Forecast con machine learning: el modelo correcto para cada artículo, elegido por su error
No existe un método de pronóstico de demanda que funcione para todo el catálogo. Por eso corremos un torneo de modelos estadísticos y de machine learning por artículo, medimos el error de cada uno en datos que no vio y nos quedamos con el ganador. Cada ciclo, de forma automática.
- Modelos estadísticos y de ML compitiendo por artículo
- Ganador por error medido, no por opinión
- Demanda intermitente tratada aparte
- Corrida por ciclo, comparable mes a mes
Métodos de pronóstico de demanda: cuál sirve para qué
Los métodos de pronóstico de demanda se agrupan en tres familias, y un catálogo real necesita las tres:
| Familia | Ejemplos | Dónde funciona | Dónde falla |
|---|---|---|---|
| Series de tiempo clásicas | Promedio móvil, suavizado exponencial (Holt, Holt-Winters), ARIMA | Demanda regular con tendencia y estacionalidad clara | Muchos ceros, cambios bruscos, lanzamientos |
| Demanda intermitente | Croston, SBA, TSB | Repuestos, baja rotación, artículos con meses en cero | Demanda continua (sobre-suavizan) |
| Machine learning | Gradient boosting, bosques aleatorios, modelos globales | Catálogos grandes con variables externas (precio, promoción, clima), patrones compartidos entre artículos | Series cortas, pocos artículos, sin validación cuidadosa |
Por eso el enfoque no es "elegir el mejor método", sino dejar que compitan por artículo y medir. En un catálogo típico de distribución, los modelos clásicos ganan en la mayoría de series suaves, los intermitentes necesitan Croston o SBA, y el machine learning aporta en las series con variables externas o con patrones compartidos.
Cómo lo hacemos
Datos y limpieza
Historial de ventas por artículo y cliente, corregido por faltantes (la demanda no atendida no es demanda cero), con los meses anómalos marcados y las sustituciones empalmadas.
Clasificación
Cada serie se clasifica por patrón (suave, errática, intermitente, irregular) y madurez (lanzamiento, madura, en declive). La clase decide qué modelos compiten.
Nivel de agregación
Probamos en qué nivel conviene pronosticar (artículo, familia, cliente, región) y cómo desglosar. A menudo el mejor forecast por artículo se obtiene pronosticando la familia y repartiendo.
Torneo de modelos
Hasta 23 modelos por serie, validados sobre meses que el modelo no vio. Se guardan las métricas de error de cada modelo y cada serie, y gana el de menor error para esa serie en particular.
Entrega y ciclo
El forecast calculado se entrega separado del ajustado, con trazabilidad. Cada ciclo queda congelado para comparar contra el real y medir precisión y sesgo.
Tres formas de contratarlo
Dentro de Excel
Con ForecastSolve: el motor corre en la computadora del planificador, sin nube. Para un planificador y catálogos de cientos a un par de miles de artículos.
Para el equipo
Con DemandSolve: el mismo motor en una solución multiusuario para el equipo, con reglas de negocio, aprobaciones e integración opcional al ERP.
Como servicio
Nos envías el extracto cada ciclo y te devolvemos el forecast por artículo con sus métricas, en el formato que tu ERP o tu Excel consumen. Útil para empezar sin instalar nada.
Cómo sabrás que funciona
Antes de confiar en el forecast, lo probamos sobre tu propio pasado: simulamos qué habríamos pronosticado hace seis o doce meses y lo comparamos con lo que vendiste. Así ves el error real, por artículo y por familia, y lo comparas con el de tu método actual y con un método ingenuo (el promedio de los últimos meses).
Si no le ganamos a tu método actual en tu catálogo, te lo decimos. Los indicadores que usamos y cómo se leen están en el artículo sobre KPIs de planeación de demanda.
Preguntas frecuentes
¿El machine learning siempre pronostica mejor?
No. En series cortas o con poca información, los modelos clásicos suelen ganar y son más estables. El machine learning aporta cuando hay variables externas (precio, promociones, clima) o muchos artículos con patrones compartidos. Por eso compiten por artículo y decide el error medido, no la moda.
¿Cuánta historia necesito?
Idealmente 24 meses o más para capturar estacionalidad; funciona con menos, con modelos más simples. Los artículos nuevos se pronostican con perfiles de artículos similares hasta que tienen historia propia.
¿Qué pasa con los artículos que casi no venden?
Se clasifican como intermitentes y usan métodos diseñados para ellos (Croston, SBA, TSB), que pronostican la tasa de demanda en lugar de la venta del mes siguiente. Lo explicamos en el artículo sobre demanda intermitente.
¿Puedo ajustar el forecast a mano?
Sí, y debes hacerlo cuando sabes algo que los datos no saben. El forecast calculado y el ajustado se guardan por separado, para que al cierre del ciclo se mida si el ajuste mejoró o empeoró el resultado.
¿Se integra con mi ERP?
Como servicio o con DemandSolve, sí: leemos el extracto y devolvemos el forecast en el formato que consume tu ERP. Con ForecastSolve la carga es por CSV o desde la hoja.
¿Quieres ver cuánto error tendría en tu catálogo?
Envíanos un extracto de ventas y te devolvemos una prueba sobre tus meses pasados, con el error por familia comparado con tu método actual.
Probar con mis datos →