La pregunta que define si tiene sentido
En Asturias, donde conviven la siderurgia y el metal de Gijón y Avilés, la producción láctea de Central Lechera Asturiana, la sidra y la manzana, y la pesca y las conservas de los puertos del Cantábrico, la demanda rara vez se comporta de forma uniforme: cada cadena tiene su estacionalidad, sus picos y sus roturas. El punto de partida no es si la IA puede predecir la demanda — puede hacerlo en casi cualquier negocio con datos históricos. La pregunta real es si el error de predicción actual está generando un coste medible y si mejorar ese error genera suficiente valor para justificar la inversión.
Si tu equipo de planificación opera con el mismo MAPE que hace tres años, el problema probablemente no es la tecnología: es que nadie ha cuantificado lo que cuesta el error. Antes de evaluar si la IA tiene sentido, calcula cuánto dinero se pierde por rotura de stock, cuánto inmovilizas en inventario de seguridad, y cuál es el coste de las producciones de emergencia. Esa cifra es el techo del valor disponible.
Evaluación de la oportunidad
La predicción de demanda con IA añade más valor cuando se dan algunas de estas condiciones: alta variabilidad de la demanda que los métodos estadísticos simples no capturan, muchos SKUs con patrones diferentes que son difíciles de gestionar manualmente, o variables externas relevantes (estacionalidad, promociones, eventos, clima) que el equipo de planificación incorpora de forma inconsistente.
El reto es cuantificar el impacto de mejorar el forecast. Una reducción del MAPE que en términos absolutos parece pequeña puede tener un impacto muy significativo en el coste de inventario o en las roturas de stock, dependiendo del margen y del coste de inmovilización.
Requisitos de datos
Historia de demanda. Se necesita historia limpia, preferiblemente a nivel SKU-ubicación y con granularidad semanal o diaria. Como referencia general, cuantos más ciclos estacionales estén representados en los datos históricos, mejor capturará el modelo esos patrones.
Variables externas. Las variables que el equipo de planificación ya usa manualmente — promociones pasadas, calendarios de eventos, datos de mercado — deben estar disponibles en formato estructurado para que el modelo pueda aprender de ellas. Si solo existen en la cabeza de las personas, el primer paso es capturarlas.
Datos limpios. Los eventos excepcionales no representativos (stockouts que distorsionan la demanda registrada, pedidos puntuales atípicos) deben estar etiquetados o eliminados del histórico de entrenamiento. Un modelo entrenado con demanda que incluye stockouts aprende a infraestimar.
Integración con planificación. El forecast generado por IA tiene que llegar al sistema donde se toman las decisiones — ERP, APS, hoja de cálculo del equipo. Si la integración no existe, el modelo funciona en paralelo sin impacto real.
Estructura de costes y complejidad
Los componentes de coste habituales son: preparación y validación de datos históricos, desarrollo y calibración del modelo, integración con los sistemas de planificación, y el coste recurrente de monitorización y reentrenamiento periódico. En proyectos de predicción de demanda, el coste de integración con sistemas existentes frecuentemente supera al coste de desarrollo del modelo.
La complejidad técnica varía significativamente según el número de SKUs, la granularidad requerida, y si el modelo necesita incorporar variables externas en tiempo real o puede operar en batch semanal.
Evaluación de riesgos
Riesgo técnico. Los modelos de forecast sobreajustan a la historia reciente y tienen dificultades ante cambios de patrones (lanzamiento de productos, cambios de canal de venta, disrupciones de mercado). Un buen diseño de modelo incluye mecanismos para detectar cuando el modelo ha dejado de ser válido.
Riesgo de adopción. El mayor riesgo en predicción de demanda no es técnico: es que el equipo de planificación siga usando sus métodos anteriores y el modelo IA opere en paralelo sin influir en las decisiones. La adopción requiere que el modelo sea más preciso que el proceso actual de forma consistente y que los planificadores confíen en el razonamiento del sistema.
Riesgo de integración. Los ERP con datos poco fiables producen forecasts poco fiables. Si los datos de entrada están fragmentados entre sistemas, el proyecto de forecast lleva implícita una fase de mejora de la calidad del dato que no siempre está prevista en el alcance inicial.
Métricas de éxito
- MAPE (error porcentual medio absoluto) vs. el método de previsión actual, medido en producción — no en backtesting
- Nivel de servicio (% de pedidos servidos sin rotura) antes y después
- Días de inventario (DIO) y rotación de inventario
- Tasa de rotura de stock por categoría
- Exceso de inventario y mermas en productos de vida limitada
Un punto crítico: el MAPE medido en backtesting es sistemáticamente mejor que el MAPE en producción. Separar el período de evaluación del período de entrenamiento y medir el rendimiento real es imprescindible para tomar decisiones de inversión fundamentadas.
Cómo genera ROI
Los mecanismos de valor de la predicción de demanda son tres: reducción del inventario de seguridad (mismo nivel de servicio con menos stock inmovilizado), reducción de roturas de stock (ventas que se pierden hoy por no tener producto disponible), y reducción de producción de emergencia y costes logísticos de urgencia.
El ROI real solo se materializa si las predicciones generadas por IA influyen en las decisiones reales de compra, producción y distribución. Un modelo técnicamente bueno que no cambia decisiones operativas no genera retorno.
Preguntas frecuentes
¿Qué diferencia hay entre una predicción estadística y una con IA? Los métodos estadísticos clásicos (ARIMA, Holt-Winters) modelan la serie temporal de un SKU de forma independiente. Los modelos de ML y deep learning pueden aprender patrones entre múltiples SKUs, incorporar variables externas de forma no lineal y adaptarse mejor a demandas intermitentes o irregulares. La diferencia de rendimiento depende del caso: para productos con demanda estable y estacional, los métodos clásicos son competitivos. Para catálogos con miles de SKUs con patrones heterogéneos, los modelos de ML tienen ventaja estructural.
¿El modelo necesita reentrenarse continuamente? El reentrenamiento periódico es parte del mantenimiento normal de cualquier modelo de forecast. La frecuencia depende de la velocidad con que cambian los patrones de demanda: en sectores con lanzamientos frecuentes o promociones intensivas, el reentrenamiento mensual es habitual. El coste de este mantenimiento debe incluirse en la evaluación de ROI como coste recurrente.