En Datup, el pronóstico no se entrega como un único valor, sino como un rango de posibles resultados, lo que permite planificar de manera más flexible y basada en distintos escenarios. Para cada ítem, período y ubicación, Datup calcula diferentes tipos de pronósticos que responden a distintas preguntas clave en la planeación de la demanda:
Tipos de pronóstico:
Pronóstico sugerido (Suggested Forecast)
Es la estimación base para la demanda futura, bajo condiciones de comportamiento de venta normal. Este valor está dentro del rango histórico y no predice cifras que nunca se hayan registrado antes. Es el punto de partida recomendado para la mayoría de los casos.
Pronóstico superior (Next Suggested Forecast)
Representa un escenario más optimista, que considera tendencias al alza. Se aproxima al máximo histórico alcanzado, ajustado por la estacionalidad y otros patrones. Útil cuando se espera un pico de demanda o promociones.
Pronóstico inferior (Back Suggested Forecast)
Estima un escenario más conservador, cercano al mínimo histórico, considerando posibles caídas en la demanda. Es especialmente útil para productos con mucha variabilidad o bajo desempeño reciente.
Pronóstico ingenuo (Naive Forecast)
Es una proyección simple que toma el promedio de la demanda de los últimos períodos. Es útil como referencia rápida o cuando se quiere comparar contra métodos más sofisticados. La ventana de cálculo es igual al número de períodos que se están pronosticando.
Importante: Todos los pronósticos (excepto el ingenuo) se ajustan automáticamente por estacionalidad y tendencia histórica, lo que explica por qué pueden mostrar picos o caídas marcadas.
Además de los pronósticos ya mencionados, Datup incorpora tres nuevas columnas clave para evaluar el desempeño del forecast y facilitar decisiones más confiables:
ModeIntervalBestFit:
Indica el intervalo (Suggested, Back o Next) que tuvo mejor desempeño histórico.
SameAccuracy: los tres intervalos tienen precisión similar (común en ítems con baja o nula demanda).
AccuracyForecast: se especifica cuál pronóstico fue más preciso.
BestFitForecast:
Es el valor de pronóstico correspondiente al intervalo con mejor ajuste. Este es el número que, históricamente, ha tenido mayor precisión.
BestFitForecastInterval:
Muestra a qué intervalo corresponde el BestFitForecast (Suggested, Back o Next). Ayuda a entender cuál proyección fue más confiable en el tiempo.
Consideraciones clave al usar los pronósticos
Para ítems con poca historia de demanda (menos de 2 años), se recomienda precaución al usar pronósticos de largo plazo. La incertidumbre aumenta y el modelo tiende a elevar sus estimaciones.
En estos casos, es útil considerar el pronóstico inferior y el pronóstico ingenuo como referencia adicional.
La combinación del pronóstico con la clasificación de ítems es uno de los principales insumos para sesiones de colaboración entre áreas como ventas y operaciones.
Estas sesiones buscan mejorar indicadores de desempeño como:
Precisión
Desviación
FVA (Forecast Value Added)
Bias (sesgo del pronóstico)
En estos análisis, no basta con observar solo la precisión. También se debe tener en cuenta el Bias, que revela si se está sistemáticamente sobre o subestimando la demanda.
¿Cómo se integra esto con la optimización de inventario?
La planeación de demanda es un pilar fundamental para lograr eficiencia en la cadena de suministro. En Datup, esta planeación se complementa con los módulos de:
Inventory Optimization (Inventor y Opt)
Distribution Optimization (Distro Opt)
Esto permite minimizar las inevitables desviaciones del forecast, gracias al uso de:
Buffers de seguridad calculados dinámicamente
Reordenes ajustados según comportamiento real
En Datup utilizamos el WMAPE (Weighted Mean Absolute Percentage Error o Error Porcentual Absoluto Medio Ponderado) como principal indicador para medir la precisión de los pronósticos de demanda.
¿Qué es el WMAPE y por qué es útil?
El WMAPE permite comparar el comportamiento pronosticado de un ítem frente a su demanda real, tomando en cuenta que no todos los productos tienen el mismo patrón de comportamiento. Por eso, esta métrica asigna un peso distinto a cada observación histórica, dando más relevancia a aquellas con mayor impacto en la demanda.
Esta ponderación hace que el análisis sea más realista y adaptado a la dinámica específica de cada ítem.
¿Cómo se calcula?
El WMAPE se obtiene como la media del error absoluto porcentual, pero ponderada según la historia y relevancia del ítem.
Además, a medida que el pronóstico se proyecta hacia períodos más lejanos, el peso del error aumenta, reflejando la mayor incertidumbre que naturalmente existe al mirar más lejos en el tiempo.
¿Para qué sirve?
Gracias al WMAPE, podemos:
Tener una visión más ajustada y objetiva del desempeño de los pronósticos.
Identificar qué tan cerca estuvo la estimación de la realidad.
Evaluar y comparar la calidad de las predicciones entre distintos productos o ubicaciones.
Tomar mejores decisiones para afinar la planificación y mejorar los indicadores de la cadena de suministro.
¿Quieres profundizar más?
Consulta nuestro artículo especializado Cómo calcular el Error Porcentual Absoluto Medio Ponderado (WMAPE), donde explicamos paso a paso su fórmula, ejemplos prácticos y cómo aplicarlo para mejorar la precisión de tus análisis de demanda.
El proceso de aprendizaje de la herramienta de pronóstico de Datup se basa en el análisis continuo de la historia de demanda. A partir de los datos históricos disponibles (ventas, agotados, eventos de mercado, etc.), el modelo aprende patrones, ajusta su comportamiento y genera predicciones cada vez más precisas.
¿De qué depende el aprendizaje?
La calidad del aprendizaje está directamente relacionada con la calidad y cantidad de la historia disponible. Cuanto más rica y confiable sea la información histórica, mejor podrá el modelo identificar patrones relevantes y hacer estimaciones más acertadas.
Además de la propia historia de demanda, el modelo considera factores externos que impactan el comportamiento del consumo, como:
Agotados (stockouts) o picos de venta (sellouts)
Eventos climáticos
Fluctuaciones en el precio del dólar o del petróleo
Cambios en calendarios o estacionalidades
¿Cómo funciona el entrenamiento?
La herramienta utiliza un enfoque de tipo árbol de decisiones, lo que le permite segmentar la historia por condiciones específicas y evaluar escenarios múltiples. A través de un proceso llamado backtesting, el modelo se entrena simulando cómo se habría comportado en el pasado si se hubieran aplicado sus pronósticos.
Este proceso se repite hasta un máximo de cinco veces por cada combinación (ítem, canal, ubicación, etc.), generando distintos modelos. El modelo que mejor se ajusta a la historia real es el que se selecciona para proyectar la demanda futura.
¿Con qué frecuencia se actualiza?
Los modelos se reentrenan mensualmente, utilizando los datos más recientes para:
Capturar cambios en las tendencias de consumo
Ajustarse a nuevas condiciones de mercado
Mantener o mejorar la precisión del pronóstico
Esto permite que el sistema se mantenga dinámico y adaptativo, siempre alineado con la realidad del negocio.
¿Qué opciones ofrece al usuario?
Finalmente, la herramienta no se queda solo en una única predicción. Gracias a su enfoque probabilístico, ofrece al usuario un rango de escenarios posibles —superior, inferior, sugerido, ingenuo y el mejor ajustado (Best Fit)—, para que cada equipo de planificación pueda tomar decisiones basadas tanto en datos como en su conocimiento de negocio.
Los distintos pronósticos que entrega Datup no buscan ser una única respuesta, sino una herramienta para apoyar decisiones más precisas y alineadas a las necesidades reales del negocio.
La elección entre las diferentes columnas de pronóstico (Suggested, Back o Next) dependerá directamente de tus objetivos estratégicos, tu tolerancia al riesgo y el conocimiento que tengas del contexto de operación.
Además, para facilitar aún más este proceso de análisis, incluimos columnas como:
ModeIntervalBestFit: muestra cuál de los intervalos tuvo mejor desempeño en la historia.
BestFitForecast: sugiere el valor más confiable según la precisión observada.
BestFitForecastInterval: indica de qué intervalo proviene ese pronóstico óptimo.
Estas herramientas están diseñadas para que combines análisis cuantitativo (datos históricos y desempeño del modelo) con criterios cualitativos (conocimiento del negocio, campañas, estacionalidades, etc.), permitiéndote tomar decisiones más informadas y efectivas en tu proceso de planificación de la demanda.
Para obtener pronósticos confiables —especialmente si estás planificando a mediano o largo plazo (como 6 a 12 meses)— se recomienda contar con al menos 4 años de historia de demanda.
¿Por qué? Porque una mayor cantidad de datos históricos permite al modelo identificar con mayor precisión tendencias, ciclos estacionales y comportamientos atípicos. Estos elementos son clave para construir proyecciones que realmente reflejen la realidad del negocio.
Cuando la historia es limitada (menos de 2 años), la incertidumbre aumenta y el modelo tiene menos contexto para aprender. En esos casos, es fundamental complementar el análisis con herramientas como los intervalos de pronóstico (Back y Next) y con el conocimiento de negocio del equipo comercial y de operaciones.
En resumen: cuanto más extensa y limpia sea la historia, mejores serán los pronósticos. Pero incluso con poca historia, el modelo puede generar estimaciones útiles, siempre que se analicen con criterio y contexto.
En primer lugar, si el nuevo ítem tiene características similares a otros ítems previamente existentes, se puede utilizar la historia de esos ítems como referencia. Esto implica tomar la información histórica de los ítems comparables y aplicarla al nuevo ítem, asumiendo que seguirá patrones similares de demanda.
En el caso de que el nuevo ítem no tenga ningún ítem homólogo o comparable, se vuelve más desafiante generar pronósticos sin historia. En esta situación, puede ser necesario esperar a acumular suficiente historia del nuevo ítem para poder realizar pronósticos más confiables. Es importante tener paciencia y permitir que se recopile la información necesaria para tomar decisiones basadas en datos sólidos.
Si el ítem nuevo tiene historia disponible, se puede utilizar el ítem homólogo o similar como referencia para generar pronósticos. En este caso, se aprovecha la información histórica del ítem homólogo y se aplica al nuevo ítem, considerando que comparten características y comportamientos similares.
Para aprovechar la historia de otro ítem como base para generar pronósticos, es necesario identificar correctamente los códigos o identificadores que corresponden a ítems homólogos o similares. Estos ítems deben compartir características clave como tipo de producto, comportamiento de venta, canal o segmento.
Una vez identificados los códigos, puedes extraer la información histórica asociada a ellos. Esta historia puede incluir datos como:
Niveles de demanda o consumo.
Ventas registradas.
Historial de inventario.
Precios o promociones aplicadas.
Otros indicadores relevantes para la planificación.
Esta información sirve como punto de partida para alimentar modelos de pronóstico en ítems nuevos o con poca historia, aprovechando patrones ya observados en productos similares.
En Datup recibimos y procesamos una amplia variedad de formatos de archivo para facilitar la integración de datos desde distintas fuentes. Entre los formatos compatibles se incluyen:
Excel (.xls, .xlsx)
CSV (.csv)
TXT (.txt)
Parquet (.parquet)
SQL y XML
Además, Datup permite conectarse tanto a fuentes frías (archivos cargados manualmente) como a conexiones en caliente, es decir, integraciones automáticas y en tiempo real con tus sistemas de información (ERP, bases de datos, etc.).
Esto nos permite adaptarnos a los entornos tecnológicos de cada cliente y garantizar un procesamiento de datos ágil y eficiente para el análisis y la toma de decisiones.
El ranking de ítems en Datup se construye a partir de una combinación de criterios cuantitativos que permiten identificar los productos más relevantes dentro del portafolio. Este cálculo se basa en:
Principio de Pareto (80/20): Se utiliza para clasificar los ítems según su impacto en variables clave como ingresos, costos o consumos. Esto permite identificar los productos que generan la mayor parte del valor con un menor número de referencias.
Desviación estándar sobre el promedio: Este indicador mide la variabilidad del comportamiento de cada ítem. Un alto nivel de variación puede implicar mayor incertidumbre, lo que influye en su posición dentro del ranking.
Frecuencia o velocidad de venta: Se evalúa con qué regularidad o rapidez se vende un ítem, lo cual ayuda a determinar su rotación y relevancia operativa.
Al combinar estos elementos, Datup ofrece un ranking integral y dinámico que facilita la priorización de esfuerzos en planificación, inventarios y decisiones comerciales.
El ranking se calcula considerando un intervalo de tiempo que usualmente abarca entre 3, 6 y 12 meses de historia. Este rango permite capturar comportamientos recientes y representativos de cada ítem, evaluando su desempeño de forma consistente.
El período seleccionado se adapta a la realidad operativa del negocio, equilibrando la necesidad de datos actualizados con la estabilidad en las métricas. Así, se garantiza que el ranking refleje tanto la relevancia actual como la consistencia histórica de la demanda, ventas, costos y rotación de cada producto.
3 meses: recomendado para productos de alta rotación, campañas recientes o categorías sensibles a cambios estacionales o de mercado.
12 meses: ideal para productos de baja rotación, comportamiento cíclico o cuando se busca una visión más estable y de largo plazo del desempeño del ítem.
Esta flexibilidad permite ajustar el análisis a las características propias de cada portafolio y mejorar la toma de decisiones estratégicas.
Existen varias razones por las cuales es posible que no se visualice un pronóstico para ciertos ítems. Estas razones incluyen:
La generación de pronósticos depende directamente de la disponibilidad de datos históricos. Si un ítem no tiene datos registrados (por ejemplo, ventas, pedidos o movimientos) o su historia es muy limitada, no es posible identificar patrones o tendencias, lo que impide generar un pronóstico confiable.
Ejemplo: Ítems nuevos, descontinuados o que han estado fuera del portafolio durante mucho tiempo.
En algunos casos, los clientes definen criterios específicos para excluir ciertos ítems del proceso de pronóstico. Estas reglas pueden estar basadas en:
Categorías que no se desean pronosticar (por ejemplo, ítems promocionales o de baja rotación)
Restricciones internas del negocio
Falta de relevancia operativa o comercial
Calidad insuficiente en los datos disponibles
Estas reglas se configuran previamente en el sistema y afectan directamente qué ítems son considerados.
Cuando un ítem tiene poca o nula historia, se puede usar la información de ítems homólogos (es decir, similares en comportamiento y características) como referencia para generar su pronóstico.
Para que esto funcione:
El cliente debe haber identificado correctamente los códigos equivalentes.
Los ítems homólogos deben tener una historia suficiente y de calidad.
Si no hay homólogos definidos o estos tampoco tienen suficiente información, el sistema no podrá generar un pronóstico para el ítem.
La estacionalidad y la tendencia son dos componentes clave en la construcción de pronósticos de demanda, ya que permiten capturar el comportamiento real de los ítems a lo largo del tiempo.
La estacionalidad hace referencia a patrones recurrentes que se repiten en determinados periodos, como meses del año, semanas o días específicos. Por ejemplo, un aumento en la venta de ciertos productos durante diciembre o una caída habitual en meses de temporada baja.
En Datup, identificamos estos patrones estacionales a partir de los datos históricos y aplicamos ajustes proporcionales a los pronósticos. Esto significa que los valores proyectados pueden aumentar o disminuir dependiendo del comportamiento esperado en cada periodo.
La tendencia, en cambio, refleja la dirección general del comportamiento de la demanda a lo largo del tiempo: si está aumentando, disminuyendo o permaneciendo estable.
Nuestro modelo analiza esta trayectoria y realiza ajustes al pronóstico base.
Si se detecta una tendencia creciente, se suman puntos al forecast para reflejar ese crecimiento esperado.
Si la tendencia es decreciente, se ajusta a la baja el valor proyectado.
Ambos componentes ayudan a generar pronósticos más realistas y alineados con el contexto histórico del negocio. Tener en cuenta la estacionalidad y la tendencia mejora la precisión de las proyecciones, especialmente en productos con ciclos de comportamiento definidos.
Estos ajustes forman parte del enfoque inteligente de Datup para entregar herramientas de planificación que no solo se basan en promedios, sino en dinámicas reales del mercado.
Para generar pronósticos precisos y aprovechar al máximo las capacidades de Datup, es fundamental contar con un conjunto de datos estructurado y completo. Las columnas esenciales que se deben incluir son:
Fecha: Permite organizar la información en una secuencia temporal.
Identificador del ítem (ID): Código único que representa cada producto o SKU.
Demanda (unidades, cantidades o ventas): Refleja el volumen solicitado o vendido.
Valor monetario (ventas en pesos, dólares, etc.): Complementa la visión con el impacto económico de la demanda.
Estas columnas constituyen la base para analizar el comportamiento histórico de los productos y construir modelos de pronóstico efectivos.
Columnas complementarias recomendadas
Además de los campos obligatorios, existen otras columnas que enriquecen el análisis y permiten comprender mejor los factores que afectan la demanda:
Ubicación (location): Aunque opcional, ayuda a identificar variaciones por zona geográfica.
Eventos de stockout: Señala períodos en los que no hubo inventario disponible, lo que puede distorsionar la demanda observada.
Eventos de sellout o promociones: Identifica ventas asociadas a descuentos, campañas o lanzamientos, útiles para diferenciar la demanda real de la inducida por acciones comerciales.
La reorden sugerida se calcula integrando múltiples variables que permiten anticipar necesidades de abastecimiento y evitar quiebres de inventario. Entre los factores clave considerados se encuentran:
Inventario disponible: Ya sea total o segmentado por ubicación, representa la cantidad actual en bodega.
Ítems en tránsito: Productos ya solicitados pero aún no recibidos, que se deben restar de la necesidad proyectada.
Pronóstico de demanda: Estimación de consumo futuro durante el periodo de cobertura definido.
Punto de reorden: Umbral mínimo a partir del cual se recomienda generar un nuevo pedido para evitar desabastecimientos.
Este enfoque permite anticipar con precisión las cantidades necesarias para mantener niveles óptimos de inventario, ajustados a la dinámica real del negocio. La recomendación puede ser diaria, semanal o mensual, según la frecuencia de análisis definida por el cliente.
El stock de seguridad es una cantidad de inventario que se define como reserva estratégica, cuyo objetivo es proteger la operación frente a variaciones inesperadas en la demanda o en el abastecimiento.
Su función principal es asegurar la continuidad del suministro y evitar quiebres de inventario, actuando como un nivel de protección ante situaciones como:
Incrementos imprevistos en la demanda
Retrasos en las entregas de proveedores
Eventos estacionales o promocionales no planificados
Cambios logísticos o condiciones externas (clima, transporte, entre otros)
Aunque el stock de seguridad forma parte del inventario físico, no se considera disponible para el consumo regular, ya que estas unidades se mantienen reservadas para garantizar el nivel de servicio.
De esta manera, el stock de seguridad no incrementa el inventario utilizable, sino que restringe su uso dentro de los cálculos de planeación, funcionando como un mecanismo de protección ante la incertidumbre.
No, el Suggested Forecast de inventarios no es lo mismo que los pronósticos mensuales de demanda.
Mientras que los pronósticos de demanda estiman cuántas unidades se espera vender o consumir en cada período (por ejemplo, por mes), el Suggested Forecast de inventarios proyecta la cantidad de inventario requerida para cubrir esa demanda durante un período determinado, teniendo en cuenta la cobertura esperada de cada ítem.
Es decir, el Suggested Forecast de inventarios no indica cuánto se venderá, sino cuánto inventario deberías tener para satisfacer esa demanda futura dentro del tiempo de cobertura definido.
Sí, la demanda histórica incluye los datos de ventas del mes anterior. Esta información representa cuántas unidades se vendieron realmente en ese período y forma parte del registro acumulado de comportamiento de cada ítem.
Analizar la demanda histórica permite identificar patrones de consumo, estacionalidades y tendencias, lo cual es fundamental para construir pronósticos más precisos y tomar decisiones informadas sobre inventarios, compras y planificación comercial.
El punto de reorden es el nivel de inventario en el que se debe generar una nueva orden de compra para evitar desabastecimientos. Se calcula sumando dos componentes clave:
Lead time demand: la demanda estimada durante el tiempo que tarda en llegar un nuevo pedido.
Stock de seguridad: una reserva estratégica para cubrir imprevistos o variaciones en la demanda.
Este punto actúa como una señal de alerta: cuando el inventario cae por debajo de ese nivel, es momento de reabastecer. Así, se asegura una operación continua sin faltantes y se optimiza la gestión del inventario.
La cobertura puede ser estática o dinámica, y su configuración depende de las necesidades y políticas de cada cliente.
Cobertura estática: es un valor fijo predefinido, establecido por el cliente según su estrategia de abastecimiento.
Ejemplo: una empresa puede definir una cobertura fija de 30 días para todos sus productos, lo que significa que siempre buscará tener inventario suficiente para cubrir un mes de demanda, sin importar el comportamiento individual de cada ítem.
Cobertura dinámica: se calcula automáticamente en función de variables como la fecha de las órdenes de compra, la demanda proyectada o los ciclos de reposición.
Ejemplo: si un ítem tiene una demanda creciente o un lead time más largo durante ciertas épocas del año, la herramienta puede ajustar la cobertura para ese ítem a 45 o incluso 60 días, adaptándose a su comportamiento específico.
Esta flexibilidad permite que la herramienta se adapte tanto a operaciones más rígidas como a entornos cambiantes donde se requiere ajustar la cobertura en tiempo real para optimizar la planificación y evitar quiebres de inventario o excesos innecesarios.
El horario de ejecución de los pronósticos e inventarios es personalizable y se ajusta a las necesidades específicas de cada cliente. Cada empresa puede definir el momento más conveniente para que se realicen los cálculos, ya sea en la mañana, en la tarde o incluso en ambos momentos del día.
Esta flexibilidad permite integrar el proceso con los flujos operativos del negocio, garantizando que la información esté actualizada justo cuando se necesita, ya sea para reuniones de planeación, toma de decisiones o generación de órdenes de compra.
Ejemplo:
Una empresa puede programar sus pronósticos a las 6:00 a. m. para tener los datos listos al inicio de la jornada, y la actualización de inventarios a las 6:00 p. m. para cerrar el día con información consolidada.
Nuestro objetivo es adaptarnos a tu operación para asegurar que el proceso sea ágil, eficiente y alineado con tu rutina de trabajo.
Las discrepancias entre los datos y gráficas del dashboard general y el dashboard por ubicación (location) se deben a los diferentes enfoques de pronóstico utilizados en cada uno.
Dashboard general (pronóstico por ítem):
Este panel realiza un análisis agregado del comportamiento histórico del ítem en todas las ubicaciones. Es decir, se genera un único pronóstico global para el ítem, sin distinguir entre tiendas, centros de distribución u otras localizaciones.
Dashboard location (pronóstico por ítem-ubicación):
Aquí el análisis es más granular: se evalúa el comportamiento del mismo ítem en una ubicación específica, como una tienda o bodega. Esto permite capturar variaciones locales en la demanda, distribución o consumo.
