Forecasting de demanda: por qué tu pronóstico falla y cómo mejorarlo
- 28 sept 2023
- 3 Min. de lectura
Actualizado: 15 mar
El error promedio de un forecast manual en empresas CPG chilenas está entre 20% y 30% (MAPE). Eso significa que si proyectas vender 10.000 unidades de un SKU, la realidad puede estar entre 7.000 y 13.000. Con esa dispersión, tu cadena de suministro trabaja a ciegas: produce de más (merma, sobre-stock) o de menos (quiebres, ventas perdidas).
La buena noticia: con modelos de machine learning y datos transaccionales reales, ese
MAPE baja a 8-15%. La diferencia no es marginal, es estructural. Menos merma, menos quiebres, mejor margen operacional.
La diferencia no es marginal, es estructural. Menos merma, menos quiebres, mejor margen operacional.
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 comparación típica que vemos en nuestros clientes:
MAPE forecast manual: 20-30%. MAPE con ML (ChucAI): 8-15%. Frecuencia de actualización manual: mensual. Con ML: semanal. Variables consideradas en manual: 2-3 (histórico, estacionalidad gruesa). Con ML: 15+ variables. Tiempo de generación manual: 3-5 días por ciclo. Con ML: automático.
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 como la segmentacion de clientes potencia las decisiones de precio, lee nuestra guia sobre segmentacion para revenue management. Y si quieres ver como proteger tu margen sin recurrir a alzas de precio, revisa las 3 palancas clave que la mayoria 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. El piloto dura 8 semanas con una categoría. Si quieres ver cómo funciona con tus datos, agenda en revenew.cl/contacto.
Comentarios