Forecasting de demanda: guía práctica para empezar

El forecasting de demanda es el proceso de estimar cuántas unidades de un producto vas a vender en un periodo futuro. Suena sencillo, pero es la base sobre la que se apoyan compras, producción, logística y finanzas. Si la previsión falla, todo lo demás se resiente: o te quedas sin stock o acumulas inventario que no se mueve.

¿Por qué importa tanto acertar?

Cada error de previsión tiene un coste real. Predecir de menos provoca roturas de stock: ventas perdidas y clientes que se van a la competencia. Predecir de más inmoviliza capital en el almacén, aumenta los costes de almacenamiento y eleva el riesgo de obsolescencia o caducidad.

Una mejora del 10 % en la precisión del forecast suele traducirse en menos roturas y menos stock de seguridad a la vez. No es un trade-off: es eficiencia.

Los métodos más habituales

No existe un único método válido para todo. La elección depende de cuántos datos tengas, de la regularidad de la demanda y del horizonte que necesites cubrir.

• Media móvil y suavizado exponencial: simples y robustos para productos con demanda estable.
• Modelos con estacionalidad (Holt-Winters, SARIMA): capturan patrones que se repiten cada semana, mes o temporada.
• Modelos de machine learning: aprovechan variables externas (promociones, precio, clima) cuando hay suficiente histórico.
• Métodos para demanda intermitente (Croston): pensados para referencias que se venden de forma esporádica.

Qué datos necesitas

Para empezar basta con el histórico de ventas o de movimientos de stock por producto y fecha. Cuanto más limpio y granular sea, mejor. A partir de ahí, añadir el calendario de promociones, festivos y precios mejora notablemente los resultados, pero no es imprescindible para arrancar.

1. 1Reúne al menos un año de histórico para captar la estacionalidad anual.
2. 2Limpia los datos: corrige roturas pasadas, devoluciones y picos atípicos.
3. 3Define el horizonte y la granularidad (diaria, semanal) según tus decisiones de compra.
4. 4Entrena, valida con datos que el modelo no ha visto y mide el error.

Cómo medir si funciona

Un forecast solo es útil si sabes cuánto te equivocas. Las métricas más usadas son el MAPE (error porcentual medio absoluto) y el MAE (error absoluto medio). Compáralas siempre contra un modelo simple de referencia: si tu sofisticado modelo no supera a una media móvil, algo falla.

En Star4cast automatizamos todo este flujo: partimos de tu histórico, entrenamos un modelo por producto y te entregamos la predicción con su banda de confianza, lista para decidir cuándo y cuánto reponer.