventas cero entraron directamente en la media, el modelo se desvió cada vez más y todo el mundo dejó de confiar en él.
Nuestra solución es igualmente poco tecnológica: cada lunes por la mañana dedico 20 minutos a la hoja yo mismo, revisando solo tres grupos — SKU cuyo pronóstico subió más de 30% respecto a la semana anterior, SKU por debajo del stock de seguridad y SKU donde el pronóstico falló frente a lo real en más de 40% dos semanas seguidas. Veinte minutos bastan. Un modelo es código muerto; una revisión humana semanal lo mantiene vivo.
Una concesión de la que hay que ser honestos: este modelo sencillo maneja bien la demanda estable y las oscilaciones estacionales, pero no puede predecir un pico viral. Cuando un vídeo corto explota, ningún modelo lo ve con una semana de antelación. Nuestra respuesta es un "presupuesto de respuesta rápida": cada mes reservamos aproximadamente el valor de ventas de una semana en efectivo flexible, para que cuando algo empiece a ser tendencia podamos hacer un pequeño pedido rápido de inmediato en lugar de esperar a que el modelo se ponga al día. El dinero permanece inactivo la mayor parte del tiempo y nos salva cuando importa.
Consejo para almacenes como el nuestro: pon el pronóstico en marcha primero, actualiza después
El orden correcto para un almacén pequeño es este: mete el historial de ventas en una tabla limpia, ejecuta el modelo de media móvil más estacionalidad, revísalo tú mismo una vez a la semana y júzgalo después de tres meses. Después de tres meses, si tu número de SKU ha superado 500 o la volatilidad ha superado el modelo sencillo, entonces ve a hablar con los proveedores — y entrarás con datos limpios y una lógica probada, lo que supone una negociación mucho más sólida.
La versión empresarial no es mala; simplemente no es adecuada para nuestra etapa. Los almacenes pequeños tienen su propia forma de sobrevivir: empieza a funcionar primero, actualiza cuando los números lo digan y gasta el dinero donde realmente duele.
Por Xiao Ma, Propietario de un pequeño almacén Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.
