Previsión de la demanda y gestión de stock con inteligencia artificial

Quedarte sin el producto que más vendes y, a la vez, tener el almacén lleno de lo que no rota es uno de los problemas más caros y frecuentes en comercio, distribución y restauración. La previsión de la demanda con inteligencia artificial ataca justo ese problema: estima cuánto van a pedirte de cada referencia en cada momento y traduce esa estimación en cuánto y cuándo debes comprar.

En esta guía vemos cómo funciona, qué cálculos de stock se apoyan en ella, cómo tratar productos difíciles y cómo llegar a una propuesta de pedido automática sin perder el control. Es una de las aplicaciones del análisis predictivo con IA donde el retorno se ve antes, porque cada mejora en la previsión se traduce en euros de inventario o en ventas que no se pierden.

1. Demanda no es lo mismo que ventas

Es el matiz más importante de todo el artículo. Tus ventas registradas son la demanda que pudiste atender. Si una referencia estuvo agotada diez días, ese mes vendiste menos, pero no porque nadie la quisiera.

Cuando se planifica con ventas en lugar de con demanda se produce un círculo vicioso: la rotura de stock hace que las ventas parezcan bajas, la previsión siguiente pide menos, vuelve a haber rotura… Un buen sistema de previsión de demanda detecta los periodos sin existencias y estima lo que se habría vendido. Para eso necesita saber cuándo hubo stock disponible, no solo cuánto se vendió.

Si todavía no tienes una previsión a nivel de negocio, quizá te interese empezar por la previsión de ventas con IA, que trabaja a un nivel más agregado y es más fácil de montar. La previsión de demanda baja al detalle de referencia, almacén y semana.

2. Los cálculos de stock que dependen de la previsión

La previsión, por sí sola, no te dice cuánto pedir. Lo que hace es alimentar unos cálculos clásicos de gestión de inventario que conviene tener claros:

• Plazo de reposición (lead time): el tiempo desde que haces el pedido hasta que la mercancía está disponible para vender.
• Demanda durante el plazo de reposición: lo que esperas vender mientras llega el pedido. Sale directamente de la previsión.
• Stock de seguridad: el colchón para cubrir la incertidumbre. Una fórmula habitual lo calcula a partir de la variabilidad de la demanda, la duración del plazo de reposición y el nivel de servicio que quieres asegurar.
• Punto de pedido: el nivel de existencias en el que toca volver a pedir. Es la demanda esperada durante el plazo de reposición más el stock de seguridad.
• Nivel de servicio: la probabilidad de no quedarte sin stock en un ciclo de reposición. Subirlo cuesta inventario; bajarlo cuesta ventas perdidas.

Aquí está la conexión con la IA: cuanto más precisa es la previsión, menor es la incertidumbre y menos stock de seguridad necesitas para el mismo nivel de servicio. Es decir, una mejor previsión de la demanda te permite tener menos dinero inmovilizado sin aumentar las roturas.

3. Clasifica tus referencias antes de prever

No todas las referencias merecen el mismo esfuerzo ni se comportan igual. Dos clasificaciones sencillas ayudan mucho:

Análisis ABC: por importancia

Ordena las referencias por su peso en ventas o margen. Las del grupo A son pocas pero concentran gran parte del negocio; son las que merecen la previsión más cuidada y la revisión más frecuente. Las del grupo C son muchas y pesan poco; pueden gestionarse con reglas más simples.

Análisis XYZ: por regularidad

Agrupa las referencias según lo estable que es su demanda. Las X se venden de forma regular y son fáciles de prever; las Z son erráticas o intermitentes (semanas sin ventas seguidas de pedidos sueltos) y necesitan métodos específicos.

Combinación	Ejemplo	Enfoque recomendado
AX: importante y regular	Producto estrella de un e-commerce de alimentación	Modelo detallado, revisión semanal, stock de seguridad ajustado
AZ: importante e irregular	Recambio caro que piden pocos talleres pero con margen alto	Métodos para demanda intermitente y revisión manual de pedidos grandes
CX: poco peso y regular	Consumible barato de rotación estable	Reglas automáticas sencillas, pedidos agrupados
CZ: poco peso e irregular	Referencia antigua con ventas esporádicas	Valorar si mantenerla en catálogo o servirla bajo pedido

4. Cómo mejora la IA la previsión de la demanda

Los métodos tradicionales proyectan cada referencia por separado mirando solo su propio histórico. Los modelos de machine learning aportan tres ventajas prácticas:

• Aprenden de muchas referencias a la vez. Un producto con poco histórico se beneficia de lo que el modelo ha aprendido de productos parecidos.
• Incorporan factores externos: promociones, cambios de precio, festivos, eventos locales, tiempo meteorológico o campañas publicitarias.
• Capturan efectos cruzados: cuando promocionas un producto, otros parecidos pueden venderse menos (canibalización) o más (complementarios).

Para la demanda intermitente existen métodos estadísticos específicos, como el de Croston y sus variantes, que separan «cada cuánto se pide» de «cuánto se pide cuando se pide». Un buen proyecto combina técnicas según el tipo de referencia en lugar de aplicar un único algoritmo a todo. Si te interesa entender estos modelos sin tecnicismos, lo explicamos en machine learning para empresas.

5. Ejemplos por tipo de negocio

Algunos escenarios ilustrativos de cómo se aplica la previsión de demanda en pymes:

• E-commerce de moda o deporte: previsión por talla y color al inicio de temporada, apoyada en productos similares de temporadas anteriores, y reajuste semanal con las primeras ventas.
• Distribuidor de material de construcción: demanda ligada a la estacionalidad de las obras y a pedidos grandes de pocos clientes; se combina el modelo con la información comercial de obras previstas.
• Restaurante o obrador: previsión diaria de comensales o unidades por producto para ajustar compras de perecederos y producción, teniendo en cuenta día de la semana, festivos, eventos y tiempo.
• Farmacia o parafarmacia: productos estacionales (protección solar, antialérgicos, antigripales) cuya demanda se adelanta o retrasa según el tiempo de cada año.
• Taller o servicio técnico: previsión de recambios de alta rotación según el parque de vehículos o equipos atendidos y la época del año.

En todos ellos el principio es el mismo que en cualquier proyecto de análisis predictivo en la empresa: empezar por las referencias que más pesan y medir el resultado frente a cómo se compraba antes.

6. De la previsión a la propuesta de pedido automática

El valor real aparece cuando la previsión deja de ser un número en un informe y se convierte en una propuesta de compra lista para revisar. El flujo típico es este:

1. Cada noche o cada semana se extraen ventas, stock, pedidos pendientes y plazos de proveedor del ERP o la tienda online.
2. El modelo actualiza la previsión de demanda por referencia y almacén.
3. Se calculan stock de seguridad y punto de pedido con el nivel de servicio fijado para cada grupo ABC.
4. Se genera una propuesta de pedido por proveedor que respeta mínimos de compra, múltiplos de caja y días de entrega.
5. El responsable de compras revisa, ajusta lo que considere y aprueba. Sus ajustes quedan registrados para medir si mejoran el resultado.

Los pasos 1, 4 y 5 son pura automatización de procesos: extraer datos, aplicar reglas y mover documentos entre sistemas. Por eso este tipo de proyecto suele combinar el modelo predictivo con la automatización de procesos con IA que conecta ERP, correo y proveedores.

7. Cómo medir si la gestión de stock ha mejorado

Medir solo el error de la previsión se queda corto: lo que de verdad importa es el efecto en el inventario y en el servicio al cliente. Antes de poner en marcha el sistema, anota cómo están hoy estos indicadores para poder compararlos después:

• Nivel de servicio real: porcentaje de pedidos o líneas servidas completas a la primera. Es la cara visible para tus clientes.
• Roturas de stock: número de referencias y días sin existencias, priorizando las del grupo A.
• Días de cobertura: cuántos días de venta cubre el stock actual. Un valor muy alto indica dinero inmovilizado.
• Rotación de inventario: cuántas veces se renueva el stock en un periodo. Si sube sin que empeore el servicio, vas por buen camino.
• Stock obsoleto o de lenta rotación: valor de las referencias que llevan semanas sin moverse.
• Tiempo dedicado a preparar pedidos: horas a la semana que tu equipo de compras invierte en revisar hojas y calcular cantidades.

Lo recomendable es ver estos indicadores juntos, en un mismo panel, y por grupos de referencias. Una mejora global puede esconder que las referencias críticas siguen rompiendo stock. Revisa también la evolución mes a mes y no solo la foto puntual: el inventario tarda varios ciclos de compra en reflejar una nueva forma de pedir, así que conviene dar al sistema margen antes de sacar conclusiones definitivas.

8. Datos necesarios y errores que debes evitar

Para arrancar con garantías necesitas, como mínimo:

• Histórico de ventas por referencia y fecha, idealmente diario o semanal.
• Histórico de stock disponible, o al menos de las roturas.
• Plazos de entrega reales de cada proveedor (no los teóricos).
• Calendario de promociones y cambios de precio.
• Maestro de productos limpio: códigos estables, familias bien asignadas, referencias sustitutas identificadas.

Los errores más habituales son planificar con ventas en lugar de demanda, usar plazos de proveedor optimistas, aplicar el mismo nivel de servicio a todo el catálogo y no actualizar el maestro de productos cuando se dan de alta o de baja referencias. Casi todos tienen raíz en los datos; en nuestra guía sobre calidad de datos verás cómo detectarlos antes de que contaminen la previsión.

9. Conclusión: menos stock inmovilizado, menos roturas

La previsión de la demanda con IA no es un lujo de grandes cadenas. Una pyme con un catálogo de cientos de referencias puede reducir el tiempo que dedica a decidir compras y ajustar mejor su inventario si empieza por las referencias que más pesan, registra las roturas y conecta la previsión con una propuesta de pedido que su equipo revisa.

• Registra las roturas de stock desde hoy.
• Clasifica tu catálogo con el cruce ABC-XYZ.
• Revisa los plazos reales de cada proveedor.
• Empieza la previsión por las referencias del grupo A.
• Conecta la previsión con una propuesta de pedido revisable.

Si quieres ver cómo se aplicaría a tu catálogo y a tus proveedores, en Neuronia Digital te ayudamos a diseñarlo dentro de nuestro servicio de datos y previsión con IA. Solicita un diagnóstico gratuito y revisamos juntos tus datos de partida.

10. Preguntas frecuentes

¿Qué diferencia hay entre previsión de ventas y previsión de la demanda?

La previsión de ventas estima lo que vas a facturar o vender. La previsión de la demanda estima lo que tus clientes querrían comprar si tuvieras producto disponible. La diferencia aparece cuando hay roturas de stock: las ventas registradas se quedan cortas respecto a la demanda real, y si planificas con ellas vuelves a quedarte sin existencias.

¿Cómo se calcula el stock de seguridad?

Una fórmula habitual multiplica un factor ligado al nivel de servicio que quieres garantizar por la variabilidad de la demanda durante el plazo de reposición del proveedor. Cuanto más incierta es la demanda, más largo el plazo de entrega o más alto el nivel de servicio, mayor será el stock de seguridad. Una buena previsión reduce esa incertidumbre y, con ella, el stock necesario.

¿Sirve la previsión de la demanda para productos nuevos?

Sí, aunque con otro enfoque. Sin histórico propio, el modelo se apoya en productos similares (misma familia, precio, temporada) y en las primeras semanas de venta. La previsión es menos precisa al principio y se corrige rápido a medida que entran datos.

¿Necesito cambiar de ERP para usar previsión de la demanda con IA?

Normalmente no. El modelo puede leer los datos de tu ERP o de tu tienda online y devolver la propuesta de pedido al mismo sistema o a una hoja compartida. Cambiar de ERP solo tiene sentido si el actual no permite extraer los datos o está ya limitando otras áreas.

¿Qué es el punto de pedido?

Es el nivel de existencias a partir del cual toca lanzar un nuevo pedido al proveedor. Se calcula sumando la demanda esperada durante el plazo de reposición y el stock de seguridad. Si la previsión de demanda cambia, el punto de pedido debería recalcularse con ella.