Limpia tu historial de ventas, pronostica con un promedio móvil simple, mide el error con WAPE y sesgo, y conviértelo en un punto de reorden y un inventario de seguridad que puedas defender. Un SKU resuelto, una rutina semanal de 30 minutos y cuándo vale la pena el aprendizaje automático.
Author
Anichur Rahaman
La tetera más vendida de una cadena de tres tiendas de artículos para el hogar ya no está en ningún estante. Un viernes por la mañana, apenas llega el dueño, un cliente pregunta por la de exhibición y el proveedor avisa que el siguiente envío tarda dos semanas. Mientras tanto, desde octubre pasado hay en la bodega una caja con 140 portavelas que nadie pide.
Aquí no hay descuido. El nivel de reorden de la tetera se fijó a ojo hace meses, cuando vendía 30 por semana. Hoy vende 50 y nadie volvió a hacer la cuenta. (Es una escena ilustrativa, no una tienda real.)
Para arreglarlo no necesitas un equipo de ciencia de datos. Necesitas un historial de ventas limpio, una o dos fórmulas sencillas y la disciplina de dedicar tu atención a los productos que de verdad importan. La mayor parte del beneficio viene de unos pocos hábitos, no de modelos sofisticados.
Este artículo los recorre con un solo ejemplo, un SKU que vende 50 por semana como la tetera: limpiar el historial, pronosticar con un promedio móvil, medir el error, convertir el pronóstico en un punto de reorden en el que puedas confiar y decidir cuánto esfuerzo merece cada SKU. Todas las cifras del ejemplo son ilustrativas.
Tu sistema registra ventas. Lo que quieres pronosticar es la demanda: lo que los clientes habrían comprado si el estante nunca se hubiera vaciado y no hubiera pasado nada fuera de lo común.
La diferencia es mayor de lo que se cree. Un producto agotado tres días muestra ventas en cero esos días, y un pronóstico ingenuo lo toma como demanda débil. El siguiente pedido sale demasiado pequeño y el producto se vuelve a agotar. Este círculo va reduciendo, sin que lo notes, el alcance de tus productos más vendidos.
Antes de cualquier fórmula, dedica diez minutos a las últimas 8 a 12 semanas de cada SKU importante. Busca cuatro cosas:
Aquí tienes un SKU ilustrativo a lo largo de ocho semanas. En la semana 2 hubo un pedido al mayoreo único de 10 unidades, y en la semana 4 el producto estuvo agotado un día (unas 7 unidades de venta perdida al ritmo diario normal de 50 ÷ 7).
| Semana | Ventas registradas | Ajuste | Demanda limpia |
|---|---|---|---|
| 1 | 44 | 0 | 44 |
| 2 | 71 | −10 (pedido al mayoreo) | 61 |
| 3 | 52 | 0 | 52 |
| 4 | 31 | +7 (un día agotado) | 38 |
| 5 | 55 | 0 | 55 |
| 6 | 49 | 0 | 49 |
| 7 | 63 | 0 | 63 |
| 8 | 38 | 0 | 38 |
El total limpio es de 400 unidades, así que la demanda promedio es de 50 unidades por semana. El total bruto era 403, casi igual, pero el patrón semanal estaba distorsionado en dos puntos. Qué tan grave sea la distorsión depende del producto, y en un SKU de pocas ventas puede cambiar por completo el resultado.
Un promedio simple supone que la próxima semana se parecerá a las últimas. Dos patrones rompen esa suposición.
La tendencia es una subida o bajada sostenida a lo largo de meses. Si un producto ha crecido 5% al mes durante un trimestre, el promedio de las últimas ocho semanas siempre irá detrás de la realidad.
La estacionalidad es un patrón que se repite: abrigos en invierno, útiles escolares, el pico de fin de año, el Día de las Madres, la temporada de bodas. La forma más sencilla de manejarla es un índice estacional: las ventas promedio de un mes divididas entre el promedio de todos los meses. Un índice de 1.4 para diciembre significa que diciembre vende 40% más que un mes típico. Multiplica tu pronóstico base por el índice.
Para estimar la estacionalidad con fiabilidad necesitas al menos dos años de historial. Con menos, usa el mismo periodo del año pasado como referencia aproximada, apóyate en un calendario de eventos conocidos y no confíes demasiado en ella.
Para un SKU estable, es difícil superar un promedio móvil: pronostica la próxima semana como el promedio de las últimas cuatro. Es fácil de explicar, fácil de revisar a mano y reacciona con la lentitud justa para no perseguir el ruido. Si quieres profundizar en el suavizado exponencial y en otros métodos que incorporan tendencia y estacionalidad, el libro gratuito Forecasting: Principles and Practice es un buen siguiente paso.
La forma justa de probar cualquier método es un backtest: finge que estás en el pasado, pronostica semanas cuyo resultado ya conoces y compara. Con los datos limpios de arriba, un promedio móvil de cuatro semanas pronostica las semanas 5 a 8 así:
| Semana | Pronóstico (promedio de las 4 anteriores) | Real | Error (real − pronóstico) | Error absoluto |
|---|---|---|---|---|
| 5 | 48.75 | 55 | +6.25 | 6.25 |
| 6 | 51.50 | 49 | −2.50 | 2.50 |
| 7 | 48.50 | 63 | +14.50 | 14.50 |
| 8 | 51.25 | 38 | −13.25 | 13.25 |
| Total | 200.00 | 205 | +5.00 | 36.50 |
Dos números te dicen si un pronóstico sirve.
El WAPE (error porcentual absoluto ponderado) es el error absoluto total dividido entre la demanda real total. Con la tabla: 36.5 ÷ 205 = 17.8%. Da más peso a los productos que más se venden y se comporta bien cuando algunas semanas son flojas, algo que el MAPE simple no logra.
El sesgo es el pronóstico total menos el real total, dividido entre el real total: (200 − 205) ÷ 205 = −2.4%. Un sesgo negativo significa que estás pronosticando de menos. Si el sesgo se queda del mismo lado muchas semanas, es una señal para corregir, porque significa que todos tus pedidos fallan en la misma dirección, siempre cortos o siempre largos.
Sigue ambos por SKU o por categoría, no para toda la tienda. Un buen número global puede esconder una docena de productos que siempre fallan. No existe una meta universal: un básico estable puede llegar a un WAPE menor a 10%, mientras que un artículo de moda puede estar en 40% y aun así manejarse bien con el inventario de seguridad adecuado.
El pronóstico te dice cuánto venderás. El punto de reorden te dice cuándo pedir. La regla es sencilla:
Punto de reorden = demanda durante el tiempo de entrega + inventario de seguridad
La demanda durante el tiempo de entrega es la demanda semanal promedio multiplicada por el tiempo de entrega del proveedor. Nuestro SKU vende 50 por semana y el proveedor tarda 2 semanas, así que la demanda durante el tiempo de entrega es 50 × 2 = 100 unidades.
El inventario de seguridad es el colchón para las semanas que superan el promedio. Una fórmula común es:
Inventario de seguridad = z × σ × √L
En nuestro historial limpio, las desviaciones respecto a 50 son −6, +11, +2, −12, +5, −1, +13, −12. La suma de sus cuadrados es 644, y 644 ÷ 7 = 92, así que σ = √92 ≈ 9.6 unidades. Con 95% de nivel de servicio y L = 2 semanas:
1.65 × 9.6 × √2 = 1.65 × 9.6 × 1.414 ≈ 22 unidades
Punto de reorden = 100 + 22 = 122 unidades. Cuando el inventario disponible para vender (lo que hay en existencia, más lo que viene en camino, menos lo reservado para clientes) baje a 122, haz el pedido.
El nivel de servicio aquí es la probabilidad de pasar un ciclo de reposición sin agotarte. Cada punto extra cuesta más que el anterior.
| Nivel de servicio | z | Inventario de seguridad | Punto de reorden |
|---|---|---|---|
| 90% | 1.28 | 17 | 117 |
| 95% | 1.65 | 22 | 122 |
| 99% | 2.33 | 32 | 132 |
Pasar de 95% a 99% suma 10 unidades, un colchón 45% mayor, y reduce los agotados esperados de un ciclo de cada 20 a más o menos uno de cada 100. Para un producto estrella es un seguro barato. Para uno lento y voluminoso, no.
La fórmula supone un proveedor confiable. Si el tiempo de entrega también varía, usa la versión ampliada, z × √(L × σ² + d² × σL²), donde d es la demanda promedio por semana y σL la desviación estándar del tiempo de entrega en semanas. En la práctica: registra los tiempos de entrega reales y dale un colchón mayor al proveedor poco puntual.
El punto de reorden dice cuándo pedir. La cantidad sale de un nivel objetivo: pide lo suficiente para subir tu posición de inventario (lo que hay en existencia más lo que viene en camino, menos lo reservado) hasta ese nivel. Un objetivo práctico para una revisión semanal es la demanda durante el tiempo de entrega más una semana de revisión, más el inventario de seguridad: 50 × 3 + 22 = 172 unidades. Si al revisar la posición es 118, el pedido es 172 − 118 = 54 unidades.
Después aplica las condiciones del proveedor. Si el pedido mínimo es de 60 unidades, o el artículo viene en cajas de 12, las 54 suben a 60 de cualquier forma. El diagrama de flujo muestra la decisión semanal completa, incluida la revisión de datos que evita que una semana con agotado achique el pedido de la siguiente.
No puedes darle la misma atención a todos los SKU. Dos clasificaciones rápidas deciden adónde va el esfuerzo.
El ABC ordena los productos por valor. Por convención, los A son los productos principales que generan cerca de 80% de los ingresos, los B el siguiente 15% y los C el último 5%. El XYZ los ordena por previsibilidad, con el coeficiente de variación (σ ÷ demanda promedio). Los cortes habituales son: X por debajo de 0.5, Y de 0.5 a 1.0, Z por encima de 1.0. Ajústalos a tu negocio.
Nuestro SKU de ejemplo tiene 9.6 ÷ 50 = 0.19, así que es X. Si además es de los más vendidos, es AX: el candidato ideal para un punto de reorden automático con revisión semanal.
Más que las etiquetas importa el hábito: un producto CZ nunca debe quitarte una hora de tu semana, y uno AZ nunca debe quedar en manos de una fórmula sola.
Los modelos de aprendizaje automático valen la pena en unas pocas situaciones:
No es lo más adecuado para una tienda con unos cientos de SKU y poco historial, donde un promedio móvil con buena limpieza de datos suele ser igual de preciso y mucho más fácil de creer. Un modelo que no puedes explicarle a quien compra es un modelo que quien compra terminará ignorando.
Elijas el método que elijas, aplica la misma prueba: enfréntalo a una línea base simple en tu propio backtest. Si no supera al promedio móvil por un margen claro en WAPE, quédate con el promedio móvil. Antes de invertir en algo complejo, asegura lo básico: conteos de inventario exactos, un registro de cada movimiento de existencias y un historial de ventas limpio. Un software que junta todo esto en un solo lugar, como el módulo de inventario de StoreConsole, hace que la limpieza sea mucho menos manual. Este breve recorrido muestra las alertas de bajo inventario por SKU y el historial de movimientos que alimenta un pronóstico.
El pronóstico solo rinde si se vuelve un hábito. Esta rutina cabe en media hora una vez que todo está configurado.
Cada trimestre, vuelve a revisar las clases ABC/XYZ, actualiza los índices estacionales y recalcula el inventario de seguridad con una σ nueva y tiempos de entrega medidos.
Vuelve a la tetera. Con un punto de reorden de 122 y la rutina semanal de arriba, el pedido sale cuando el inventario disponible toca 122, con el estante todavía cubriendo unas dos semanas y media de ventas. Los portavelas, un producto CZ, reciben una decisión de sí o no cada trimestre en lugar de un rincón de la bodega. Los viernes seguirán trayendo sorpresas, pero ya no esa.
Anichur Rahaman es arquitecto de software y creador de StoreConsole. Diseña sistemas de comercio y ERP para negocios en crecimiento, con enfoque en arquitectura orientada a eventos, integridad de datos y operación en servidores propios.
About the Author
Anichur Rahaman
Continue Reading
