El pronóstico de demanda con IA para la reposición en el almacén. Hace dos años no le habría dedicado ni una segunda mirada a esa frase. Mi almacén tiene 3,000 metros cuadrados, seis personas y estanterías de segunda mano. ¿Pronóstico con IA? Vamos. Eso es para los grandes.
Entonces llegó mayo de 2025 y me enseñó lo contrario. Un accesorio de ferretería que llevábamos años vendiendo de forma estable se quedó sin stock durante tres semanas seguidas, y dos clientes se marcharon. Ese mismo día, un producto de temporada estaba sentado sobre dos palés completos, sin tocar durante seis meses. Una rotura de stock y stock muerto, el mismo día, en el mismo almacén. Fue entonces cuando me di cuenta: adivinar de memoria ya no servía.
Cómo reponía antes un almacén pequeño: mirando la estantería
Voy a ser sincero sobre cómo lo hacíamos antes, por vergonzoso que sea. Mirábamos la estantería. Estantería vacía, reponer. Estantería llena, no. Un cliente habitual llamaba pidiendo 200 unidades, pedíamos a toda prisa. Temporada alta, añadir un poco de memoria. Temporada baja, recortar un poco a ojo.
Ese método aproximado aguantó de alguna manera durante tres años. ¿Por qué? Pocas líneas de producto, clientes conocidos, rotación lenta. Pero después de 2025 se rompió: las líneas de producto crecieron de 400 a más de 900, los clientes de 30 a 80. Nadie puede llevar eso en la cabeza.
La rotura de stock de mayo es el ejemplo perfecto. Ese accesorio vendía unas 600 unidades al mes, y yo almacenaba 500 por costumbre. Entonces un cliente consiguió un pedido de proyecto y se llevó 800 unidades de una vez. La estantería quedó vacía. La reposición tardó 12 días en tránsito. Durante esos 12 días vi cómo otros dos clientes hacían sus pedidos en otro sitio. Mientras tanto, esos dos palés de stock muerto eran algo que yo había sobrepedido a finales de 2024 «a ojo», apostando a que se venderían en primavera. Llegó la primavera, el cliente cambió de modelo y el stock quedó atascado.
Esa noche hice las cuentas. Los pedidos perdidos costaron aproximadamente 40,000 yuan de margen bruto (cifra ilustrativa de mi propio libro de contabilidad). El stock muerto inmovilizó más de 60,000 yuan en efectivo. El trabajo de un mes, borrado. Fue entonces cuando decidí que el pronóstico necesitaba un método serio.
Qué hace realmente el pronóstico con IA: baja primero las expectativas
Agua fría primero: el pronóstico con IA no es una bola de cristal. Busca en internet el pronóstico de demanda con IA para la reposición en el almacén y la mayoría de lo que encuentres está escrito para empresas con equipos de datos. No puede predecir que tu cliente vaya a conseguir de repente un gran pedido de proyecto el mes que viene, ni que un modelo se sustituya de la noche a la mañana. Lo que sí puede hacer es excavar en tus datos de salida del último año o dos y decirte qué artículos se mueven de forma estable, cuáles oscilan violentamente y cuáles están muriendo en silencio.
Mi primer paso ni siquiera fue IA. Simplemente exporté los registros de salida y tracé una curva de ventas sencilla por artículo. El resultado me sorprendió: más de 30 artículos llevaban tiempo en declive lento, y yo seguía almacenándolos al nivel de siempre. Otra docena tenía picos de temporada alta que crecían año tras año, y yo los subalmacenaba todos los años.
El segundo paso sí tocó la IA: una herramienta ligera de pronóstico con suscripción mensual, unos cientos de yuan al mes, más barata que contratar a nadie. Le di los datos históricos de salida, los festivos y los ciclos de pedido de los clientes, y me devolvió una cantidad de reposición sugerida por artículo. Después de tres meses, los resultados: sus sugerencias coincidían con mi intuición aproximadamente el 70% de las veces. El otro 30%, me superaba, sobre todo en los artículos de movimiento lento a los que rara vez prestaba atención, avisándome con dos semanas de antelación de que algo estaba a punto de agotarse, cuando antes solo me daba cuenta cuando la estantería estaba vacía.
Aquí está la parte contraintuitiva: para un almacén pequeño, el mayor valor del pronóstico con IA no es la precisión. Es que te obliga a limpiar tus datos. Una vez que los datos están limpios, los problemas se muestran solos. La mayoría de los almacenes pequeños no tienen un problema de pronóstico. Tienen un desorden de datos.
La calidad de los datos primero: basura que entra, basura que sale
Necesito insistir en esto, porque yo mismo pisé este rastrillo.
Antes de 2024, nuestros registros de salida eran albaranes escritos a mano. Algunos tenían el nombre del producto pero no la especificación. Algunas devoluciones nunca se reversaron en los libros. Y un lote de mercancía era consignación de un cliente guardada en mi almacén, no inventario mío en absoluto. Metes todo eso en una herramienta de pronóstico y cada sugerencia sale mal: me decía que almacenara un modelo descatalogado y que redujera un artículo nuevo que en realidad estaba ganando terreno.
Pasé dos semanas completas limpiando los datos: estandarizando nombres y especificaciones de producto, rellenando entradas perdidas, reversando devoluciones, marcando por separado el stock en consignación. Después de eso, los pronósticos tenían sentido. Mi conclusión: con datos sucios, el pronóstico con IA es solo adivinación cara. Limpia primero los libros, luego habla de predicción.
Un almacén pequeño no necesita un gran sistema para esto. Una hoja de cálculo y una regla: escanear todo lo que sale, registrar cada devolución, escribir los nombres y las especificaciones de producto siempre de la misma manera. Manténlo durante un mes y los datos se vuelven utilizables. Eso es lo que hicimos. Rudimentario, pero funciona.
Cuando el pronóstico se equivoca, alguien tiene que asumir la decisión
Esta es la parte de la que más quiero hablar, y la parte que la mayoría esquiva.
Cuando el pronóstico se equivoca, ¿quién es responsable? No el proveedor del software: el contrato lo dice en blanco y negro. ¿El jefe? En mi pequeño almacén, el jefe soy yo. ¿A quién culparía? Así que solo hay una respuesta: el pronóstico es una sugerencia. La decisión final tiene que venir de alguien que entienda el negocio.
Mi rutina es sencilla. Cada viernes por la tarde dedico media hora a revisar las sugerencias del pronóstico, ordenadas en tres cubos:
| Sugerencia del pronóstico | Qué hago |
|---|---|
| La cantidad sugerida coincide con mi experiencia | Pedir como se sugiere |
| La cantidad sugerida es mucho mayor de lo que esperaba | Llamar al cliente: ¿viene un pedido grande? Entonces decidir |
| La cantidad sugerida es mucho menor de lo que esperaba | Comprobar si faltan datos o hay un cambio de modelo |
Después de clasificar, solo una docena de artículos necesitan realmente mi cerebro. Media hora, listo. La IA hace las cuentas; yo tomo la decisión. Esa división del trabajo no se puede invertir: deja que la IA pida por su cuenta y un error se convierte en un palé de stock muerto. Confía por completo en la intuición y vuelves a adivinar.
También hay que pensar en un equilibrio: un buen pronóstico ahorra dinero en inventario, pero uno malo te cuesta roturas de stock y exceso de existencias. Mi experiencia dice que hay que pecar de conservador: mantener alrededor de un 10% de stock de seguridad en lugar de arriesgar una rotura de stock para ahorrar un poco de coste de almacenamiento. Para un almacén pequeño, perder un cliente cuesta mucho más que tener dos semanas extra de stock.
La forma ligera en que un almacén pequeño puede permitirse el pronóstico de demanda con IA
Para los compañeros propietarios de almacenes pequeños, aquí va un manual que pueden copiar directamente:
Paso uno, no compren un gran sistema. Exporten sus datos de salida y tracen una curva de ventas por artículo. Vean qué está en declive y qué está creciendo. Coste cero: una hoja de cálculo lo hace.
Paso dos, limpien los datos. Estandaricen los nombres, rellenen las entradas perdidas, reversen las devoluciones, marquen por separado el stock en consignación. Sáltense esto y todo lo demás es esfuerzo perdido.
Paso tres, prueben una herramienta ligera de pronóstico. Suscripción mensual, una categoría de producto, prueba de tres meses. Amplíen a todo el almacén solo si funciona. No lo desplieguen por todas partes el primer día.
Paso cuatro, establezcan una rutina de decisión. Un hueco semanal fijo para revisar las sugerencias, ordenadas en tres cubos, con una persona tomando la decisión final. El pronóstico asesora; ustedes son el comandante.
Después de seis meses, esto es lo que cambió en mi caso: las roturas de stock cayeron de 3–4 veces al mes a menos de una. Los artículos con más de 90 días parados bajaron de más de 40 a menos de 10. ¿Cuánto dinero ahorró? No puedo darles una cifra precisa, porque mi mezcla de clientes también cambió, pero una cosa es sólida: para el mismo volumen de ventas, mi efectivo inmovilizado en inventario cayó aproximadamente una quinta parte (estimación ilustrativa: basada en el inventario medio mensual de mi almacén de unos 500,000 yuan, aproximadamente 100,000 yuan liberados; las cifras son un ejemplo hipotético de trabajo solo como referencia).
El pronóstico de demanda con IA para la reposición en el almacén es una herramienta de eficiencia para los grandes almacenes. Para un almacén pequeño como el mío, es primero un espejo: te muestra lo sucios que están tus datos y lo arriesgado que es reponer a ojo. Acertar el pronóstico es una habilidad. Que una persona asuma la decisión, con stock de seguridad como respaldo cuando se equivoca, es lo que hace que la IA sea algo que un almacén pequeño realmente puede permitirse.
Los almacenes pequeños tienen su propia forma de sobrevivir. La IA incluida.
Por Xiao Ma, Propietario de un pequeño almacén Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.







