Forecasting en empresa: demanda, stock y ventas

Una empresa que no hace forecast ya está haciendo uno implícito: 'vamos a pedir lo mismo que el mes pasado'. La diferencia es que un modelo explícito mejora ese baseline, cuantifica el error y permite decisiones basadas en datos. Esta guía consolida las decisiones críticas del proyecto; cada sección enlaza a un spoke con el detalle.

¿Qué es el forecasting empresarial y para qué sirve?

La diferencia entre 'análisis predictivo' y 'forecasting' es sutil pero útil: análisis predictivo es el conjunto grande (incluye clasificación, scoring, detección de churn), mientras que forecasting se refiere específicamente a predicción de series temporales cuantitativas.

¿Qué casos de uso de forecasting tienen retorno demostrado?

Los cinco casos que suelen pagar el proyecto rápido en empresa mediana:

• Demanda por SKU / categoría: predecir cuánto se va a vender para ajustar compras y stock. Retorno principal vía reducción de rotura y sobre-stock.
• Inventario óptimo: combinar forecast con política de reposición para calcular stock mínimo y máximo. Ver stock óptimo con IA.
• Cash flow: predecir cobros y pagos futuros para anticipar necesidades de circulante.
• Pipeline comercial: predecir probabilidad de cierre de oportunidades y estimar revenue del trimestre.
• Planificación de producción (manufacturing): predicción de pedidos para dimensionar turnos, materia prima y capacidad.

Más detalle en forecasting de demanda en retail y forecasting en manufacturing.

¿Qué requisitos mínimos de datos necesitas para hacer forecasting?

La calidad del dato importa más que la cantidad. Detalle en requisitos de un proyecto de predicción de demanda.

1. 1Histórico de 18-24 meses a granularidad diaria o semanal. Menos de 12 meses hace difícil capturar estacionalidad anual.
2. 2Consistencia de granularidad: la misma SKU no puede cambiar de definición a mitad del histórico sin documentarlo.
3. 3Variables externas relevantes: promociones, cambios de catálogo, stockouts pasados (los ceros no son siempre demanda real, pueden ser stockouts).
4. 4Calendario con eventos conocidos: campañas, festivos, lanzamientos. Ayuda al modelo a entender picos y valles.
5. 5Métrica de negocio clara: qué se considera éxito. ¿MAPE? ¿Cobertura de stock? ¿Nivel de servicio?

¿Qué método de forecasting elegir: series temporales, ML o IA generativa?

¿Cómo interpretar las métricas de error del forecasting: MAE, MAPE y RMSE?

Cada métrica mide un aspecto distinto. Elegir la adecuada al caso de negocio es crítico. Detalle en cómo medir el error de un forecast.

• MAE (Mean Absolute Error): error medio en unidades absolutas. Bueno para comparar modelos sobre la misma serie.
• MAPE (Mean Absolute Percentage Error): error medio en porcentaje. Más intuitivo pero rompe cerca de cero (no usar con series con ceros).
• RMSE (Root Mean Squared Error): penaliza más los errores grandes. Útil si los outliers son costosos operativamente.
• Bias (sesgo sistemático): mide si el modelo sobre-predice o infra-predice consistentemente. Crítico en inventario: un bias positivo genera sobre-stock crónico.

¿Cuándo usar Python, no-code o herramientas integradas para forecasting?

Tres caminos con sweet spots distintos. Detalle en forecasting Python vs no-code.

• Python: máxima flexibilidad, ecosistema completo (statsmodels, Prophet, scikit-learn, XGBoost, neural forecasting). Requiere data scientist.
• No-code (Dataiku, Alteryx, Power BI + Azure ML): reduce curva, bien para equipos sin data scientist dedicado.
• Herramientas integradas del ERP (SAP IBP, Oracle SCM, Netsuite Planning): útiles si ya están en el stack, menos flexibles.
• Para pyme mediana: Python en cloud + dashboard Power BI suele ser el punto óptimo de flexibilidad/coste.

¿Cómo integrar el forecasting en operaciones: dashboards, alertas y loops?

Un forecast que nadie usa es un fracaso, aunque el MAPE sea bueno. Tres mecanismos de integración.

1. 1Dashboards en Power BI (o similar) con el forecast por dimensión relevante (SKU, cliente, región) y cadencia acordada con operaciones.
2. 2Alertas automáticas cuando el modelo predice rotura de stock, sobre-stock o anomalía importante.
3. 3Integración directa con ERP/WMS: el forecast alimenta la política de reposición automática, con override manual para excepciones.

¿Qué errores hunden los proyectos de forecasting?

• Medir el éxito del proyecto solo por MAPE, ignorando si el negocio lo usa.
• Sobre-ingenierizar el modelo antes de validar el caso de negocio: prophet vs XGBoost importa menos que si operaciones lo va a adoptar.
• No tratar stockouts pasados como dato incompleto: tratarlos como demanda cero sesga el modelo hacia abajo.
• Re-entrenar sin monitorizar drift: un modelo viejo sin re-entrenar pierde precisión silenciosamente.
• Saltar el baseline: sin medir cómo va hoy (media móvil, juicio) no se puede demostrar que el modelo aporta.

¿Cuáles son las fases de implantación de un proyecto de forecasting?

Seis fases secuenciales típicas, reflejadas en el HowTo schema abajo.

1. 1Semana 1: definir caso, baseline y métrica de éxito.
2. 2Semana 2: auditoría de datos y limpieza.
3. 3Semana 3-4: comparativa 2-3 métodos sobre hold-out.
4. 4Semana 5-6: validación con negocio.
5. 5Semana 7-8: productivización con monitoreo.
6. 6Mes 3-6: iteración y cobertura ampliada.

Próximo paso

Si tu empresa evalúa un proyecto de forecasting, una sesión de diagnóstico de 20 minutos identifica el caso con mejor retorno, evalúa la calidad del histórico disponible y propone un baseline medible. Sin compromiso.