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.
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.
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.
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.
La oferta de entrada de revenew es una clínica pagada de priorización. Si existe encaje, se acuerda un sprint v0 para diseñar y probar un proceso mínimo sobre una decisión concreta. Un trabajo posterior con datos se evalúa y cotiza por separado.
Conversemos sobre la decisión de margen que tu equipo necesita ordenar. Si existe encaje, proponemos una clínica pagada de priorización y, después, un sprint v0 con alcance definido.
