El pronóstico de demanda con IA y la reposición en almacén se han convertido en una de esas frases que aparecen en todas las presentaciones de proveedores y en todos los paneles de conferencias. La promesa suena sencilla: predecir la demanda con mayor precisión, y el almacén llevará naturalmente menos existencias y perderá menos ventas. Sin embargo, muchos almacenes que adoptaron herramientas de pronóstico informan de un resultado desconcertante. Sus pronósticos mejoraron, de forma medible, y sus almacenes no. Las estanterías siguieron llenas, los productos de baja rotación siguieron acumulando polvo, y el teléfono siguió sonando en temporada alta con un cliente preguntando dónde estaba su pedido.

Esta no es una historia sobre malos modelos. Es una historia sobre todo lo que ocurre después de que el modelo produce un número.

Pensemos en un distribuidor de bienes de consumo en el este de China. Antes de la temporada alta del año pasado, la empresa adoptó una herramienta de pronóstico de demanda, y la correspondencia entre el pronóstico y las ventas reales mejoró de verdad. El equipo de compras sintió que el problema estaba resuelto. Cuando terminó la temporada y llegó el recuento de existencias, varios de los productos más vendidos tenían más inventario que el año anterior, mientras que dos líneas de producto menores, de las que nadie se preocupaba, se habían agotado. El pronóstico no había estado tremendamente equivocado. Lo que falló fueron los pasos que vinieron después.

Un segundo caso viene de un distribuidor de alimentos en el sur. Sus pronósticos eran igualmente respetables, pero los plazos de entrega de los proveedores variaban de forma impredecible. A veces una entrega llegaba en una semana; a veces tardaba la mayor parte de un mes. Para evitar roturas de stock, el almacén planificaba en torno al plazo de entrega más largo plausible. El pronóstico podía decir aproximadamente cuánto se vendería el mes siguiente, pero no podía decir cuándo debían llegar las mercancías ni en qué tamaño de lote. Cuando las existencias llegaban, el pico de ventas a menudo ya había pasado, y el resto quedaba esperando el siguiente ciclo.

Cuando el pronóstico es correcto y la reposición sigue fallando

La brecha está en la traducción. Un pronóstico habla en totales sobre un periodo futuro. La reposición tiene que responder a tres preguntas distintas: cuándo pedir, cuánto pedir y cuánto colchón mantener. Si cualquiera de ellas se responde mal, un total preciso no te salva. Esta brecha de traducción es donde el pronóstico de demanda con IA y la reposición en almacén se rompen con mayor frecuencia en la práctica, no dentro del modelo, sino en el traspaso del pronóstico a los pedidos reales.

Tres tipos de desajuste aparecen una y otra vez. El primero es el desajuste de lote: el pronóstico se produce a diario, pero compras pide en camiones completos o en cantidades mínimas del proveedor, así que los números se redondean hasta adoptar otra forma. El segundo es el desajuste de ritmo: el pronóstico es una curva suave, pero la reposición llega en pulsos, con existencias que aterrizan en ráfagas mientras las ventas las drenan gradualmente, de modo que el inventario oscila arriba y abajo. El tercero es el desajuste de responsabilidad: el algoritmo es dueño del pronóstico, un comprador es dueño de la decisión de reposición, y ambas partes trabajan con supuestos distintos. El número del sistema se ajusta manualmente en la capa de ejecución, y al final nadie puede decir exactamente con qué regla está funcionando realmente el almacén.

Según diversos informes del sector, el efecto del error de pronóstico sobre el inventario suele ser menor que el efecto de unos parámetros de reposición mal fijados. Eso suena contraintuitivo, pero la lógica es sencilla. Los errores de pronóstico fluctúan en torno a la demanda real, a veces por encima y a veces por debajo. Una regla de reposición equivocada amplifica cada fluctuación en una sola dirección. Nunca se corrige a sí misma.

El equilibrio entre stock de seguridad y reposición

El stock de seguridad es la pieza más incomprendida de este rompecabezas. Muchos equipos lo tratan como un seguro y asumen que tener más solo puede ayudar. Pero una vez que el stock de seguridad se fija demasiado alto, deja de ser un seguro y se convierte en inventario permanente. Peor aún, a menudo se fija como una única regla general para todas las categorías, sin distinguir entre productos en los que una rotura de stock es cara y productos en los que el exceso de existencias es caro.

Una forma útil de verlo es poner tres cantidades lado a lado: cuánto varía la demanda, cuánto tarda realmente la reposición y cuánto cuesta realmente una sola rotura de stock. Una mayor variabilidad y plazos de entrega más largos justifican más colchón; esa parte es sólida. Pero si el propio plazo de entrega puede acortarse mediante negociación, otro proveedor o entregas divididas, entonces acumular stock de seguridad es simplemente pagar la holgura de la cadena de suministro con inventario. Por el contrario, los productos con plazos de entrega cortos y reposición flexible pueden funcionar con poco stock de seguridad, liberando capital para los artículos que realmente necesitan un colchón.

La siguiente tabla es un marco que sugiero que los equipos acuerden antes de cambiar cualquier parámetro. No es una respuesta por sí misma; obliga a poner cuatro conjuntos de supuestos en la misma página, que es donde la mayoría de los almacenes nunca los han puesto.

| Decisión | Práctica habitual | Qué sale mal | Un mejor punto de partida | | Cantidad de pedido | Redondear a camiones completos o mínimos | Una demanda pequeña se infla hasta convertirse en grandes existencias | Dividir los pedidos para ajustarse al ritmo de la demanda, aceptando reposiciones más pequeñas y frecuentes | | Momento del pedido | Pedir un día fijo de la semana | Los cambios en la demanda esperan un ciclo completo antes de que alguien reaccione | Activar el pedido cuando las existencias alcanzan un umbral, no en una fecha del calendario | | Stock de seguridad | Un único porcentaje general para todos los productos | Los productos de alta rotación se quedan cortos mientras los de baja rotación se acumulan | Clasificar los productos según el coste de rotura frente al coste de exceso de existencias | | Plazo de entrega | Usar el plazo más corto prometido por el proveedor | Cualquier retraso provoca una rotura de stock, que después se corrige con más existencias | Planificar según el rango superior realista de las llegadas reales, no según la promesa |

Muchos almacenes no carecen de datos. Carecen de un conjunto compartido de supuestos sobre estas cuatro decisiones, y cada decisión se ha tomado en silencio, de forma aislada.

De la precisión del pronóstico a la salud del almacén

Hay un desajuste más profundo en cómo se mide el éxito. El equipo de pronóstico se juzga por su precisión, el almacén por la rotación de inventario y las tasas de rotura de stock, y compras por el coste de compra. Cada métrica puede parecer correcta por sí sola mientras la combinación falla. Cuando la precisión del pronóstico mejora unos puntos y la rotación de inventario no se mueve, el primer sospechoso no debería ser el modelo. Debería ser si las métricas están luchando entre sí.

Según observaciones publicadas del sector, los almacenes que realmente se benefician del pronóstico no suelen ser los que tienen los modelos más avanzados. Son los que gestionan el pronóstico, la reposición y el stock de seguridad bajo un mismo conjunto de reglas. Su hábito compartido no tiene glamour: la salida del pronóstico se conecta directamente con los parámetros de reposición, los cambios de parámetros se registran y se revisan, y las anulaciones manuales dejan un rastro en lugar de ocurrir en silencio.

De cara al futuro, las herramientas de pronóstico seguirán mejorando y abaratándose. Eso no significa que los problemas de almacén vayan a desaparecer por sí solos. Las herramientas responden si el cálculo es preciso. Los almacenes todavía tienen que responder qué ocurre después del cálculo, lo cual es más desordenado, más difícil de estandarizar y, en última instancia, lo que determina si el inventario está sano.

Así que quizá la pregunta correcta ya no sea cuánto más precisos pueden llegar a ser los pronósticos. El pronóstico de demanda con IA y la reposición en almacén deberían juzgarse por lo que ocurre con las existencias y los niveles de servicio después de producirse el pronóstico, porque ahí es donde el dinero se ahorra o se desperdicia. Se trata de si, ahora que los pronósticos son lo bastante buenos, los almacenes están dispuestos a rehacer sus reglas de reposición y su stock de seguridad desde cero. Cuando un pronóstico preciso sigue dejando un almacén con exceso de existencias, lo que se desbordó rara vez fue la credibilidad del modelo. Fue la capa de ejecución que nadie se había tomado en serio durante mucho tiempo. Y cuántas operaciones se detendrán a alinear esas cuatro decisiones, en lugar de comprar un modelo más caro, es en sí misma una pregunta abierta que vale la pena observar.

Por Dr. Chen, Investigador de la cadena de suministro Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.