Planifica la reposición con datos claros, pruebas honestas y cálculos separados para revisión continua y semanal. Incluye un ejemplo completo.
Autor
Anichur Rahaman
Imagina una tienda de artículos para el hogar con tres locales un viernes concurrido. La tetera más popular está agotada, pero quedan 140 portavelas en el almacén. El proveedor necesita dos semanas para entregar más teteras. Es una escena ilustrativa, no un resultado observado de un cliente.
El punto de pedido antiguo respondía a 30 ventas semanales; el equipo ahora observa un ritmo mucho mayor. Comprar más de todo inmovilizaría dinero sin arreglar la decisión. Hay que entender demanda, plazos del proveedor y frecuencia real de revisión.
Seguiremos ocho semanas ficticias de un SKU para probar un pronóstico simple y comparar dos políticas de reposición. Todas las cantidades son supuestos didácticos. Las fórmulas solo sirven si sus supuestos encajan con la operación; no garantizan un viernes sin roturas de stock. Revisado el 4 de noviembre de 2026.
Define SKU, ubicación, unidad, período y horizonte. Las ventas registran compras atendidas, no todo lo que el cliente habría comprado. El agotamiento puede ocultar demanda; un día sin ventas no demuestra por sí solo ni demanda cero ni ventas perdidas. Revisa disponibilidad, horarios y pruebas fiables de consultas o demanda no atendida.
Separa ventas observadas, demanda perdida estimada y ajustes de gestión. Una estimación de agotamiento es incierta, no una transacción que añadir al libro de ventas. No elimines automáticamente todo pedido grande: identifica si es un cliente recurrente, un evento puntual o un compromiso conocido para el próximo horizonte.
Pronostica salidas y retornos utilizables por separado. Una tetera devuelta puede llegar tarde, dañada o no apta para vender. Las ventas netas sirven financieramente, pero no son necesariamente la cantidad a reponer. Cuenta suministro de devoluciones solo cuando sea fiable y utilizable en el período correspondiente.
La tabla conserva los datos didácticos originales. En la semana 2 se excluye de esta base un componente puntual conocido de 10 unidades, sin borrar el consumo real del inventario. La semana 4 incorpora una estimación provisional de siete unidades perdidas. Suponemos que ambas anotaciones existían al cierre de esas semanas; obtenerlas de semanas futuras contaminaría la prueba.
| Semana | Unidades registradas | Ajuste de base | Serie de planificación |
|---|---|---|---|
| 1 | 44 | 0 | 44 |
| 2 | 71 | −10: puntual identificado | 61 |
| 3 | 52 | 0 | 52 |
| 4 | 31 | +7: demanda perdida provisional | 38 |
| 5 | 55 | 0 | 55 |
| 6 | 49 | 0 | 49 |
| 7 | 63 | 0 | 63 |
| 8 | 38 | 0 | 38 |
Las ventas registradas suman 403; la serie ajustada, 400, con media de 50 por semana. Totales parecidos no acreditan un patrón semanal correcto. Conserva motivo, evidencia, fecha y responsable de cada ajuste y prueba otros supuestos de demanda perdida.
Marca promociones y cambios de precio en lugar de borrarlos. Tendencia y calendario necesitan una base apropiada: un índice mensual puede confundir crecimiento con estacionalidad o duplicar un modelo estacional. Más ciclos repetidos ayudan, pero dos años no garantizan una estimación fiable. Las fiestas móviles y los productos nuevos requieren cuidado especial.
Una media móvil de cuatro semanas es una candidata explicable, no la ganadora automática. Predice cada semana de prueba solo con los cuatro valores previos. Compara bases naïve o estacionales pertinentes con fechas e información iguales. Si la decisión de stock cubre dos o tres semanas, prueba también el pronóstico acumulado de ese horizonte.
El ejemplo móvil de un paso muestra el cálculo. Cuatro observaciones de prueba son insuficientes para demostrar fiabilidad operativa. Guarda cada pronóstico como se emitió; no reescribas sus datos con conocimiento posterior.
| Semana | Pronóstico | Valor real planificado | 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 |
Al terminar la semana 8, la media de las cuatro últimas predeciría 51,25 para la semana 9, no 50. El cálculo de inventario que sigue asume por separado una media estacionaria de 50 basada en las ocho semanas. Es una simplificación distinta, no la afirmación de que el último pronóstico móvil sea 50.
Con demanda no negativa en estas cuatro semanas, WAPE = suma de errores absolutos ÷ suma de valores reales = 36,5 ÷ 205 = 17,8%. Si el denominador es cero, informa N/A. Volumen, tendencia y mezcla pueden distorsionar comparaciones entre períodos; el agregado puede ocultar SKUs problemáticos.
Define el signo: sesgo = suma(pronóstico − real) ÷ suma(real) = (200 − 205) ÷ 205 = −2,4%, que aquí indica subestimación global. Los errores pueden compensarse; MAE = 36,5 ÷ 4 = 9,125 unidades. Combina estas medidas con servicio, merma y costo de compra, sin una meta WAPE universal.
Forecasting: Principles and Practice explica pruebas de origen móvil; la nota de Hyndman sobre WAPE trata el denominador y la no estacionariedad. Considera MASE/RMSSE cuando su base de escala tenga sentido.
Revisión continua: supervisa la posición de inventario cuando cambia y activa la decisión configurada al llegar al punto de pedido o quedar por debajo. El punto dice cuándo, no cuántas unidades comprar. La cantidad, los pedidos abiertos y la aprobación necesitan reglas propias.
Revisión periódica semanal: en cada revisión calcula cuánto falta hasta el nivel objetivo. Protege tanto el tiempo hasta la siguiente revisión como el plazo del proveedor. No esperes a cruzar el umbral de revisión continua para hacer el cálculo semanal.
En el modelo simple con pedidos pendientes de atender, posición = existencias utilizables + suministro confirmado en pedido − demanda atrasada. No equivale al stock físico ni al disponible para prometer. Reconcilia reservas y compromisos con el modelo de demanda para no contarlos dos veces. Excluye daños y evalúa recepciones tardías o inciertas por vencimiento; no supongas puntualidad en toda orden abierta. El caso no tiene otros compromisos ni faltantes.
Solo para este cálculo: media semanal d = 50, plazo fijo L = 2 semanas, demanda semanal estable e independiente, desviación muestral σ = √(644/7) = √92 ≈ 9,5917 y aproximación normal. Elegimos 95% de servicio de ciclo, z ≈ 1,64485. Mantén unidades temporales coherentes y redondea las necesidades enteras hacia arriba.
Revisión continua: SS = z × σ × √L ≈ 22,31, que redondea a 23 unidades. ROP = d × L + SS = 100 + 23 = 123. Es un umbral del modelo, no una garantía ni una tasa de llenado de unidades del 95%.
Con revisión semanal R = 1, el intervalo protegido es L + R = 3 semanas. El colchón z × σ × √3 ≈ 27,33 redondea a 28 unidades. Objetivo S = 50 × 3 + 28 = 178. Reutilizar el colchón de dos semanas subestimaría la protección de este modelo.
Si la posición en la revisión semanal es 124, q = max(0, 178 − 124) = 54. Con mínimo de 60 y cajas de 12, pide 60 unidades, sujeto a caja, capacidad, caducidad y aprobación. Que 124 supere el ROP continuo de 123 no cancela este pedido periódico.
| Política supuesta | Intervalo protegido | Colchón / nivel redondeado |
|---|---|---|
| Revisión continua | 2 semanas | SS 23 · ROP 123 |
| Revisión semanal | 3 semanas | SS 28 · S 178 |
En el mismo modelo continuo, objetivos de ciclo de 90%, 95% y 99% dan colchones redondeados de 18, 23 y 32, y puntos de pedido de 118, 123 y 132. Aquí una meta mayor exige más inventario; su valor depende de consecuencias del faltante y costo de mantenerlo. Son supuestos teóricos, no resultados de servicio observados.
Ocho datos ajustados no validan normalidad ni independencia. Con estacionalidad, correlación, demanda intermitente o plazos variables, estima errores del intervalo real de protección o simula escenarios adecuados. Mide desde el pedido al proveedor hasta la recepción utilizable: dos semanas de media no son un plazo fijo prometido. Revisa roturas, fill rate y exceso tras implantar.
Para conceptos y supuestos, consulta el tutorial de NC State y el capítulo de Rossetti sobre revisión continua y periódica. Los cálculos son un ejemplo didáctico independiente.
ABC requiere declarar el valor: costo anual de uso, contribución o ingresos, por ejemplo. Los umbrales son decisiones de gestión, no un reparto obligatorio 80/15/5. XYZ puede usar CV = σ/media para describir variabilidad, con ventana definida y cuidado de media cero y estacionalidad.
Aquí CV ≈ 9,5917/50 = 0,192. Un umbral X local podría llamarlo estable; eso no autoriza compras automáticas. Un repuesto de pocos ingresos puede ser crítico y un producto volátil puede merecer stock. No retires un CZ solo por la etiqueta.
Compara el modelo complejo con una base simple creíble usando información disponible al decidir. Promociones, precio, sustitutos y similitud pueden ayudar, incluso con productos nuevos; no garantizan capacidad predictiva. La cantidad de SKUs por sí sola no decide usar o descartar machine learning.
Elige según errores fuera de muestra en el horizonte, servicio/merma, costo operativo, explicación y gestión de excepciones. Reconcilia planes por ubicación y agregados si procede. Evalúa el módulo de inventario de StoreConsole para los registros y movimientos necesarios; confirma aparte pronóstico habilitado y aprobación de compras. Una alerta o un tour no demuestra un motor automático de pronóstico.
La persona compradora de la tienda ficticia distingue ahora observación, estimación y política de compra. Puede cuestionar el pedido de teteras y decidir por separado sobre los portavelas. La ventaja es una decisión repetible y auditable, no la promesa de que una fórmula evita todos los estantes vacíos.
Anichur Rahaman es el creador de StoreConsole. La guía explica planificación operativa; historias, demanda y objetivos de servicio son didácticos.
Sobre el autor
Anichur Rahaman
Seguir Leyendo
