Modelo predictivo de inventario: menos stock

El sobre-stock y las roturas de stock parecen problemas opuestos, pero en muchas empresas ocurren a la vez: demasiado stock de referencias lentas y poco stock de las referencias que más rotan. La razón habitual es que las reglas de reorden son estáticas (stock mínimo fijo, cantidad de pedido fija) mientras que la demanda es dinámica. Un modelo predictivo actualiza esos parámetros automáticamente en función de la demanda real.

¿Cómo funciona un modelo predictivo de inventario?

1. 1El modelo lee el histórico de ventas o consumo por referencia y almacén.
2. 2Aplica un algoritmo de forecasting para estimar la demanda esperada en el próximo período (semana, mes).
3. 3Calcula el stock de seguridad necesario considerando la variabilidad de la demanda y el lead time del proveedor.
4. 4Determina el punto de reorden (cuándo pedir) y la cantidad óptima de pedido (cuánto pedir).
5. 5Genera recomendaciones de compra que el equipo puede revisar y ajustar antes de ejecutar.
6. 6Aprende del feedback: si el equipo ajusta una recomendación, el modelo incorpora ese ajuste para mejorar futuras predicciones.

Parámetros clave que determinan la precisión del modelo

Errores frecuentes al implementar un modelo predictivo de inventario

• Aplicar el mismo modelo a todas las referencias sin diferenciar patrones de demanda. Las referencias con demanda estable, las estacionales y las de demanda intermitente requieren enfoques distintos. Tratarlas igual degrada la precisión global del modelo.
• Ignorar la variabilidad del lead time del proveedor. Si el modelo asume un lead time fijo de 15 días pero el proveedor real entrega entre 10 y 25 días, el stock de seguridad calculado será insuficiente para cubrir los picos de retraso.
• No recalibrar el modelo después de cambios estructurales. Un nuevo proveedor, una promoción agresiva, la apertura de un nuevo almacén o un cambio de política comercial invalidan los patrones históricos. El modelo necesita incorporar estos eventos para no seguir prediciendo con datos que ya no son representativos.
• Confiar ciegamente en las recomendaciones sin revisión humana. El modelo es una herramienta de apoyo, no un sistema de ejecución automática. El equipo de compras debe revisar las recomendaciones — especialmente para referencias de alto valor o con proveedores con restricciones de pedido mínimo.

Cómo medir si el modelo está funcionando

Una vez en producción, el modelo debe medirse con métricas claras que el equipo de operaciones pueda seguir mes a mes. Las más relevantes son: el error de forecast por referencia (MAPE o WMAPE), que indica la precisión de la predicción de demanda; la evolución del stock muerto y del sobre-stock, que debería reducirse progresivamente; la tasa de roturas de stock, que también debería bajar; y el nivel de servicio real frente al objetivo definido. Si alguna de estas métricas se deteriora, es señal de que el modelo necesita recalibrarse o de que hay un cambio en el contexto que no se ha incorporado.

Consideraciones prácticas para la implantación

El enfoque más seguro para implantar un modelo predictivo de inventario es empezar con un piloto acotado: selecciona un almacén o una familia de productos con suficiente histórico y volumen, calibra el modelo, valida las recomendaciones en paralelo con el proceso manual durante 4-6 semanas y mide los resultados. Solo cuando el equipo de compras confía en las recomendaciones tiene sentido extenderlo al resto de referencias. Este enfoque reduce el riesgo y permite ajustar los parámetros del modelo antes de escalar.

Datos necesarios para un modelo predictivo de inventario

Un modelo predictivo de inventario necesita tres tipos de datos como mínimo: histórico de ventas o consumo por SKU (mínimo 24 meses), datos de lead time de proveedores (tiempo real, no el contractual), y datos de stock actual por almacen. Sin estos tres, el modelo no puede calcular el punto de pedido ni el stock de seguridad de forma fiable.

• Histórico de ventas/consumo: por SKU, por almacen, con frecuencia diaria o semanal. Incluir devoluciones y anulaciones para reflejar demanda neta.
• Lead time real de proveedores: el tiempo medio entre pedido y recepcion, con su variabilidad. Un proveedor con lead time medio de 10 días pero que varia entre 5 y 20 necesita más stock de seguridad.
• Stock actual: por SKU y por almacen, actualizado diariamente. Si tu ERP tiene datos de stock incorrectos, el modelo dara recomendaciones erroneas.
• Eventos conocidos: promociones planificadas, lanzamientos de producto, estacionalidades específicas. El modelo necesita saber cuando la demanda va a cambiar.

Stock de seguridad: la variable que más impacta

El stock de seguridad es el colchon que absorbe la variabilidad de la demanda y del lead time. Calcularlo bien es lo que marca la diferencia entre tener roturas frecuentes y tener sobre-stock cronico. Un modelo predictivo calcula el stock de seguridad de forma dinámica para cada SKU, en vez de usar un porcentaje fijo para todos los productos.

La regla general es que el stock de seguridad debe cubrir la variabilidad, no la demanda media. Si un producto tiene demanda estable y proveedor fiable, su stock de seguridad puede ser bajo. Si otro producto tiene demanda erratica y un proveedor impredecible, necesita un stock de seguridad mucho mayor. Tratar ambos igual es el error que cometen la mayoría de empresas.

Si te interesa profundizar, en stock óptimo con ia: calcular mín. y máx. exploramos este tema en detalle.

Para más contexto, puedes consultar la artículo de McKinsey sobre forecasting con IA.

Preguntas frecuentes sobre modelos predictivos de inventario

¿Puede el modelo funcionar con un ERP que no tiene API?

Sí. La mayoría de ERPs permiten exportar datos históricos en formato CSV o Excel aunque no tengan API. El modelo puede construirse sobre esas exportaciones programadas y generar recomendaciones que el equipo introduce manualmente o carga vía importación masiva.

¿Cuántas referencias puede manejar el modelo?

No hay límite técnico. Un modelo estadístico clásico puede manejar miles de SKUs sin problema. La complejidad aumenta cuando hay referencias con muy poca demanda histórica (long tail) o con demanda muy irregular — en esos casos se aplican modelos específicos para demanda intermitente.

¿Qué pasa cuando hay promociones o eventos puntuales que distorsionan la demanda?

El modelo puede incorporar variables exógenas como promociones planificadas, ferias, campañas de marketing o periodos de descuento. Para ello, el equipo comercial debe comunicar estos eventos con antelación para que el modelo ajuste la previsión. Los picos de demanda no planificados se gestionan revisando el stock de seguridad y aprendiendo del evento para futuros periodos similares.