La previsión de inventario para quien no es científico de datos suena más difícil de lo que es. La mayoría de los equipos no necesitan un modelo de caja negra. Necesitan un historial de ventas limpio, un método repetible y una forma de detectar cuándo los datos mienten. Si un artículo se quedó sin stock el viernes pasado, la hoja de cálculo no carece de matemáticas: carece de contexto.
Eso es una buena noticia, porque los métodos simples suelen ser más sólidos de lo que la gente espera. En la revisión de Green y Armstrong en el Journal of Business Research, los autores encontraron 97 comparaciones en 32 artículos y ningún equilibrio de evidencia de que la complejidad extra mejore la precisión de la previsión. La previsión sigue siendo difícil, pero la primera victoria suele venir de la disciplina, no del software sofisticado.
Una previsión útil no es la que tiene más pestañas. Es la que un comprador puede explicar, cuestionar y usar antes del próximo plazo de pedido.
Qué hace realmente una previsión de inventario útil
Una previsión es una estimación de la demanda futura en un periodo definido. Para el inventario, ese periodo debe coincidir con su ritmo de compra: plazo del proveedor más el tiempo hasta la siguiente revisión. Si pide cada lunes y el proveedor tarda 21 días, le importan los próximos 28 días, no un promedio anual teórico.
Una previsión le da aviso suficiente para volver a pedir antes de que sus artículos A sufran roturas evitables.
Evita que los productos de baja rotación absorban capital circulante solo porque alguien pidió un poco de más para sentirse seguro.
Ventas, compras y operaciones pueden discutir un número en lugar de defender tres corazonadas distintas.
Las previsiones no son promesas. Son puntos de partida. Aún debe sumar problemas de proveedor, eventos comerciales y criterio de negocio. El objetivo no es la perfección. El objetivo es menos sorpresas.
Empiece con métodos simples y añada complejidad solo cuando se la gane
El manual del NIST sobre suavizado describe el promedio como la forma más sencilla de suavizar datos y reducir la variación aleatoria. Ahí es donde deberían empezar la mayoría de los equipos de inventario. Si su historial es razonablemente estable, las medias móviles y los métodos de suavizado le darán una base operativa con rapidez.
Método 1: media móvil para demanda estable
Una media móvil toma los últimos periodos comparables y los promedia. Si prevé semanalmente, una media móvil de 4 semanas suele bastar para empezar. Ejemplo: si las últimas 4 semanas vendieron 92, 104, 96 y 108 unidades, la previsión base de la próxima semana es (92 + 104 + 96 + 108) / 4 = 100 unidades.
Previsión de la próxima semana = (semana -1 + semana -2 + semana -3 + semana -4) / 4. Use periodos comparables: semanas con semanas, meses con meses.
Método 2: suavizado exponencial cuando importa más el historial reciente
Si las ventas recientes importan más que el historial antiguo, pase a un suavizado exponencial simple. En Forecasting: Principles and Practice, Hyndman y Athanasopoulos lo presentan como un promedio ponderado del último dato real y de la previsión anterior. En lenguaje claro: ayer importa más que el trimestre pasado, pero el trimestre pasado no se ignora. Eso hace útil el suavizado cuando la demanda va a la deriva pero no es fuertemente estacional.
Método 3: añada un factor estacional cuando el calendario sí importa
Si la demanda sube y baja con un patrón de calendario que se repite (regalos en diciembre, fines de semana de verano, vuelta al cole, pedidos de fin de mes), separe el efecto estacional del nivel base. En Forecasting: Principles and Practice, el movimiento práctico es prever la serie ajustada por estacionalidad y luego volver a añadir el patrón estacional. Es la descripción técnica de una idea sencilla: este diciembre debería parecerse más al diciembre pasado que a mayo pasado.
La estacionalidad merece el esfuerzo. En la misma revisión de Green y Armstrong, el ajuste estacional redujo el MAPE del 23,0 al 17,7 por ciento en 68 series mensuales de la M-Competition original. Es un buen recordatorio de que una estructura de calendario simple puede ganar a mucha matemática extra.
Use una media móvil de 4 a 8 periodos cuando el artículo venda con regularidad y el nivel no se mueva mucho.
Use suavizado exponencial simple cuando la demanda se mueva poco a poco y los periodos recientes merezcan más peso.
Use una previsión base más factores estacionales cuando el mismo impulso de calendario se repita lo bastante como para fiarse.
Limpie el historial antes de fiarse de las matemáticas
El método de previsión importa, pero la calidad de las entradas importa más. Devoluciones, pedidos puntuales de proyectos, entregas incompletas del proveedor y picos promocionales pueden distorsionar la base. Si mete ruido en un modelo, solo automatiza un mal criterio.
Las roturas de stock son la trampa más grande. En investigación sobre previsión de la demanda con políticas de stock por ventas perdidas, los autores señalan que, si hay stock suficiente, las ventas son una estimación insesgada de la demanda, pero ante roturas las ventas subestiman la demanda y empujan la previsión a la baja. Eso crea la espiral exacta que los operadores odian: sub-previsión, pedido insuficiente, rotura, repetición.
Cuando la estantería está vacía, las ventas dejan de medir la demanda y empiezan a medir la disponibilidad.
Un ejemplo sencillo de ajuste por rotura
Suponga que un artículo vendió 210 unidades en un mes de 30 días, pero solo estuvo en stock 21 días. La tasa diaria ingenua es 7 unidades. La tasa ajustada por rotura es 10 unidades porque 210 / 21 = 10. Para la planificación de reposición, el segundo número se acerca mucho más a la realidad. El primero incorpora la rotura en la previsión del mes siguiente.
Reglas de historial limpio
- Marque periodos de rotura:Registre días o semanas con disponibilidad cero para excluirlos o ajustarlos, no para promediarlos.
- Separe promos de la base:Una semana de liquidación o un pico de marketing debe ir en una columna de eventos, no inflar para siempre la previsión base.
- Quite pedidos puntuales:Compras grandes de proyecto, llenados de lanzamiento y transferencias internas son eventos de planificación, no demanda ordinaria.
- Use la verdad del inventario, no solo las ventas:Si la precisión de los registros es débil, corrija primero los conteos. Los registros de stock sucios distorsionan historial y compras. Vea el costo real de los niveles de stock inexactos.
- Prevea familias antes que variantes cuando haga falta:Un historial fino en talla-color o formato a menudo se prevé mejor a nivel de grupo primero y luego se reparte.
Un flujo en hoja de cálculo que puede ejecutar cada lunes
Puede ejecutar una previsión seria en una hoja con filas por SKU y columnas para los últimos 12 a 24 periodos, banderas de disponibilidad, notas de eventos, previsión, real y error. El objetivo no es un modelo bonito. El objetivo es una rutina repetible.
Rutina de previsión del lunes
- Exporte el historial por semana o mes:Lo semanal es mejor para rotación rápida. Lo mensual basta para catálogo más lento.
- Añada dos columnas auxiliares:una para estado de stock, otra para notas de eventos. Esos dos campos evitan un número sorprendente de malas previsiones.
- Elija un método base por clase de artículo:Empiece con medias móviles para artículos estables y suavizado para los que van a la deriva.
- Aplique estacionalidad solo cuando se repita:Si puede señalar el mismo impulso de calendario más de una vez, añada un factor estacional. Si no, manténgalo simple.
- Prevea la ventana de reposición:Estime la demanda a lo largo del plazo del proveedor más el intervalo hasta la siguiente revisión de pedido.
- Escriba cada anulación:Si ventas dice que un cliente nuevo suma 300 unidades el mes próximo, registre la anulación y el motivo. Las anulaciones ocultas destruyen el aprendizaje.
Tres comprobaciones de precisión que cualquiera puede calcular
No necesita un panel lleno de estadísticas. Necesita unas pocas medidas que digan si la previsión falla de forma sistemática y cuánto.
Error medio con signo. Un sesgo positivo significa que suele sobre-prever. Un sesgo negativo significa que subestima crónicamente la demanda e invita roturas.
Error absoluto medio, el fallo medio en unidades. Como señalan Green y Armstrong, el MAE es una medida sencilla y útil para decisiones de producción y control de inventario.
Error porcentual absoluto ponderado. La documentación de planificación de la demanda de AWS Supply Chain usa el WAPE como métrica agregada de precisión porque muestra el fallo total de la previsión frente a la demanda real total.
Use el MAPE con cuidado. En la guía de precisión de Hyndman, el MAPE queda indefinido cuando la demanda real es cero y puede explotar cuando los valores reales están cerca de cero. Eso lo hace mala elección para rotación lenta, lanzamientos o series con muchos periodos de demanda cero.
Empiece con sesgo, MAE y WAPE. Añada métricas más sofisticadas solo cuando esas tres estén estables y entendidas.
Haga backtesting antes de llevarlo a compras
Una previsión no está lista porque parezca razonable. Está lista después de probarla en periodos pasados que no vio. La guía de validación cruzada en series temporales de Hyndman describe el origen de previsión rodante: avance por el historial, prevea hacia delante y promedie los errores. Es la versión adulta de preguntar: ¿habría funcionado esto el trimestre pasado?
Backtest rápido
- Reserve los últimos 8 a 12 periodos:No los use para construir el primer modelo.
- Ejecute cada método candidato:media móvil, suavizado y cualquier versión estacional que quiera comparar.
- Mida sesgo, MAE y WAPE:Juzgue los métodos en periodos que no vio.
- Elija el método que la gente puede explicar:Si dos métodos están cerca, elija el que el equipo mantendrá de verdad.
Sepa dónde la hoja de cálculo se queda corta
- Productos nuevos: Tome prestado el historial de un artículo similar, categoría o plan de lanzamiento porque el SKU nuevo aún no tiene un patrón estable.
- Demanda irregular o intermitente: Prevea primero a nivel de familia o categoría y planifique la reposición individual con más revisión manual.
- Promociones y negocio por proyectos: Añada anulaciones de eventos por separado en lugar de pedir al modelo base que adivine eventos especiales.
- Precisión de inventario débil: Si recepción, ajustes y control de ubicación son flojos, arregle primero el proceso. Una previsión sobre registros malos sigue comprando la cantidad equivocada.
Aquí es donde importa la priorización. Use un análisis ABC para decidir qué artículos merecen más atención en la previsión, y combine la previsión con una revisión disciplinada del stock de seguridad para que la incertidumbre no se convierta en sobrecompra generalizada.
Conclusión
La previsión de inventario para quien no es científico de datos tiene menos que ver con matemática avanzada y más con honestidad operativa. Limpie el historial. Empiece con medias móviles o suavizado. Añada estacionalidad solo cuando se repita. Mida sesgo y error absoluto. Haga backtesting antes de fiarse del número.
Siguiente paso: elija 20 SKU importantes, construya una hoja semanal y compare previsión frente a real durante las próximas 8 semanas. Después de eso, la previsión dejará de sentirse teórica y empezará a formar parte de cómo compra.