Llegas a diciembre con el almacén lleno de algo que se vendía en verano y sin el producto que todos piden. La culpa no es del proveedor ni del comercial: es de una previsión hecha de memoria y de una media de los últimos tres meses. Prever demanda con IA no elimina la incertidumbre, pero permite trabajar con rangos, con estacionalidad y con una idea clara de cuánto te puedes equivocar.
Vamos a ver qué datos necesitas antes de probar ninguna herramienta, cómo tratar la estacionalidad y los picos raros, cómo elegir un horizonte útil y cómo leer el error para decidir cuánto comprar. También cuándo un pronóstico razonable se convierte en una mala decisión: no es lo mismo anticipar ventas que comprometer tesorería en un pedido que tarda meses en venderse.
Datos antes que algoritmo
Un modelo aprende de tu histórico, incluidas tus malas prácticas. Si has tenido roturas de stock, las ventas de esos días no reflejan la demanda real, y el sistema aprenderá que vendes menos. Antes de entrenar nada, revisa dos o tres años de ventas por producto, separa las devoluciones, marca los periodos sin existencias y documenta promociones, cambios de precio y cierres. La calidad del pronóstico empieza aquí.
Pide el histórico en formato manejable: fecha, producto, cantidad, precio y cualquier evento que explique un pico. Si tu catálogo es amplio, agrupa referencias parecidas para que el modelo tenga suficiente señal. Y desconfía de los datos inventados para rellenar huecos: es mejor reconocer que falta información de un periodo que rellenarlo con una media que no existió en la realidad.
- Marca los días sin stock: no son ventas reales
- Anota promociones, cambios de precio y cierres de tienda
- Agrupa referencias parecidas si el catálogo es muy amplio
Antes de pagar ninguna herramienta, revisa si puedes explicar los tres picos más raros de tu histórico: si no sabes por qué pasaron, el modelo tampoco.
Estacionalidad y horizonte
La estacionalidad no es un capricho: es un patrón que se repite cada año y que el modelo puede aprender si le das suficiente histórico. Indica los periodos de campaña, las vacaciones, los días de cierre y los festivos locales. Si tu negocio depende de un evento puntual, trátalo como excepción y no como tendencia. Un pico que se repite dos años puede ser estacional; uno que ocurrió una vez, probablemente no.
Elige un horizonte coherente con tu plazo de aprovisionamiento. Pronosticar a doce meses con datos mensuales da una falsa sensación de control; a cuatro semanas suele ser más útil para comprar y reponer. Pide el pronóstico por rangos y no como un número único, y revisa con qué frecuencia conviene actualizarlo. Cuanto más largo el horizonte, más ancho debe ser el margen y más prudente la compra.
- Trata los festivos y las campañas como eventos propios
- Ajusta el horizonte al plazo real de tus proveedores
- Pide rangos y no un número único de ventas
Leer el error y decidir compra
Todo pronóstico se equivoca, y saber cuánto importa más que acertar el número exacto. Pide una medida de error por producto y compárala con lo que ya hacías a mano: si el modelo no mejora tu método, no hay motivo para cambiar. Revisa los productos donde falla más y busca la causa. A veces el problema es un dato sucio; otras, un cambio de surtido que el histórico no recoge.
El pronóstico no compra: la decisión incorpora margen, plazo de entrega, coste de almacenaje y riesgo de quedarse sin producto. Separa ambos pasos. Define por producto cuánto cuesta una rotura y cuánto cuesta un exceso, y usa el rango del pronóstico para fijar el pedido. Un sistema que acierta la media pero ignora la volatilidad puede dejarte sin stock en el peor mes del año.
- Compara el error del modelo con tu método manual
- Separa la previsión de la decisión final de compra
- Valora por producto el coste de rotura y de exceso
Fija por escrito cuánto cuesta una rotura y cuánto un mes de almacén: ese número, no el pronóstico, decide cuánto pedir de más en cada referencia.
Preguntas frecuentes
¿Cuántos datos necesito para empezar?
Con carácter general, necesitas al menos dos ciclos completos de tu estacionalidad, y más si el negocio tiene muchas referencias. Si vendes por temporadas, dos temporadas dan una señal mínima; tres permiten distinguir mejor el patrón del ruido. Con poco histórico, empieza por previsiones sencillas y por productos de alta rotación, y amplía cuando tengas datos más limpios.
¿Funciona la IA con negocios pequeños?
Puede funcionar si el catálogo no es enorme y el histórico es razonable. En negocios pequeños, a veces una hoja de cálculo con medias móviles y calendario de campañas supera a un modelo complejo, porque hay pocas referencias y mucha variación. Prueba una herramienta sencilla, mide el error durante unos meses y decide si el cambio compensa el tiempo y el coste.
¿Qué hago con los productos nuevos?
Para un producto sin histórico no hay modelo posible. Usa referencias parecidas del mismo segmento, el tamaño de la campaña de lanzamiento y la capacidad de reacción de tu proveedor. Empieza con pedidos pequeños y reposiciones frecuentes, y registra desde el primer día la demanda real y las roturas. En dos o tres meses tendrás datos suficientes para ajustar el pronóstico.