Durante la etapa de implementación, la solicitud de ítems de control cumple un papel fundamental para garantizar la calidad, coherencia y trazabilidad de la información que se está utilizando en los modelos de análisis y pronóstico.
Estos ítems actúan como una muestra representativa a nivel SKU o combinación (por ejemplo, producto + sucursal, producto + país, producto + canal, etc.), y permiten validar que las transformaciones o reglas aplicadas en la base histórica no alteren los resultados esperados.
Es importante que estos ítems tengan información reciente, preferiblemente con fechas cercanas (por ejemplo, del año 2024 o 2025), para asegurar la validez de las validaciones y pruebas.
Se requiere una muestra entre 3 y 5 ítems de control, los cuales deben ser representativos del catálogo total.
Es importante que estos ítems tengan información reciente, preferiblemente con fechas cercanas (por ejemplo, del año 2024 o 2025), para asegurar la validez de las validaciones y pruebas.
El objetivo principal de los ítems de control es verificar la consistencia entre la data original y la procesada.
Durante la preparación de la información, se suelen aplicar reglas o filtros que pueden modificar los valores finales; por eso, esta validación inicial es esencial para detectar diferencias y corregirlas antes de ejecutar el modelo.
Si las cifras no coinciden, es necesario revisar:
Las reglas de datos aplicadas durante la limpieza o transformación.
Los criterios de exclusión o ajuste utilizados para construir la base histórica.
La definición de demanda (por ejemplo, si incluye ventas, consumos o ambos).
Ejemplos de reglas comunes:
Exclusión de productos agotados (sin inventario disponible).
Devoluciones o notas crédito no consideradas.
Bonificaciones o unidades entregadas sin costo.
Exclusión de números de factura o movimientos no comerciales.
Documentar estas reglas es clave, ya que determinan cómo el modelo interpretará la información de demanda.
El archivo de ítems de control contiene tres hojas, cada una con una función específica:
Puntual
Puntual dinero
General
A continuación, se detalla cómo diligenciarlas correctamente.
Cada fila debe representar un SKU o combinación única (por ejemplo: Producto A – Sucursal Norte o Producto A – País Colombia).
Indicaciones:
Cada fila corresponde a un SKU (por ejemplo, Producto A) - Ingresar únicamente valores numéricos sin puntos ni comas.
Correcto: 1200
Incorrecto: 1.200
Los valores deben corresponder a los mismos periodos que se compartieron en la base histórica.
Ejemplo:
El Producto A se vende en la Sucursal Bogotá → En el archivo debe aparecer así:
“Producto A – Sucursal Bogotá” con las unidades vendidas por mes.
SKU | Ubicación | Ene 2024 | Feb 2024 | Mar 2024 |
Producto A | Bogotá | 1200 | 1100 | 1050 |
Producto B | Medellín | 800 | 820 | 900 |
Ejemplo de una tabla solo a nivel SKU
SKU | Ubicación | Ene 2024 | Feb 2024 | Mar 2024 |
Producto A | Bogotá | 1200 | 1100 | 1050 |
Producto B | Medellín | 800 | 820 | 900 |
Esta hoja corresponde al valor en dinero asociado a las mismas unidades registradas en la hoja anterior. Debe reflejar el monto total de las transacciones (ventas o consumos) para los mismos ítems y periodos.
Indicaciones:
Registrar los valores en dinero sin puntos ni comas.
Correcto: 2500000
Incorrecto: 2.500.000
Los ítems y los periodos deben coincidir exactamente con los de la hoja Puntual.
SKU | Ubicación | Ene 2024 | Feb 2024 | Mar 2024 |
Producto A | Bogotá | 3500000 | 3200000 | 3100000 |
Producto B | Medellín | 2100000 | 2150000 | 2300000 |
Ejemplo de una tabla solo a nivel SKU
SKU | Ene 2024 | Feb 2024 | Mar 2024 |
Producto A | 3500000 | 3200000 | 3100000 |
Producto B | 2100000 | 2150000 | 2300000 |
En esta hoja se debe consolidar la información total de todos los ítems del portafolio, sumando las unidades y valores por mes.
El objetivo es obtener una vista general del comportamiento total
Mes | Total Unidades | Total Dinero |
Ene 2024 | 2000 | 5600000 |
Feb 2024 | 1920 | 5350000 |
Mar 2024 | 1950 | 5400000 |
La correcta diligencia de los ítems de control permite:
Verificar que la información procesada por el modelo coincide con los datos reales.
Detectar a tiempo inconsistencias, reglas omitidas o transformaciones incorrectas.
Garantizar que las métricas del modelo (como precisión y error ponderado) se calculen con base en información confiable.
En resumen, esta validación asegura que el modelo trabaje con una base sólida, consistente y representativa de la realidad del negocio, reduciendo el margen de error y fortaleciendo la confianza en los resultados.