Un pronóstico debe contrastarse con las ventas observadas. El MAPE calcula el promedio del error porcentual absoluto para observaciones con valores reales distintos de cero. Requiere un tratamiento explícito de los ceros y no define un intervalo dentro del cual caerá cada venta.
Para comparar un modelo con un pronóstico manual, usa el mismo horizonte, las mismas fechas de corte y observaciones reservadas fuera del ajuste del modelo. El resultado debe medirse; no puede deducirse del uso de machine learning.
Figura 1
Para comparar dos pronósticos: mismo horizonte, mismas fechas de corte y datos reservados
Esquema de evaluación con tres fechas de corte; cada barra es la historia de ventas disponible
Ajuste del modeloObservaciones reservadas: ahí se comparan los dos métodosFecha de corte
Primer corte
Segundo corte
Tercer corte
Fuente: elaboración propia a partir del artículo.
Fíjate en que los dos métodos se evalúan sobre las mismas observaciones reservadas: el resultado se mide; no se supone.
Por qué los métodos tradicionales fallan
La mayoría de las empresas en Chile hace forecast con alguna combinación de: media móvil de últimos meses, ajuste manual del planificador («este mes debiera ser como el año pasado, pero un poco más»), y Excel. Estos métodos tienen 3 problemas concretos:
No capturan estacionalidad fina. Fiestas Patrias no es igual todos los años. Depende de cuántos días feriados caen en semana, del clima, del contexto económico. Una media móvil no distingue eso.
Ignoran variables exógenas. Tipo de cambio, clima, actividad promocional propia y de la competencia, feriados. Todas estas variables afectan la demanda y los modelos de ML las incorporan automáticamente.
Se contaminan con sesgo humano. El planificador que siempre sobreestima «por si acaso» genera sobre-stock crónico. El que subestima genera quiebres. Ambos cuestan dinero.
Figura 2 · Ejemplo ilustrativo
Una media móvil llega tarde a Fiestas Patrias
Unidades vendidas por semana en un índice: doce semanas, con Fiestas Patrias en la octava
Venta realMedia móvil de cuatro semanasPronóstico con calendario de feriadosRango del pronóstico
Gráfico ilustrativo de doce semanas: la venta real tiene un pico en la semana de Fiestas Patrias; la media móvil de cuatro semanas recién sube después del pico y sigue alta cuando la venta ya volvió; el pronóstico con calendario de feriados sigue el pico dentro de su rango.
Ejemplo ilustrativo construido con lo que describe el artículo; no son datos de una empresa. En las semanas 1 a 4, la media móvil supone cuatro semanas anteriores al gráfico en 100.
Fíjate en que la media móvil sube recién después de Fiestas Patrias y sigue alta cuando la venta ya volvió a su nivel.
Ver los datos
| Semana | Venta real | Media móvil | Pronóstico con calendario |
|---|---|---|---|
| Semana 1 | 100 | 100 | 101 |
| Semana 2 | 98 | 100 | 100 |
| Semana 3 | 102 | 99,5 | 101 |
| Semana 4 | 100 | 100 | 101 |
| Semana 5 | 104 | 100 | 103 |
| Semana 6 | 108 | 101 | 107 |
| Semana 7 | 118 | 103,5 | 116 |
| Semana 8, Fiestas Patrias | 190 | 107,5 | 178 |
| Semana 9 | 112 | 130 | 114 |
| Semana 10 | 101 | 132 | 102 |
| Semana 11 | 99 | 130,3 | 100 |
| Semana 12 | 100 | 125,5 | 100 |
Forecast con ML vs. forecast tradicional
Un modelo de ML (típicamente XGBoost o LightGBM para series de demanda) recibe como input: ventas históricas por SKU, precios, actividad promocional, variables climáticas, calendario de feriados y tipo de cambio. Con esos datos, entrena un modelo que proyecta demanda semanal por SKU.
La evaluación también debe registrar la frecuencia de actualización, las variables disponibles en cada fecha de corte y el tiempo operativo de generación del pronóstico.
Cómo integrar el forecast en tu estrategia comercial
Un forecast preciso no sirve si vive en un silo. Para que tenga impacto real en el margen, necesitas conectarlo con 3 decisiones:
Pricing: si sabes que la demanda de un SKU va a caer 15 % el próximo mes (fin de temporada), puedes anticipar el ajuste de precio en vez de reaccionar tarde con un descuento de pánico.
Distribución: un forecast por SKU y por punto de venta te dice dónde asignar stock. En vez de repartir parejo y rezar, asignas donde la demanda lo justifica. Eso mejora fill rate sin inflar inventario.
Promoción: si proyectas cuánto volumen incremental generará una promoción antes de ejecutarla, puedes calcular si el descuento es rentable o si estás pagando por volumen que ibas a vender de todas formas.
Figura 3
Un pronóstico conectado a tres decisiones
Decisiones comerciales que el artículo conecta con el pronóstico por SKU
Diagrama: el pronóstico por SKU se conecta con tres decisiones: pricing, para anticipar el ajuste de precio en vez de reaccionar tarde con un descuento de pánico; distribución, para mejorar el fill rate sin inflar el inventario; y promoción, para calcular si el descuento es rentable.
Fuente: elaboración propia a partir del artículo.
Fíjate en que las tres pistas salen del mismo pronóstico.
El forecast es solo una pieza del puzzle. Para entender cómo la segmentación de clientes potencia las decisiones de precio, lee nuestra guía sobre segmentación para revenue management. Y si quieres ver cómo proteger tu margen sin recurrir a alzas de precio, revisa las 3 palancas clave que la mayoría ignora.
revenew integra forecast, pricing y distribución en una sola plataforma. ChucAI genera el pronóstico y lo conecta directamente con las recomendaciones de precio y asignación.