Previsión de demanda y stock en retail: dónde ayuda la IA y dónde no

Previsión de demanda y stock en retail: dónde ayuda la IA y dónde no

Quedarse sin producto y acumular inventario son dos caras del mismo problema: decidir cuánto comprar sin conocer con precisión lo que ocurrirá. En retail nunca existe una previsión perfecta, pero sí se puede mejorar mucho la decisión cuando ventas, promociones, disponibilidad y plazos de proveedor dejan de analizarse por separado.

La inteligencia artificial puede detectar patrones que una hoja de cálculo no maneja bien. Aun así, el modelo no conoce por sí solo una campaña futura, un cambio de surtido o una apertura. La mejor previsión combina cálculo y contexto comercial.

Qué decisión quieres mejorar

“Predecir ventas” es demasiado amplio. Antes de construir nada hay que concretar la decisión:

• Compra semanal por producto y almacén.
• Reposición entre tiendas.
• Preparación de inventario para una promoción.
• Detección temprana de riesgo de rotura.
• Identificación de stock con baja probabilidad de salida.

Cada caso necesita un horizonte y un nivel de detalle distintos. Una previsión mensual por categoría no sirve para reponer mañana una tienda concreta.

Los datos que forman una base útil

El histórico de ventas es el punto de partida, no el conjunto completo. También conviene incorporar:

• Stock disponible y días sin disponibilidad.
• Precio, descuento y campañas.
• Devoluciones y cancelaciones.
• Plazos y mínimos de compra de proveedores.
• Calendario, festivos y estacionalidad.
• Tienda, canal, zona y características del producto.

Un día con cero ventas puede significar falta de demanda o falta de stock. Si el modelo no distingue ambas cosas, aprenderá que un producto agotado no interesa y reducirá todavía más la previsión.

El nivel de detalle cambia el resultado

Predecir cada SKU por tienda puede producir demasiado ruido cuando hay pocas ventas. En algunos casos funciona mejor agrupar por familia, canal o zona y distribuir después la previsión con reglas operativas.

Los productos nuevos requieren otro tratamiento porque no tienen histórico. Se pueden comparar con artículos similares, utilizar atributos del catálogo y ajustar la previsión a medida que aparecen ventas reales.

La solución debe aceptar que no todos los productos necesitan el mismo modelo. Los superventas estables, los artículos estacionales y la larga cola se comportan de forma diferente.

Una previsión debe mostrar incertidumbre

Un único número transmite una seguridad que no existe. Es más útil trabajar con rangos y escenarios: demanda esperada, escenario alto y escenario bajo.

Compras puede tomar una decisión distinta según margen, coste de almacenamiento, plazo de reposición y riesgo de perder una venta. El sistema aporta evidencia, pero la política de inventario refleja prioridades del negocio.

Cómo introducir el criterio comercial

El equipo debe poder añadir eventos futuros que no aparecen en el histórico:

• Campañas ya planificadas.
• Cambios de precio.
• Lanzamientos y retiradas.
• Aperturas o cierres.
• Acuerdos con marketplaces.
• Problemas conocidos de suministro.

Esas correcciones no deberían borrar la previsión original. Guardar quién ajustó qué y por qué permite comparar después el modelo, el criterio humano y el resultado real.

De la predicción a la reposición

El proyecto no termina con un dashboard. La previsión debe conectarse con reglas de compra y traslado entre almacenes, teniendo en cuenta stock de seguridad, pedidos en camino, capacidad y mínimos de proveedor.

Un flujo habitual genera propuestas y destaca excepciones: productos con riesgo de rotura, compras por encima de un importe, exceso de inventario o cambios muy superiores a la semana anterior. El equipo revisa esos casos y el resto avanza con menos trabajo manual.

Esta conexión con ERP, ecommerce y almacenes es tan importante como el modelo. Sin ella, la previsión se convierte en otro fichero que alguien debe interpretar y copiar.

Cómo validar sin esperar un año

Se puede empezar con una familia de producto, varias tiendas o un canal. Conviene comparar la nueva previsión con el método actual y medir:

• Error de previsión por horizonte.
• Roturas de stock.
• Inventario y días de cobertura.
• Descuentos necesarios para liquidar excedente.
• Ajustes manuales realizados por el equipo.

La prueba debe cubrir semanas normales y algún periodo con promoción o cambio de demanda. Un modelo que solo funciona en estabilidad no ayuda cuando más se necesita.

Cuándo no necesitas IA

Si hay pocos productos, demanda estable y reglas de reposición claras, una automatización basada en mínimos y máximos puede ser suficiente. La IA cobra sentido cuando el catálogo, los canales y las variables hacen que las reglas fijas se queden cortas.

El objetivo no es presumir de forecasting. Es comprar y mover stock con menos incertidumbre. Un diagnóstico de datos e IA debe empezar por esa decisión y elegir después la técnica adecuada.