Comprar de más inmoviliza dinero. Comprar de menos puede dejar pedidos sin atender. En medio, muchos equipos actualizan hojas de cálculo, consultan existencias y ajustan cantidades con información que llega tarde o no coincide entre sistemas.
El machine learning para la planeación de demanda puede ayudar a estimar cuánto se necesitará de un producto en un lugar y un periodo determinados. Pero un pronóstico no es una orden de compra: debe conectarse con inventario disponible, entregas pendientes, tiempos del proveedor y reglas del negocio.
En este artículo explicamos cómo plantear esa implementación, qué datos revisar y cómo comprobar si el modelo aporta valor antes de automatizar decisiones.
Qué hace el machine learning en la planeación de demanda
Machine learning —aprendizaje automático— utiliza datos históricos para aprender relaciones y estimar resultados futuros. En demanda, puede relacionar ventas anteriores con estacionalidad, precio, promociones y otras señales disponibles al momento de pronosticar.
No se trata de pedirle a un chatbot que invente una cifra. La estimación debe salir de un modelo evaluado con datos que no utilizó para aprender. El ejemplo oficial de scikit-learn sobre pronóstico con variables históricas muestra cómo usar valores de periodos anteriores y por qué una separación aleatoria de los datos puede dar una evaluación demasiado optimista.
Tampoco hay que empezar por el modelo más complejo. Un promedio, el último valor observado o el mismo periodo de la temporada anterior pueden servir como referencia. Si el modelo no mejora esa referencia en condiciones comparables, no hay una razón sólida para reemplazarla. Forecasting: Principles and Practice explica estas referencias simples.
Empieza por una pregunta de negocio concreta
“Predecir todas las ventas” es un alcance difícil de ejecutar. Una pregunta más útil sería: ¿qué demanda esperamos por referencia y bodega durante las próximas cuatro semanas para preparar la reposición de una familia de soluciones?
El periodo debe corresponder a la decisión. Si un proveedor necesita cuatro semanas para entregar, evaluar solo el pronóstico de mañana no demuestra que el modelo sirva para comprar hoy. Define quién utilizará la recomendación, cuándo decidirá y qué costo tiene equivocarse por exceso o por defecto.
Los datos que conviene revisar antes de entrenar
- Ventas por producto, ubicación y periodo: unidades, devoluciones y cancelaciones con definiciones consistentes.
- Disponibilidad histórica: cuándo hubo inventario y cuándo una venta baja pudo deberse a un agotado.
- Precio y promociones: vigencia y condiciones conocidas al momento de generar la estimación.
- Calendario: días de operación, festividades y temporadas relevantes para el negocio.
- Datos de abastecimiento: tiempos reales del proveedor, entregas confirmadas, mínimos y múltiplos de compra.
- Calidad del registro: referencias duplicadas, cambios de unidad, fechas faltantes y movimientos tardíos.
Un cero de ventas no siempre significa cero de demanda. Si el producto estuvo agotado, las ventas registradas no muestran todas las unidades que los clientes habrían pedido. La documentación de AWS sobre valores faltantes distingue ceros con disponibilidad de periodos sin producto y advierte que rellenar estos últimos con cero puede sesgar la estimación hacia abajo.
Las referencias nuevas y los soluciones que se venden muy de vez en cuando necesitan un tratamiento distinto. Cuando falta evidencia, una regla simple o una revisión del planificador puede ser más útil que una predicción aparentemente precisa.
Cómo comprobar si el pronóstico funciona
1. Respeta el orden del tiempo
Entrena con periodos anteriores y prueba con periodos posteriores, sin darle al modelo información del futuro. Repite esa evaluación en varias fechas de corte y con el horizonte que realmente necesita compras. Esto se conoce como validación temporal o evaluación con origen móvil. La guía de validación de series de tiempo explica el método.
2. Compara contra una referencia y mira los errores
Una métrica comprensible es el error absoluto medio: cuántas unidades se desvía, en promedio, la predicción. Revisa también si el modelo tiende a quedarse corto o a pedir de más. Separa el resultado por familia, ubicación y tipo de producto; un promedio general puede ocultar problemas en referencias importantes.
Evita depender de porcentajes cuando hay muchas ventas en cero: métricas como MAPE pueden ser indefinidas o inestables. Los errores sobre datos no usados para entrenar son más informativos que un ajuste bonito al histórico. La guía de precisión de pronósticos desarrolla estas diferencias.
3. Haz visible la incertidumbre
Una estimación de 1.200 unidades no es una promesa. Cuando el método lo permita y su calibración se haya evaluado, muestra un rango de resultados plausibles junto al valor central. Los intervalos ayudan a discutir escenarios, pero no eliminan el riesgo ni sustituyen una política de inventario. Más sobre intervalos de predicción.
Del pronóstico a una compra: un ejemplo
Supongamos una referencia con demanda estimada de 1.200 unidades para cuatro semanas, 700 unidades utilizables después de descontar reservas y 250 unidades con llegada confirmada antes de necesitarlas. La diferencia inicial sería de 250 unidades.
Si el proveedor vende en múltiplos de 60, el siguiente múltiplo que cubre esa diferencia es 300. Esa cantidad todavía debe revisarse contra stock de seguridad, fechas de consumo y llegada, presupuesto, capacidad y políticas de aprobación. Si las 250 unidades entrantes llegan tarde, el cálculo agregado puede ocultar un agotado intermedio.
Este es un ejemplo simplificado, no un resultado de cliente ni una fórmula universal de reposición. Su propósito es mostrar por qué una predicción, por sí sola, no decide cuánto comprar.
| Capa | Qué aporta | Qué debe controlarse |
|---|---|---|
| Pronóstico | Estimación de demanda y, cuando corresponda, su incertidumbre | Calidad de datos, validación y error |
| Planeación | Cantidad y fecha propuestas según existencias y abastecimiento | Reservas, entregas, mínimos y restricciones |
| Ejecución | Preparar solicitudes, coordinar aprobaciones y registrar acciones | Permisos, trazabilidad y revisión de excepciones |
Cómo lo llevaríamos a la operación en Seelai
Partimos de una familia de soluciones, una ubicación y una decisión recurrente. Conectamos las fuentes, acordamos las reglas con el equipo y comparamos el pronóstico con su método actual. La recomendación debe mostrar qué datos la sostienen y qué cambió respecto al periodo anterior.
Después conectamos esa recomendación con las herramientas que ya utiliza el negocio. Los agentes de IA pueden preparar una solicitud, reunir soportes o avisar sobre una excepción; no deben aprobar compras fuera de los permisos y límites acordados. El caso de planeación de demanda ilustra este enfoque de implementación.
Un piloto acotado puede organizarse en semanas cuando los datos y accesos están listos. Eso no significa prometer resultados inmediatos: si hay inconsistencias de inventario o falta historia, primero hay que resolverlas. La entrega útil es un proceso que el equipo pueda revisar y usar, no solo un modelo funcionando.
Qué medir además del error del modelo
- Tiempo necesario para preparar y revisar la propuesta de reposición.
- Recomendaciones aceptadas, ajustadas o rechazadas, y motivo del cambio.
- Agotados, inventario envejecido y compras urgentes en el alcance del piloto.
- Diferencias entre fechas de entrega prometidas y reales.
- Errores de integración y solicitudes duplicadas.
- Cambios de comportamiento que indiquen que el modelo necesita revisión.
Una mejora del pronóstico no demuestra, por sí sola, una reducción de inventario o un aumento de ventas. Esos resultados también dependen de proveedores, políticas, disponibilidad y ejecución. Compáralos con una línea base y documenta los cambios ocurridos durante el piloto.
Preguntas frecuentes
¿Cuánta historia necesitamos?
No hay un número universal de meses. Depende de la frecuencia, la estacionalidad, la cantidad de observaciones y el comportamiento del producto. Debe haber historia suficiente para aprender y reservar periodos posteriores con los que evaluar; si no, conviene empezar con reglas y revisión humana.
¿Hay que reemplazar el ERP?
No necesariamente. El ERP puede seguir siendo la fuente de movimientos, inventario y compras. La implementación añade estimaciones y recomendaciones conectadas, sin crear otra versión de las existencias.
¿Machine learning siempre supera al método actual?
No. Hay series donde una referencia simple funciona bien. La decisión de usar un modelo debe basarse en una evaluación temporal y en su utilidad para el proceso, no en lo novedoso de la tecnología.
Fuentes
- Forecasting: Principles and Practice — métodos simples.
- Forecasting: Principles and Practice — validación temporal.
- Forecasting: Principles and Practice — precisión del pronóstico.
- Forecasting: Principles and Practice — intervalos de predicción.
- scikit-learn — pronósticos con variables históricas.
- AWS — manejo de valores faltantes y disponibilidad.
Exploremos tu caso
¿Tu equipo reúne ventas, existencias y pedidos en varias hojas antes de comprar? Agenda una demo con Seelai para revisar cómo conectar esa información y preparar recomendaciones de reposición que tu equipo pueda validar.