La premisa: los malos pronósticos convierten la reposición en una apuesta
Un minorista de artículos para el hogar con 3,000 SKUs reponía según la intuición de los planificadores más un promedio móvil de 12 semanas. Cada promoción importante rompía el sistema: los SKUs estrella se agotaban y perdían pedidos mientras los de baja rotación acumulaban $20 millones en capital atrapado. El dueño hizo los números: cada punto de reducción de quiebres valía $4 millones al año. El pronóstico es una de las aplicaciones de IA con mayor ROI en el almacén — pero el 90% de los proyectos muere en "el modelo es preciso, pero operaciones no puede usarlo".
El marco central: cuatro puntos
1. Ingeniería de variables: la historia es solo la mitad del relato
Alimentar un modelo solo con el historial de ventas es conducir con un ojo cerrado. Cinco familias de variables que funcionan en la práctica:
- Series de ventas y precios (incluidos precios promocionales y profundidad del descuento)
- Calendario de promociones (megaventas, días de categoría, liquidaciones — etiquetados por adelantado)
- Estacionalidad y feriados (regreso a clases, Navidad, Año Nuevo Lunar)
- Señales externas: temperatura (fuerte en indumentaria y hogar), tráfico del canal
- Atributos del SKU: etapa nuevo/maduro/liquidación, clasificación ABC
Regla práctica: partir de al menos dos años de historia. Los SKUs con menos de un año de datos solo reciben pronósticos por analogía — no fuerces modelos complejos sobre ellos.
2. Modelado por niveles: precisión para los SKUs estrella, simplicidad para la cola
| Nivel de SKU | Participación | Estrategia de modelado |
|---|---|---|
| Primer 20% | 80% de los ingresos | LightGBM / modelos de series temporales, ajuste por SKU |
| Medio 30% | 15% de los ingresos | Pronóstico a nivel de categoría, luego desagregado |
| Cola 50% | 5% de los ingresos | Modelos de demanda intermitente tipo Croston; basta con evitar quiebres |
Un solo modelo para todo es el error clásico de principiante. Los SKUs de cola tienen demanda dispersa — los modelos complejos se sobreajustan, los simples se mantienen estables.
3. Cerrar el ciclo: el pronóstico es solo el punto de partida
Un pronóstico no equivale a una orden de compra. El ciclo completo tiene cinco pasos: pronóstico → stock de seguridad (por nivel de servicio: 98% para artículos A, 90% para artículos C) → propuesta de reposición → revisión humana solo de excepciones (SKUs con variaciones superiores al 50%) → datos reales realimentados para reentrenar.
El diseño clave: los humanos solo revisan las excepciones. Los planificadores miran el 5% de SKUs que el sistema marca en rojo cada día en lugar de arrastrarse por 3,000 líneas — así es como se ve realmente la palanca de la IA: las máquinas manejan el 95% del juicio rutinario, las personas el 5% que importa.
4. Métricas: vigilar la dirección del sesgo antes que el error absoluto
Usar WAPE (error porcentual absoluto ponderado) para la precisión general, pero vigilar la dirección del sesgo aún más de cerca: el sobrepronóstico sistemático genera exceso de inventario, el subpronóstico sistemático genera quiebres. Tres meses seguidos de sesgo en la misma dirección más allá del 5% señalan un problema estructural en las variables o el modelo — devuélvelo para rehacerlo, no te limites a ajustar hiperparámetros.
Caso de campo: WAPE del 38% al 24%
Un minorista de artículos para el hogar, 4,000 SKUs, seis meses después de lanzar el pronóstico de demanda con IA: el WAPE cayó del 38% al 24%, la tasa de quiebres del 6.2% al 3.1%, las rotaciones de inventario subieron 0.8. El mayor contribuyente no fue la sofisticación del modelo — fue la variable del calendario promocional. Los planificadores pronosticaban las promos de memoria; sistematizar eso redujo a la mitad el error en períodos promocionales de la noche a la mañana.
Errores a evitar
- No fuerces modelos basados en historia sobre SKUs nuevos. Siembra el primer pronóstico desde SKUs análogos, luego recalibra rápido cuando lleguen las primeras cuatro semanas de ventas — actualiza semanalmente.
- Modela las promociones por separado. La demanda en período promocional vive en una distribución distinta de la demanda diaria; entrenarlas juntas contamina la base.
- Nunca conectes los pronósticos directo al pedido automático. Mantén una "puerta de excepciones" humana — para cisnes negros que el modelo nunca vio (un éxito viral en redes), las personas son la última línea de defensa.
Plan de despliegue en 90 días
Días 1–30: gobierno de datos. Reúne 2 años de historial de ventas, calendarios de promociones y series de precios; publica un informe de calidad de datos y rellena cualquier campo con más del 10% faltante. Entregables: inventario de variables más informe de calidad de datos.
Días 31–60: modelado y backtesting. Construye modelos por niveles según la clase de SKU y haz backtest fuera de muestra en los últimos 3 meses — WAPE bajo 25% en SKUs estrella es la puerta. Entregable: informe de backtest.
Días 61–90: piloto y escala. Corre 200 SKUs estrella en paralelo: el sistema propone, los planificadores revisan, y se comparan las tasas de quiebre piloto vs. control. Una reducción de quiebres del piloto de 1.5+ puntos da luz verde al despliegue total.
90 días es el piso; los almacenes con bases de datos débiles deberían planear 120. Mejor lento al inicio que rehacer después del lanzamiento — un proyecto de pronóstico rehecho borra la confianza del negocio en la IA.
El nuevo flujo del planificador: cómo se ve la división humano-máquina
Tras el despliegue de la IA, los planificadores no desaparecen — suben de nivel:
- 30 minutos cada mañana: revisar solo los SKUs de excepción marcados por el sistema (variaciones superiores al 50% o alertas de quiebre), confirmando o ajustando cada uno. De 3,000 SKUs, típicamente solo 100–150 necesitan ojos humanos.
- 1 hora semanal: leer el informe de dirección del sesgo. Dos semanas seguidas de sesgo sistemático al alza/a la baja significan una sesión conjunta con TI sobre las variables — sin necesidad de ajustar modelos personalmente, pero sabiendo qué preguntas hacer.
- Media jornada mensual: unirse a la revisión del backtest, seguir tendencias de WAPE y post-mortems de promos, y actualizar las etiquetas del calendario promocional — el aporte humano más irremplazable: la intuición del negocio.
El rol cambia de "persona que hace cuentas" a "persona que gestiona modelos". Los planificadores que se resisten quedan atrás; los que lo abrazan gestionan el triple de SKUs en solitario. Incómodo, pero cierto.
La conclusión
La fórmula de campo para el pronóstico de demanda con IA: buenas variables superan a modelos sofisticados, modela por niveles, cierra el ciclo con humanos solo en excepciones, y vigila la dirección del sesgo. Diez puntos menos de WAPE se convierten directamente en ganancia mediante menos quiebres y rotaciones más rápidas.
Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.
