Pronóstico de demanda: métodos, ejemplo paso a paso y cómo hacerlo con IA

Qué es el pronóstico de demanda y por qué es el primer modelo que conviene hacer

Pronosticar la demanda es responder una pregunta concreta: cuánto vamos a vender de esto, aquí, en las próximas semanas. De esa respuesta salen las compras, la producción, el inventario, los turnos y las rutas. Por eso es el primer modelo que armo en casi cualquier empresa que vende productos: todo lo demás cuelga de él.

Y por eso también es el que más plata deja tirada cuando se hace "a ojo". Si el pronóstico se queda corto, faltan productos y se pierden ventas. Si se pasa, sobra inventario y se paga por guardarlo hasta rematarlo. Un pronóstico de demanda no acierta siempre; su trabajo es equivocarse menos que el promedio del año pasado.

Métodos de pronóstico de demanda: del promedio móvil al machine learning

El error clásico es saltar al último renglón porque suena mejor. Un promedio móvil bien hecho, por producto y por zona, ya cambia la operación de una pyme. El machine learning entra cuando hay cientos de referencias y el Excel no da más.

Ejemplo paso a paso: pronóstico de demanda en Excel

Un ejemplo inventado para ilustrar el método, con un solo producto y ventas mensuales en unidades:

1. Ordena el historial en una tabla con una fila por mes y producto. Sin huecos: si un mes no hubo venta, va cero.
2. Calcula el promedio móvil: en abril, la fórmula es =PROMEDIO(B2:B4), y la arrastras hacia abajo.
3. Compara con lo real: la diferencia entre el pronóstico y la venta del mes es el error. Suma el error absoluto de todos los meses y divídelo entre el número de meses.
4. Prueba con 2, 3 y 6 meses de ventana y quédate con la que da menos error. Ese es todo el ajuste.
5. Si ves que sube o baja sostenido, pasa a suavizado exponencial: Excel lo trae en Datos, Hoja de pronóstico.

Las fórmulas que se usan en este ejemplo están explicadas en fórmulas de Excel más usadas.

Pronóstico de demanda con Python: Prophet y XGBoost en tres pasos

Cuando son cientos de productos o quieres meter feriados, precio y clima, el trabajo pasa a Python. El flujo es siempre el mismo:

1. Una tabla larga: fecha, producto, zona, unidades y las variables externas. Con pandas se limpia y se completan los ceros.
2. Un modelo por familia: Prophet para series con estacionalidad clara y pocos datos externos; XGBoost cuando hay muchas variables y muchas referencias parecidas.
3. Validación en el tiempo: se entrena con el pasado y se prueba con los últimos meses, nunca con datos mezclados. Por qué no vale un train_test_split común está en la guía de machine learning desde cero.

Los datos que necesitas y los errores que arruinan el pronóstico

• Ventas, no pedidos. Si registras lo que se pidió y no lo que se despachó, el modelo aprende de una demanda que nunca existió.
• Quiebres de stock. Un mes con cero venta porque no había producto no es demanda cero. Hay que marcarlo.
• Promociones sin fecha. Si no sabes qué semana hubo oferta, el pico se lee como tendencia.
• Cambios de código. El mismo producto con dos códigos parte el historial en dos.
• Pronosticar sin medir. Si nadie compara el pronóstico con la venta real cada mes, el modelo se degrada y nadie se entera.

Del pronóstico al inventario, las compras y las rutas

El pronóstico solo sirve si mueve decisiones. En la cadena de suministro alimenta tres:

• Reabastecimiento e inventario: con la demanda esperada y el tiempo de entrega del proveedor se calcula el punto de pedido y el stock de seguridad por producto. Comprar deja de ser "lo del mes pasado más un poco".
• Producción y turnos: la planta programa contra la demanda esperada, no contra el pedido que ya llegó tarde.
• Logística y rutas: saber dónde va a haber pedidos permite posicionar flota y armar rutas antes del pico. Lo que hago en ese frente está en IA para logística.

Encima de eso va el monitoreo: alertas cuando la venta real se aleja del pronóstico, que es la señal más temprana de que algo cambió en el mercado o en la tienda.

Lo que vi en PedidosYa y Glovo

Cuando llegué a PedidosYa el equipo de logística decidía con hojas de cálculo actualizadas a mano cada mañana. Implementamos modelos de predicción de demanda por zona y franja horaria y optimización de rutas, y con eso redujimos los tiempos de entrega en un 30% e incrementamos las entregas a tiempo en la misma proporción. En Glovo la misma predicción alimentó el pricing dinámico por zona.

La lección no es la herramienta. Es que el pronóstico se armó sobre datos que ya existían y que nadie estaba conectando. Es lo mismo que encuentro hoy en empresas de distribución, retail y manufactura en Perú: los datos están, falta el modelo y alguien que lo mire cada semana.

Preguntas frecuentes sobre pronóstico de demanda

¿Quieres implementar esto en tu empresa?

Nuestra consultoría en IA para empresas diseña programas de capacitación y soluciones de datos personalizadas para empresas en Perú y LATAM. Desde workshops de 2-4 horas hasta programas completos de transformación digital de 6 meses.

¿Aún no sabes por dónde empezar? Haz gratis el diagnóstico de madurez en IA en 2 minutos y descubre en qué nivel está tu empresa y cuál es tu siguiente paso.

Automatización de la cadena de suministro (supply chain) con IA

En supply chain la automatización con IA entra por tres puertas: el punto de reorden, que deja de ser un número fijo y pasa a moverse con la estacionalidad y con los plazos reales de cada proveedor; la evaluación de proveedores, con el cumplimiento medido sobre las órdenes y no sobre la percepción; y las alertas, que avisan cuando un pedido, un inventario o una ruta se sale del rango antes de que lo note el cliente.

Lo aprendí en la operación de PedidosYa y Glovo: el cuello de botella nunca estaba donde se veía, sino en el paso anterior que nadie había medido. Por eso se empieza por el dato que ya existe en el ERP y se automatiza un flujo de punta a punta antes de escalar. Cómo se calcula lo que ahorra está en calcular el ahorro de automatizar y el servicio en agentes y automatización para empresas.

Escrito por

Gera Flores (Miss Yera)

Consultora y experta en IA

Agenda 30 min con Gera Ver bio completa