Tienes un almacén con referencias que se agotan sin avisar y otras que llevan meses ocupando estantería. La hoja de cálculo con la media de ventas ya no explica los picos de demanda, las promociones ni los retrasos de proveedor. Cuando el catálogo crece, el stock mínimo se calcula por costumbre y el sobrestock aparece sin que nadie sepa qué pedido lo provocó. La IA promete afinar ese cálculo, pero solo si el modelo se alimenta de datos que describan tu negocio real.
Esta guía repasa qué variables conviene poner sobre la mesa, cómo se traduce el pronóstico en un stock mínimo operativo, qué señales avisan de roturas y de exceso de inventario, y cómo validar el modelo antes de fiarse de él. El objetivo no es delegar la compra en un algoritmo, sino usarlo para decidir con margen y con una revisión humana que siga teniendo sentido cuando la demanda se tuerce.
Variables que alimentan el pronóstico
El modelo aprende de tu histórico, así que la primera decisión es qué entra en la tabla. Ventas por referencia y día, precio aplicado, descuentos, devoluciones, promociones activas, rupturas anteriores y plazos reales de entrega del proveedor. Si falta la fecha de recepción del pedido, el sistema no distingue un retraso de una venta perdida y acabará pidiendo de más para cubrirse.
También importa la granularidad. Predecir a nivel de categoría es fácil y poco útil; predecir por referencia y semana exige más historial y deja series cortas. Con referencias nuevas o de temporada, el modelo no tiene de dónde aprender: ahí funciona mejor un grupo comparable de productos parecidos. Marca qué referencias son estables y cuáles se mueven por campañas antes de mezclarlas.
- Incluye devoluciones y ventas perdidas, no solo las ventas cerradas
- Guarda el plazo de entrega real de cada proveedor, no el prometido
- Separa referencias de temporada para no mezclar patrones distintos
- Documenta qué campañas estaban activas en cada semana del histórico
Empieza con una familia de productos y tres meses de prueba: si el pronóstico no mejora la media móvil, el problema está en los datos, no en el algoritmo.
De la previsión al stock mínimo
El pronóstico no es una orden de compra. Para llegar al stock mínimo hay que sumar la demanda prevista durante el plazo de reposición, añadir un colchón para la variabilidad y restar lo que ya tienes en almacén y lo que está en tránsito. Cada uno de esos componentes tiene su propia incertidumbre y conviene revisarlos por separado cuando aparecen roturas.
El sobrestock también cuesta: capital inmovilizado, espacio, mermas y riesgo de obsolescencia. Un modelo bien ajustado suele bajar el nivel medio de inventario sin aumentar las roturas, porque concentra el colchón donde la demanda es más volátil. Si tu único indicador es el porcentaje de servicio, el sistema tenderá a pedir de más para cumplirlo y el exceso no aparecerá en ningún informe.
- Fija un objetivo de servicio por familia y otro de rotación de inventario
- Revisa cada mes las referencias que superan el colchón previsto
- Anota las roturas con fecha y causa para no confundirlas con mala suerte
Mide el coste del inventario parado junto al de la rotura: sin esa comparación, cualquier ajuste del modelo se decide a ciegas.
Validar el modelo antes de comprar
Antes de dejar que el sistema genere pedidos, prueba el modelo contra el pasado. Entrena con dos años y simula las últimas doce semanas: compara la previsión con lo que vendiste, mide el error por referencia y comprueba cuántas roturas y cuánto sobrestock habría generado. Un error medio bajo puede esconder fallos grandes en las referencias que más facturan.
La validación no termina en la simulación. Durante los primeros meses revisa las sugerencias de compra antes de aprobarlas, sobre todo en referencias con poco histórico o con márgenes ajustados. Anota por qué corriges una propuesta: esos motivos son la lista de variables que faltan. Y repite la prueba cuando cambies de proveedor, de catálogo o de canal de venta, porque el modelo anterior deja de describir el negocio.
- Simula el modelo con datos que no haya visto durante el entrenamiento
- Revisa el error en las referencias que concentran más facturación
- Fija una fecha de revisión trimestral del modelo y de sus variables
Deja por escrito quién aprueba la compra sugerida y con qué límite de importe: la confianza sin control es el fallo más caro.
Preguntas frecuentes
¿Necesito muchos años de histórico?
Con un año de datos bien etiquetados ya puedes empezar en referencias estables, pero dos años permiten capturar la estacionalidad completa y comparar campañas. Si vendes productos de temporada o lanzamientos, el histórico corto pesa menos que agrupar referencias parecidas. Con series de pocas semanas, el modelo no distingue tendencia de ruido y conviene esperar.
¿Puede sustituir al criterio de compras?
No conviene. El modelo estima demanda con los patrones que ha visto y falla ante lo que no aparece en el histórico, como un cliente nuevo muy grande o un cambio de proveedor. Su valor está en ordenar la información y detectar desviaciones antes. La decisión de compra sigue necesitando a alguien que conozca promociones, negociaciones y plazos reales.
¿Qué datos no pueden faltar?
Ventas diarias por referencia, precio unitario, devoluciones y fechas de pedido y recepción. Sin las fechas de recepción no puedes calcular el plazo real de reposición ni separar una rotura de un retraso. Si hay promociones, añade el calendario y el tipo de descuento. Y conviene registrar las roturas como ventas perdidas para que el modelo aprenda la demanda real.