Qué es el pronóstico de demanda y cómo hacerlo paso a paso

Qué es el pronóstico de demanda

El pronóstico de demanda es la estimación de cuánto van a comprar tus clientes de cada producto en cada período futuro, hecha a partir del historial de ventas y de lo que el negocio sabe que va a pasar. Es un número por artículo y mes (o semana), con un horizonte de varios meses hacia adelante, y se vuelve a calcular cada ciclo.

Tres precisiones que evitan malentendidos:

• Es demanda, no ventas. Si el mes pasado te faltó producto, vendiste menos de lo que te pedían. La demanda incluye lo que no pudiste atender.
• Es una estimación con error, no una promesa. Un buen pronóstico no es el que acierta, es el que se equivoca poco, de forma conocida y sin sesgo.
• Es la entrada de la planeación, no el resultado. Con el pronóstico se decide cuánto comprar, producir y almacenar; sin él, esas decisiones se toman a ojo.

Para qué sirve (y qué pasa sin él)

El pronóstico alimenta cuatro decisiones: compras (cuánto pedir y cuándo), producción (qué fabricar y en qué secuencia), inventario (cuánto stock de seguridad mantener por artículo) y finanzas (presupuesto de ventas y capital de trabajo). En un proceso de S&OP es el punto de partida del ciclo mensual.

Sin un pronóstico formal, cada área hace el suyo: compras repite el pedido del mes pasado, ventas promete lo que quiere vender y finanzas presupuesta lo que necesita. El resultado es conocido: faltantes en lo que rota, sobrestock en lo que no, y reuniones donde se discute qué número es el correcto.

Paso 1: los datos

Un pronóstico vale lo que valen sus datos. Lo mínimo:

• Historial de ventas por artículo, cliente (o canal) y mes, idealmente 24 a 36 meses. En unidades, no solo en dinero: el dinero mezcla precio y cantidad.
• Maestro de artículos con las jerarquías que usas: familia, categoría, marca, y las relaciones de sustitución (qué artículo reemplazó a cuál).
• Períodos con faltante, para corregir las ventas de esos meses y no enseñarle al modelo que la demanda cayó.
• Eventos conocidos: promociones pasadas, cierres, desabastos, meses anómalos. Se marcan para que el modelo no los tome como estacionalidad.

Antes de modelar, hay que limpiar: artículos duplicados, unidades inconsistentes, devoluciones registradas como ventas negativas, códigos que cambiaron. Es el paso que nadie quiere hacer y el que más precisión aporta.

Paso 2: el nivel y el horizonte

Nivel es la combinación de dimensiones en la que pronosticas: artículo por cliente, artículo total, familia por región. Cuanto más fino el nivel, más ruidosa la serie y peor el pronóstico por serie; cuanto más agregado, más preciso pero menos útil para decidir por artículo.

La práctica habitual es pronosticar en el nivel donde la serie es estable y desglosar hacia abajo con el peso histórico de cada artículo y cliente. Un análisis de agregación prueba las combinaciones y dice cuál da menos error tras desglosar; no hay que adivinarlo.

Horizonte es cuántos períodos hacia adelante necesitas. Lo fija el tiempo de entrega más largo de tu cadena más el ciclo de planeación: si el proveedor tarda tres meses y planeas mensualmente, necesitas al menos cuatro o cinco meses de horizonte con precisión razonable. Más allá, el pronóstico sirve para presupuesto, no para compras.

Paso 3: clasificar la demanda

No todos los artículos se pronostican igual. Antes de elegir método, cada serie se clasifica por su patrón:

Patrón	Cómo se ve	Qué método le va
Suave	Vende todos los meses, cantidades parecidas, quizá con estacionalidad	Suavizado exponencial, Holt-Winters, ARIMA
Errática	Vende todos los meses, cantidades muy variables	Suavizado simple, agregación a familia, promedios robustos
Intermitente	Muchos meses en cero, cantidades parecidas cuando vende	Croston, SBA
Irregular (lumpy)	Muchos meses en cero y cantidades muy variables	SBA, agregación, política de inventario por servicio

La clasificación se cruza además con la madurez: un artículo en lanzamiento no tiene historia y se pronostica con perfiles de artículos similares; uno en declive necesita un método que se dé cuenta de que se está muriendo. La demanda intermitente tiene su propio artículo: por qué falla el forecast y qué usar.

Paso 4: elegir el método por artículo

Aquí está el cambio de mentalidad más importante: no se elige un método para la empresa, se elige uno por artículo. La forma de hacerlo se llama torneo de modelos o selección por validación:

1. Se separan los últimos meses del historial (por ejemplo, seis) y se esconden.
2. Cada método candidato se ajusta con el resto del historial y pronostica esos seis meses.
3. Se compara cada pronóstico con lo que realmente pasó y se calcula el error.
4. Gana, para ese artículo, el método con menor error. Se vuelve a ajustar con toda la historia y se usa para pronosticar el futuro.

Los candidatos habituales son el promedio móvil, el suavizado exponencial en sus variantes, Holt-Winters, ARIMA, Croston y SBA para lo intermitente, y modelos de machine learning cuando hay muchos artículos o variables externas. Repasamos cada uno en métodos de pronóstico de demanda. Hacer el torneo a mano para 500 artículos es inviable; es lo que automatizan las herramientas.

Paso 5: medir el error

El pronóstico se mide siempre, cada ciclo, contra la demanda real, con dos indicadores como mínimo:

• WAPE (error porcentual absoluto ponderado): suma de los errores absolutos dividida por la suma de la demanda. Dice qué tan lejos quedas, ponderando por volumen.
• Sesgo: suma de (pronóstico menos real) dividida por la suma de la demanda. Dice si te equivocas siempre hacia el mismo lado. Un sesgo positivo persistente es inventario de más; uno negativo, faltantes.

Se miden por artículo, por familia y en total, y con el lag que usa quien consume el plan (el pronóstico hecho hace un mes, hace tres). Las fórmulas y sus trampas están en MAPE, MAD y bias. Y algo que parece obvio y casi nadie hace: comparar contra un método ingenuo (el promedio de los últimos tres meses). Si tu pronóstico no le gana, el esfuerzo no está aportando.

Paso 6: ajustar con el negocio y cerrar el ciclo

El modelo no sabe que el mes que viene hay una promoción, que entró un cliente nuevo o que un competidor cerró. Ese conocimiento lo aportan ventas y marketing en un paso de ajuste, con dos reglas: se ajusta en el nivel donde existe la información (la promoción de una familia, no de cada artículo) y el ajuste se registra aparte del pronóstico estadístico, con autor y motivo.

Así, al cierre del ciclo, se puede medir si el ajuste mejoró o empeoró el resultado. En muchos equipos descubrir que los ajustes empeoran el forecast es la primera gran mejora. Después, el plan aprobado se congela: es la foto de ese ciclo, y el mes siguiente se compara contra el real y se vuelve a empezar.

Ejemplo completo

Un distribuidor de productos de ferretería con 1 200 referencias y 40 clientes mayoristas quiere pronosticar los próximos seis meses.

1. Datos: 36 meses de ventas por artículo y cliente exportados del ERP. Se corrigen 14 meses con faltantes en 60 artículos (se sustituyen las ventas por la demanda estimada) y se marcan dos meses de cierre por inventario físico.
2. Nivel: el análisis de agregación muestra que artículo por cliente es demasiado ruidoso (la mayoría de las series son intermitentes) y que artículo total, desglosado a cliente con el peso de los últimos 12 meses, da un 30 % menos de error tras el desglose.
3. Clasificación: 640 artículos suaves, 180 erráticos, 310 intermitentes, 70 irregulares. Casi un tercio del catálogo necesita métodos intermitentes.
4. Torneo: con seis meses escondidos, los suaves los ganan Holt-Winters y suavizado exponencial; en los intermitentes gana SBA en la mayoría; los irregulares se pronostican por familia y se desglosan.
5. Medición: WAPE de 24 % a nivel de artículo y 11 % a nivel de familia, contra 38 % y 19 % del método anterior (promedio de tres meses). Sesgo total de +2 %, sin tendencia.
6. Ajuste y cierre: ventas sube un 15 % la familia de herramientas eléctricas por una promoción de octubre; el ajuste queda registrado. El plan se aprueba y se congela; en noviembre se medirá si la promoción vendió lo previsto.

Las cifras del ejemplo son ilustrativas, pero las proporciones (un tercio de intermitentes, la mejora al elegir el nivel, la caída de error al pasar de un promedio a un torneo) son las que vemos con frecuencia en catálogos de distribución.

Errores comunes

• Pronosticar en dinero. Mezcla precio y cantidad; un aumento de precio parece demanda.
• Usar ventas sin corregir faltantes. El modelo aprende que la demanda bajó cuando lo que faltó fue producto.
• Un solo método para todo. El promedio móvil que funciona para el artículo estrella destroza al intermitente.
• No esconder datos para validar. Un modelo que "ajusta bien" al pasado completo puede pronosticar fatal; solo la validación con datos escondidos lo revela.
• Ajustes que sobrescriben el modelo. Sin registro aparte, no se sabe quién acertó.
• No medir, o medir con MAPE promedio. El error se calcula cada ciclo con WAPE y sesgo, contra un método ingenuo, y se publica.
• Actualizar sin cerrar ciclos. Si el pronóstico de marzo se pierde al recalcular en abril, nunca sabrás cuánto te equivocaste.