KPIs de planeación de demanda: cuáles medir y cómo montar el dashboard

Por qué medir (y qué no medir)

Un equipo de planeación de demanda promete tres cosas: pronosticar razonablemente bien, tener el inventario correcto y atender al cliente. Los KPIs existen para saber si esas tres promesas se cumplen y, cuando no, dónde falla la cadena: ¿el forecast se equivocó?, ¿acertó pero compras no lo siguió?, ¿el proveedor entregó tarde?

La tentación es medir todo. El resultado es un tablero con cuarenta indicadores que nadie lee. La regla que usamos: cada KPI debe responder a una pregunta que alguien hace para tomar una decisión. Si no hay pregunta, no hay KPI. A continuación, los que sobreviven a esa regla, agrupados en cuatro familias.

KPIs de precisión del forecast

Miden qué tan lejos quedó el pronóstico de la venta real. Se calculan siempre con un lag definido (por ejemplo, el forecast hecho con un mes de anticipación) y sobre la demanda, no sobre las ventas si hubo faltantes.

MAPE (Mean Absolute Percentage Error)

El error porcentual promedio por período o por artículo. Es el más conocido y el más problemático: se indefine cuando el real es cero, castiga el mismo error absoluto mucho más en artículos pequeños y por eso el promedio de MAPEs de un catálogo no dice nada útil. Úsalo por artículo, con demanda continua, y para conversar.

WAPE (Weighted Absolute Percentage Error)

La suma de los errores absolutos dividida por la suma de la demanda. Pondera cada artículo por su volumen, no se indefine con ceros y se agrega bien de artículo a familia y a total. Es el indicador de precisión que recomendamos para el tablero. Algunas empresas lo publican como precisión (100 % menos WAPE).

Sesgo (bias)

El error con signo. Un WAPE de 20 % con sesgo cero significa que se acierta en promedio pero con dispersión; un WAPE de 20 % con sesgo de +18 % significa que el forecast va sistemáticamente arriba, y eso es inventario. El sesgo se corrige; la dispersión, no siempre. Convención: positivo cuando el forecast supera al real (sobrepronóstico); hay que fijarla y documentarla porque cada software la define distinto.

Señal de rastreo (tracking signal)

La suma acumulada de errores dividida por el error absoluto medio (MAD). Sirve de alarma: cuando sale del rango ±4, el modelo dejó de funcionar para ese artículo y hay que revisarlo. Es útil en un catálogo grande donde nadie puede mirar cada serie.

Valor agregado del forecast (FVA)

Compara el error de cada paso del proceso (modelo estadístico, ajuste del planificador, ajuste de ventas) contra un método ingenuo, por ejemplo el promedio de los últimos tres meses. Responde a la pregunta incómoda: ¿los ajustes manuales mejoran o empeoran el forecast? En muchos equipos, los ajustes de ventas empeoran. Sin este KPI no se sabe.

KPIs de inventario

La cobertura debe calcularse con la demanda prevista, no con la pasada: un artículo con 60 días de cobertura entrando en temporada alta está corto. Y siempre por artículo y familia, nunca solo el total: el promedio esconde faltantes en lo que rota y exceso en lo que no. Cómo dimensionar el colchón lo explicamos en el artículo sobre stock de seguridad.

KPIs de servicio

• Fill rate: unidades entregadas ÷ unidades pedidas. Mide qué parte de la demanda se atendió. Se calcula por línea de pedido, por pedido o por unidad; hay que fijar cuál.
• OTIF (On Time In Full): pedidos entregados completos y en fecha ÷ pedidos totales. Es más exigente que el fill rate porque un pedido con una línea faltante o un día de retraso cuenta como fallido.
• Pedidos pendientes (backorders): unidades o valor comprometido sin inventario para atenderlo. Es la foto del faltante en este momento.

Los KPIs de servicio cierran el círculo con los de inventario: si el fill rate baja mientras la cobertura total sube, el problema es la mezcla, no la cantidad.

KPIs del proceso S&OP

• Adherencia al plan: ejecutado ÷ aprobado, para compras y producción. Si el plan se aprueba y luego compras pide otra cosa, el S&OP es decorativo. Este KPI lo hace visible.
• Puntualidad del ciclo: pasos completados en la fecha del calendario. Un proceso que se atrasa cada mes está muriendo.
• Estabilidad del plan: cuánto cambia el plan de un ciclo al siguiente para los mismos meses. Un plan que cambia 30 % cada mes no sirve para comprar ni producir.

Niveles, lag y frecuencia

Un mismo KPI da resultados muy distintos según cómo se corte. Tres decisiones que hay que tomar antes de calcular nada:

1. Nivel de agregación. El error a nivel de familia siempre es menor que a nivel de artículo, y a nivel de país menor que por cliente. Define el nivel en el que se toman las decisiones (normalmente familia por mes para la dirección, artículo para el planificador) y mide ahí.
2. Lag. El forecast hecho hace un mes es más preciso que el hecho hace tres. Mide con el lag que usa quien consume el plan: si compras trabaja con tres meses de anticipación, el KPI relevante es el error con lag 3.
3. Frecuencia. Los KPIs de forecast se calculan una vez por ciclo (mensual). Los de inventario y servicio, semanal o diario, porque alimentan la ejecución.

Y una cuarta: guardar cada versión del forecast. Sin la foto de cada ciclo no hay lag ni estabilidad del plan que medir. Es lo primero que revisamos cuando un equipo dice que no puede calcular su precisión: casi siempre el forecast del mes pasado se sobrescribió.

Cómo montar el dashboard

Un dashboard de inventarios y planeación se construye en este orden, sea en Power BI o en Excel:

1. Preguntas por audiencia. La dirección quiere saber si el plan se cumple y cuánto capital hay en inventario. El planificador quiere saber qué artículos tienen sesgo y cuáles están en riesgo de faltante. Compras quiere cobertura por proveedor. Tres vistas, no un tablero para todos.
2. Datos mínimos. Ventas (y demanda corregida por faltantes), forecast por ciclo con su fecha de generación, inventario disponible y en tránsito, pedidos de clientes, órdenes de compra y el maestro con las jerarquías. Todo con la misma clave de artículo y el mismo calendario.
3. Definiciones escritas. Una tabla con cada KPI, su fórmula, el nivel, el lag y el dueño. Va dentro del tablero. Evita la discusión mensual sobre qué número es el correcto.
4. Modelo de datos. Tablas de hechos (ventas, forecast, inventario) y dimensiones (artículo, cliente, calendario). Las medidas se calculan sobre el modelo, no en columnas precalculadas, para que se agreguen correctamente a cualquier nivel.
5. Visuales que respondan preguntas. Un indicador con su tendencia y su objetivo; una tabla de excepciones (artículos con sesgo mayor a X, cobertura menor a Y); navegación de familia a artículo. Menos gráficos, más listas de acción.
6. Actualización automática. Conexión al ERP o extractos programados. Un tablero que se arma a mano el lunes muere el primer lunes ocupado.

Si prefieres que lo construyamos contigo, es exactamente el servicio de dashboards y reportes de DataSolve.

Errores comunes

• Promediar MAPEs. El promedio de errores porcentuales por artículo no es el error del catálogo. Usa WAPE o suma errores absolutos y demanda antes de dividir.
• Medir contra ventas cuando hubo faltantes. El forecast parece sobrepronosticar cuando en realidad la demanda estaba ahí y no había producto.
• Sin lag definido. Comparar el forecast "más reciente" contra el real infla la precisión, porque ese forecast se hizo con casi toda la información.
• Cobertura con demanda pasada. Sesga el indicador justo cuando más importa: al entrar o salir de temporada.
• KPIs sin objetivo ni dueño. Un número sin meta no genera acción; un KPI sin dueño no mejora nunca.
• Cambiar las definiciones sin avisar. Rompe la serie histórica y la confianza. Si hay que cambiar una fórmula, se documenta y se recalcula hacia atrás.