Métodos de pronóstico de demanda: cuantitativos, cualitativos y con machine learning

Las tres familias de métodos

Los métodos de pronóstico de demanda se agrupan en tres familias según de dónde sacan la información:

• Cualitativos: del juicio de personas. Útiles cuando no hay historia (lanzamientos, mercados nuevos) o hay información que los datos no contienen.
• Cuantitativos de series de tiempo: del propio historial de la serie. Suponen que el patrón pasado (nivel, tendencia, estacionalidad) continúa. Son la base de casi todo pronóstico operativo.
• Cuantitativos causales y de machine learning: del historial más otras variables (precio, promociones, clima, indicadores) y, en el caso del machine learning, de patrones aprendidos en muchas series a la vez.

Un proceso maduro usa las tres: la serie de tiempo como base para la mayoría de artículos, el machine learning donde aporta, y el juicio del negocio como ajuste registrado. Lo que sigue es un repaso de cada método con lo que hay que saber para usarlo: qué supone, dónde funciona y dónde falla.

Métodos cualitativos

• Estimación de la fuerza de ventas: cada vendedor estima su territorio. Barata y con información local; sesgada hacia arriba si hay cuota que cumplir o producto que asegurar.
• Opinión ejecutiva y método Delphi: un grupo de expertos converge en rondas anónimas. Para horizontes largos y decisiones estratégicas, no para el forecast mensual por artículo.
• Analogía histórica: un lanzamiento se pronostica con la curva de un producto similar. Es el método correcto para artículos sin historia, y lo que hacen los sistemas al asignar un "perfil" a los artículos nuevos.
• Investigación de mercado: encuestas e intención de compra. Costosa y útil en productos nuevos de alto impacto.

La regla práctica: el juicio se aplica como ajuste sobre un pronóstico estadístico, en el nivel donde existe la información, y se registra aparte para medir después si mejoró o empeoró el resultado.

Promedio móvil

El pronóstico es el promedio de los últimos n períodos. Es el método más usado en Excel y el más fácil de explicar. Supone que no hay tendencia ni estacionalidad, o que n es lo bastante corto para seguirlas con retraso.

Funciona como línea base y para series estables. Falla con tendencia (siempre va por detrás), con estacionalidad (la promedia) y con demanda intermitente (oscila con cada venta). Su mayor valor hoy es como método ingenuo de referencia: cualquier método serio debe ganarle.

Suavizado exponencial simple

El pronóstico es un promedio ponderado entre la última demanda real y el último pronóstico. El parámetro α (entre 0 y 1) fija cuánto peso se da a lo reciente: α alto reacciona rápido y es ruidoso; α bajo es estable y lento. Se elige por artículo minimizando el error histórico.

Es el caballo de batalla para series suaves sin tendencia ni estacionalidad marcadas, y la base de toda la familia que sigue. Falla con tendencia y estacionalidad (por eso existen Holt y Holt-Winters) y con demanda intermitente (salta tras cada venta y decae; por eso existe Croston).

Holt y Holt-Winters

Holt (suavizado doble) añade una segunda ecuación que estima la tendencia, con su propio parámetro β. Sirve para series que crecen o decrecen de forma sostenida; conviene amortiguar la tendencia (damped) para no extrapolar un crecimiento indefinido a doce meses.

Holt-Winters (suavizado triple) añade una tercera ecuación para la estacionalidad, con parámetro γ, en versión aditiva (la estacionalidad suma o resta una cantidad fija) o multiplicativa (la estacionalidad es un porcentaje del nivel, lo habitual en ventas). Necesita al menos dos ciclos estacionales completos de historia (24 meses para estacionalidad anual). Es lo que hace FORECAST.ETS de Excel.

La familia completa se conoce como ETS (error, tendencia, estacionalidad) y tiene una treintena de variantes según cómo se combinen los tres componentes. Un buen motor prueba varias por artículo.

ARIMA

ARIMA (autorregresivo integrado de media móvil) modela la serie como una combinación de sus propios valores pasados (parte AR), de los errores pasados (parte MA), tras diferenciarla para quitar tendencia (parte I). Su versión estacional, SARIMA, añade los mismos componentes con rezago estacional.

Es más flexible que ETS y a menudo empata o gana en series largas y regulares. Exige elegir órdenes (p, d, q) por artículo, lo que hacen los algoritmos auto-ARIMA, y es más pesado de calcular. Falla, como toda la familia, con demanda intermitente y con series cortas.

Croston y SBA

Para demanda intermitente (muchos períodos en cero), Croston separa el problema en dos: el tamaño de la demanda cuando ocurre y el intervalo entre demandas, suaviza cada uno por separado y pronostica su cociente: la tasa de demanda por período. SBA (Syntetos-Boylan) corrige el sesgo hacia arriba de Croston multiplicando por (1 − α/2), y TSB actualiza la probabilidad de demanda cada período para detectar obsolescencia.

Son los únicos métodos que funcionan razonablemente en un tercio de los catálogos de distribución y repuestos. Lo explicamos con ejemplos en demanda intermitente.

Regresión y variables causales

Cuando la demanda depende de algo que conoces de antemano (precio, inversión promocional, temperatura, número de puntos de venta), la regresión estima esa relación y pronostica a partir de los valores futuros de esas variables. Es la forma de incorporar promociones y precios de manera explícita, y la base de los modelos de elasticidad.

Su condición: hay que conocer las variables futuras. Si pronosticar la demanda exige pronosticar antes el clima, se ha cambiado un problema por otro. Funciona bien en el nivel de familia o marca y con datos de promociones limpios; es frágil a nivel de artículo con pocos eventos.

Machine learning

Los modelos de machine learning para demanda (gradient boosting como LightGBM o XGBoost, bosques aleatorios, redes neuronales en catálogos muy grandes) hacen dos cosas distintas de los métodos anteriores: aprenden de muchas series a la vez (un modelo global) y admiten cualquier número de variables (calendario, precio, promoción, atributos del artículo, rezagos de la propia serie).

Aportan cuando hay miles de artículos con patrones compartidos, variables externas informativas y datos suficientes para validar. Ganaron la competencia M5 de Walmart, con demanda intermitente a nivel de tienda y artículo. Fallan, o no aportan, con pocos artículos, series cortas o sin validación cuidadosa: un modelo flexible con poca información aprende ruido. Y son menos transparentes: explicar por qué el modelo dijo 340 unidades exige herramientas adicionales.

Lo sensato es incluirlos en el torneo junto con los métodos clásicos y dejar que el error decida por artículo. En catálogos típicos de distribución, el machine learning gana en una parte de las series, no en todas.

Cómo elegir el método por artículo

1. Clasifica cada serie por patrón (suave, errática, intermitente, irregular) y madurez. La clase acota qué métodos tiene sentido probar.
2. Esconde los últimos meses (seis, por ejemplo) y ajusta cada candidato con el resto.
3. Pronostica los meses escondidos con cada candidato y mide el error (WAPE o MASE, y sesgo) contra lo que realmente pasó.
4. Elige el ganador por serie, incluyendo siempre el método ingenuo como referencia: si nadie le gana, la serie no es pronosticable con esos datos y conviene agregarla.
5. Repite cada ciclo o al menos cada trimestre: el método ganador cambia cuando cambia la demanda.

Este proceso es el torneo de modelos. Hacerlo a mano en Excel para un catálogo entero es inviable; es lo que automatiza ForecastSolve con 23 candidatos por artículo, guardando las métricas de cada uno.

Resumen

Método	Supone	Funciona en	Falla en	Historia mínima
Promedio móvil	Nivel estable	Series estables; referencia ingenua	Tendencia, estacionalidad, intermitencia	3 a 6 meses
Suavizado simple	Nivel estable	Series suaves sin patrón	Tendencia, estacionalidad, intermitencia	6 a 12 meses
Holt	Tendencia	Crecimiento o declive sostenido	Estacionalidad, cambios bruscos	12 meses
Holt-Winters / ETS	Tendencia y estacionalidad	Series regulares estacionales	Intermitencia, series cortas	24 meses
ARIMA / SARIMA	Autocorrelación	Series largas y regulares	Intermitencia, series cortas	24 a 36 meses
Croston / SBA / TSB	Demanda intermitente	Repuestos, baja rotación	Demanda continua	12 a 24 meses
Regresión	Relación con variables conocidas	Promociones, precio, a nivel familia	Variables futuras desconocidas	Depende de los eventos
Machine learning	Patrones compartidos y variables	Catálogos grandes con datos externos	Pocos datos, sin validación	Muchas series o 36+ meses