Predecir mal la demanda cuesta dinero de las dos formas posibles. Si te quedas corto, rompes stock y pierdes ventas irrecuperables. Si te pasas, acumulas inventario que se convierte en obsoleto, ocupa espacio caro y bloquea capital. El demand forecasting es la disciplina que existe para minimizar ese doble error. No es magia ni requiere data scientist: con método y datos básicos ya se puede reducir el error de previsión a menos del 15%.
Qué es el demand forecasting
El demand forecasting (o previsión de demanda) es el proceso de estimar cuánto vas a vender de cada producto en un horizonte de tiempo definido, usando datos históricos de ventas, estacionalidad, tendencia, campañas planificadas y factores externos conocidos.
Su propósito directo es responder a dos preguntas operativas: ¿cuánto stock compro? y ¿cuándo lo compro? Un buen forecasting bien aplicado se traduce en menor rotura de stock, menor sobrecoste de almacenaje y menor inversión inmovilizada en inventario.
Los cuatro componentes del forecast
Cualquier previsión razonable se descompone en cuatro capas:
1. Base (baseline)
La demanda "normal" del SKU sin efectos especiales. Se calcula típicamente con la media de las últimas 12-24 semanas descontando outliers. Es la línea de base sobre la que se aplican los demás factores.
2. Tendencia
El crecimiento o decrecimiento sostenido a lo largo del tiempo. Un producto lanzado hace 6 meses puede tener tendencia creciente. Un producto en madurez puede tener tendencia plana o decreciente. Se detecta comparando periodos equivalentes año a año.
3. Estacionalidad
Los patrones repetitivos ligados a fechas: helados en verano, calefactores en octubre, cosméticos en diciembre. Se calcula con índices estacionales por mes o semana, sacados del histórico de al menos dos años.
4. Eventos y campañas
Black Friday, rebajas, campañas propias, activaciones publicitarias específicas. Son picos que no se repiten con regularidad predecible y hay que modelar aparte.
Un forecast completo es: base × tendencia × estacionalidad + eventos. Cada capa se calcula por separado y luego se combinan.
Datos mínimos que necesitas para arrancar
- Historial de ventas por SKU: mínimo 12 meses con granularidad diaria o semanal.
- Calendario de eventos: fechas exactas de Black Friday, Navidad, rebajas, campañas propias.
- Historial de precios y promociones: descuentos aplicados en cada periodo (para descontar el efecto).
- Ratio de devoluciones: las ventas brutas engañan si no se descuentan devoluciones.
- Roturas de stock del pasado: los días que no vendiste porque no tenías el producto (ojo: distorsionan mucho).
Sin este último dato, tu histórico está corrompido: si en marzo pasado rompiste stock 10 días, esas ventas "perdidas" no aparecen en tus datos y tu forecast va a subestimar la demanda real.
Los tres métodos básicos (por complejidad creciente)
Método 1: media móvil ajustada
El más simple. Coges la media de las últimas 4-8 semanas y la multiplicas por el factor estacional del periodo que quieres predecir. Funciona sorprendentemente bien para catálogos pequeños con estacionalidad estable. Ventaja: se hace en Excel en 20 minutos. Inconveniente: mala respuesta a cambios de tendencia bruscos.
Método 2: suavización exponencial (Holt-Winters)
Un paso más. Da más peso a los datos recientes y descompone automáticamente base, tendencia y estacionalidad. Requiere fórmulas más avanzadas pero también se puede hacer en Excel/Google Sheets. Excelente para SKUs con estacionalidad clara. Es el método por defecto que usan la mayoría de herramientas de forecasting.
Método 3: modelos ML (machine learning)
Modelos como XGBoost o redes neuronales que incluyen decenas de variables: histórico, calendario, precios, publicidad, competencia, clima. Necesitan más de 2 años de datos limpios y personal técnico. Solo compensa a partir de miles de SKUs y millones de euros de facturación.
La regla real: un forecast simple con datos limpios rinde más que un modelo sofisticado con datos sucios. Empieza por limpiar el histórico antes de complicarte con machine learning.
Cómo se mide si el forecast es bueno
La métrica más útil es el MAPE (Mean Absolute Percentage Error), o error porcentual medio absoluto:
Benchmarks reales por categoría:
- SKUs de alta rotación estable: MAPE 5-15% es excelente.
- SKUs de moda estacional: MAPE 20-30% es normal.
- SKUs con picos por publicidad/PR: MAPE puede subir a 40-60%.
- Lanzamientos nuevos sin histórico: el forecast es un ejercicio de estimación, no medición.
Si tu MAPE agregado está por encima del 40%, tu forecasting está aportando menos que un simple "compra la media del año pasado". Revisa proceso.
Los cinco errores que arruinan el forecast
1. No limpiar outliers
Un día vendiste 400 unidades porque saliste en un reel viral. Si dejas ese dato en el histórico, tu forecast asume que ese pico es normal. Los outliers hay que identificar y aislar.
2. Ignorar días con rotura
Los días que rompiste stock aparecen como "0 ventas" en el histórico. Al hacer forecast, el modelo cree que la demanda real fue cero. Hay que imputar esos días con la venta esperada.
3. No separar tendencia de estacionalidad
Un producto que crece 20% año a año y tiene pico en diciembre necesita descomponer los dos efectos. Si los mezclas, extrapolar mal la tendencia hace que tu previsión de diciembre esté disparada o corta.
4. Optimismo del equipo comercial
Cuando el comercial hace el forecast, siempre sube el número esperando "motivar al equipo". Cuando lo hace operaciones, siempre lo baja para no romper stock. Ninguna de las dos es un forecast real. Debe basarse en datos, no en objetivos.
5. Frecuencia de revisión insuficiente
Un forecast anual sin revisión mensual se desactualiza en semanas. Debe recalcularse al menos cada mes, con ajuste basado en la desviación observada.
Cómo se integra el forecast con la operativa 3PL
Un forecast bien hecho influye directamente en tres decisiones logísticas:
- Reposición de stock: cuánto pedir al proveedor y cuándo, respetando lead times.
- Dimensionamiento del almacén: negociar más pallets con tu 3PL antes de que llegue el pico.
- Preparación de personal: avisar al 3PL de campañas venideras para que refuerce equipo. Amplía en nuestro post sobre picos de demanda.
Un buen operador 3PL debe pedirte tu forecast anticipado (al menos 6-8 semanas antes de cada pico) para poder responder sin colapsar. Si tu 3PL no te lo pide nunca, ya sabes qué esperar en el próximo Black Friday.
Herramientas: qué usar según tamaño
- Hasta 50 SKUs: Excel/Google Sheets con función FORECAST.ETS o similar. Suficiente.
- 50-500 SKUs: herramientas dedicadas: Inventory Planner, Cogsy, StockTrim.
- 500-5.000 SKUs: herramientas robustas como NetStock, Streamline, o módulos avanzados de ERPs.
- Más de 5.000 SKUs o forecasting granular: plataformas enterprise (Blue Yonder, o1, RELEX) o desarrollo interno con datos propios.
Cómo lo hacemos en Logistix
Aunque el forecast lo hace tu equipo, en Logistix te damos los datos limpios que necesitas: histórico de ventas exportable, ratios de devolución por SKU, días con rotura marcados y evolución de ratios operativos. Todo consultable desde el portal del cliente sin tener que pedir informes.
Además, cuando nos comunicas tu forecast de campañas próximas, activamos por adelantado los recursos: refuerzo de personal, negociación de espacio extra, comunicación anticipada con transportistas. Cuanto más pronto nos avises, mejor podemos responder.
Preguntas frecuentes
¿Cada cuánto debería revisar mi forecast?
Al menos una vez al mes con ajuste basado en desviación de las últimas 4 semanas. Antes de cada campaña relevante (Black Friday, Navidad, rebajas) se recomienda revisión adicional 6-8 semanas antes.
¿Puedo hacer forecast si mi negocio es muy nuevo?
Con menos de 12 meses de datos, el forecast es más una estimación cualitativa que un cálculo. Usa datos de mercado (Google Trends, competencia visible) y ajusta cada mes según lo que veas.
¿El forecast me ayuda a reducir costes de almacenaje?
Sí, indirectamente. Un forecast preciso permite pedir stock más ajustado a la demanda real, con menos exceso en almacén. Es habitual reducir 15-25% el inventario medio en el primer año de aplicar forecasting bien.
¿El forecast sustituye al stock de seguridad?
No. El stock de seguridad existe precisamente para cubrir la desviación entre forecast y realidad. Un buen forecast reduce la desviación, no la elimina. Ambas cosas se combinan.
¿Necesitas datos limpios para tu forecast?
En el portal de Logistix descargas tu histórico completo con ratios de devolución, roturas marcadas y series limpias listas para forecasting. Cuéntanos tu caso y te enseñamos cómo.
Ver mi propuesta