Previsión de demanda: métodos prácticos para industria y retail

Casi 8 de cada 100 productos que deberían estar a la venta en el comercio minorista brasileño faltan porque alguien compró poco o el pedido no llegó a tiempo. Abrappe, la asociación brasileña de prevención de pérdidas, lo llama quiebre comercial, y en su encuesta publicada en 2026 quedó en 7,81%. No es robo ni merma. Es previsión de demanda mal hecha, o hecha a ojo.

Lo curioso es que la misma empresa que pierde ventas por falta suele tener dinero inmovilizado en productos que no rotan. Los dos problemas tienen la misma raíz: la compra se decide mirando el mes pasado y la intuición del comprador, sin un número de referencia que alguien pueda cuestionar.

La buena noticia es que la mayoría de las empresas no necesita un modelo sofisticado para salir de ese ciclo. Necesita el método adecuado para el nivel de datos que ya tiene.

La previsión de demanda es la estimación de cuánto se venderá de cada producto en un período futuro, construida a partir del historial de ventas y de los factores que lo mueven (estacionalidad, precio, promociones). Los métodos van desde la media móvil simple en una hoja de cálculo hasta modelos de machine learning. Es la base para decidir compras, producción y stock de seguridad.

¿Por qué la previsión de demanda siempre falla (y por qué ese no es el problema)?

Toda previsión se equivoca. El gerente que espera acertar el número exacto abandonará el método al tercer mes. La pregunta útil es otra: ¿cuánto se equivoca, hacia qué lado y cuánto cuesta ese error?

Equivocarse un 10% hacia arriba en un artículo barato y de alta rotación cuesta poco. Equivocarse un 10% hacia abajo en el producto que atrae al cliente a la tienda cuesta mucho, porque la venta perdida rara vez vuelve: el cliente compra en la competencia. Por eso la previsión no termina en el número. Termina en la política de inventario que absorbe el error, tema que aparece más adelante.

En la práctica, la mayor ganancia no viene de cambiar de método. Viene de tener un método cualquiera, documentado, cuyo error se mide cada mes. Eso solo ya separa a la empresa que aprende de la que repite la misma corazonada.

¿Cuáles son los métodos de previsión de demanda?

Los métodos se dividen en dos grupos. Los cualitativos usan opinión estructurada: estimación del equipo comercial, consulta a expertos (método Delphi), encuestas a clientes. Sirven para lanzamientos, mercados nuevos o cualquier situación sin historial. Los cuantitativos usan la serie de ventas pasadas, y en ellos está el día a día de las compras.

La forma más práctica de elegir es pensar en escalones de madurez. Cada escalón exige un poco más de datos y disciplina, y entrega un poco más de precisión.

Método	Cuándo usarlo	Dónde falla
Media móvil simple	Artículos estables, poco historial, primer paso	Se retrasa ante tendencias e ignora la estacionalidad
Suavizado exponencial	Muchos SKU, actualización mensual o semanal	Por sí solo, también se retrasa cuando la venta sube
Índice estacional (Holt-Winters)	Retail con fechas fuertes, industria con cosechas	Necesita al menos 2 años para medir el patrón
Regresión con variables causales	Promociones, precio y clima mueven mucho la venta	Exige registrar las causas, y casi nadie lo hace
Machine learning	Miles de combinaciones SKU x tienda, datos integrados	Datos sucios producen previsiones erróneas con apariencia de precisas

¿Cómo hacer una previsión de demanda en la práctica? Un ejemplo calculado

Imagine un supermercado de barrio con este historial de packs de agua mineral: enero 820, febrero 760, marzo 900, abril 940, mayo 880, junio 1.010. ¿Cuánto comprar para julio?

Media móvil de 3 meses

Sume los tres últimos meses y divida entre tres: (940 + 880 + 1.010) / 3 = 943 packs. Simple, fácil de explicar en una reunión y ya mejor que repetir junio. El defecto aparece cuando la venta tiene dirección: la media siempre va detrás de la tendencia.

Suavizado exponencial (α = 0,3)

Aquí la previsión del mes siguiente es el 30% de la venta real más reciente y el 70% de la previsión anterior. Empezando con la previsión de febrero igual a la venta de enero (820), la secuencia queda: marzo 802, abril 831, mayo 864, junio 869 y julio 911 packs (0,3 × 1.010 + 0,7 × 869).

Fíjese en que los dos métodos dan números distintos para la misma serie. Ninguno es "el correcto". Un α mayor reacciona más rápido a los cambios y también al ruido; uno menor es más estable y más lento. La forma honesta de elegir es aplicar ambos sobre los meses pasados y ver cuál se equivocó menos, que es justo lo que muestra la siguiente sección.

Ajustar la estacionalidad

Si el historial de dos años muestra que diciembre vende, en promedio, un 40% más que un mes típico, el índice estacional de diciembre es 1,4. Una base prevista de 1.050 unidades se convierte en 1.050 × 1,4 = 1.470 unidades. Es el ajuste que más quiebres evita en fechas fuertes, y vale la pena leer nuestra guía sobre cómo preparar el e-commerce para el Black Friday con datos si vive ese pico.

¿Cómo medir el error de la previsión?

Dos métricas resuelven casi todo. El MAPE (error porcentual absoluto medio) indica el tamaño del error. El sesgo indica hacia qué lado se equivoca con frecuencia.

Mes	Previsto	Real	Error absoluto %
1	1.100	1.000	10,0%
2	1.050	1.200	12,5%
3	1.000	900	11,1%
4	1.150	1.100	4,5%

El MAPE es el promedio de los errores: 9,5%. El sesgo suma previsto menos real: +100 unidades sobre 4.200 vendidas, o +2,4%. Un sesgo positivo y persistente significa que el comprador infla el número "por si acaso", y ese colchón se convierte en stock inmovilizado. En nuestra experiencia, el sesgo es el primer indicador que cambia comportamientos, porque revela un hábito, no un azar.

Cuidado con el MAPE en artículos de baja venta: equivocarse en 2 unidades cuando la venta real fue 4 da un 50% de error. Para la cola larga, evalúe por familia de producto, no por SKU.

De la previsión a la orden de compra

La previsión por sí sola no dice cuándo comprar. El puente es el punto de pedido, que suma el consumo esperado durante el plazo del proveedor y un stock de seguridad para cubrir el error.

En el ejemplo: demanda prevista de 30 unidades por día, desviación del error de 8 unidades por día, plazo de entrega de 9 días y meta de cubrir el 95% de los ciclos sin quiebre (z = 1,65). El stock de seguridad es 1,65 × 8 × √9 ≈ 40 unidades. El punto de pedido es 30 × 9 + 40 = 310. Cuando el stock baja de 310, sale el pedido.

Observe que el error de la previsión entra directo en la cuenta. Reducir la desviación de 8 a 5 baja el stock de seguridad de 40 a 25 unidades sin tocar el nivel de servicio. Por eso medir el error no es burocracia: es dinero que deja de estar parado en la estantería.

Esta fórmula asume una demanda razonablemente estable y un plazo de proveedor confiable. Si el proveedor se retrasa con frecuencia, la variabilidad del plazo también debe entrar en el cálculo, y el colchón crece bastante.

Previsión de demanda en la industria y en el retail: qué cambia

Los métodos son los mismos; lo que cambia es el recorte. En la industria, la previsión suele hacerse por familia de producto y con horizonte de meses, porque alimenta el plan de producción y la compra de materias primas con plazos largos. El ritual que lo articula es el S&OP, la reunión mensual en la que ventas, producción y finanzas cierran un único número.

En el retail, la granularidad es SKU por tienda y el horizonte es de días o semanas. El problema típico es la góndola vacía: Neogrid midió un quiebre de stock del 11,9% en los supermercados brasileños en septiembre de 2025, según su informe de quiebres. Una parte es previsión y otra es reposición interna, y separar las dos causas ya indica dónde actuar. Hay más usos de este tipo de datos en nuestro artículo sobre análisis de datos en el retail.

Un error común a ambos: prever a partir de las ventas cuando hubo faltantes. Si el producto estuvo diez días en quiebre, la venta registrada subestima la demanda real. Marque esos períodos y corríjalos antes de calcular; si no, el modelo aprende a comprar poco y el quiebre se perpetúa.

¿Cuándo entra la IA en la previsión de demanda?

El machine learning supera a los métodos clásicos cuando hay muchas variables cruzadas (promociones, precio de la competencia, clima, feriados regionales) y miles de combinaciones de producto y tienda. En ese escenario, ajustar índice por índice en la hoja de cálculo deja de ser viable. Explicamos cómo funciona en previsión de ventas con IA y, de forma más amplia, en análisis predictivo.

Ahora, el trade-off: un modelo de IA alimentado con registros duplicados, ventas sin marcar los quiebres y promociones no registradas produce una previsión equivocada que parece muy precisa. Para la mayoría de las pymes, el camino con mejor retorno es ordenar los datos, aplicar suavizado con estacionalidad, medir el error durante tres meses y solo entonces probar un modelo más sofisticado contra esa referencia. Si la IA no supera al método simple en el historial, no vale el costo.

Preguntas frecuentes

¿Cuál es la diferencia entre previsión de demanda y previsión de ventas?

La previsión de ventas estima lo que la empresa va a facturar, muchas veces considerando ya metas y restricciones de stock. La previsión de demanda estima cuánto quiere comprar el mercado, aunque usted no tenga el producto. La diferencia aparece justamente en los períodos de quiebre, en los que la demanda existió y la venta no.

¿Cómo hacer una previsión de demanda en Excel?

Organice las ventas por producto y mes en columnas, calcule la media móvil con la función PROMEDIO sobre las tres últimas celdas y arrastre la fórmula. Para el suavizado exponencial, use =0,3*venta_anterior+0,7*previsión_anterior. Las versiones recientes de Excel también tienen la función PRONOSTICO.ETS, que ya considera la estacionalidad.

¿Cuáles son los métodos cualitativos de previsión de demanda?

Los principales son la opinión de la fuerza de ventas, el método Delphi (rondas de consulta a expertos hasta converger), las encuestas de intención a clientes y la analogía con productos parecidos. Se recomiendan para lanzamientos y mercados sin historial, y funcionan mejor combinados con datos en cuanto aparecen las primeras ventas.

¿Qué método usar con poco historial?

Con menos de 6 meses de datos, use una media móvil corta o la analogía con un producto parecido, y revise cada semana. La estacionalidad solo debe estimarse con al menos dos ciclos completos, es decir, dos años para patrones anuales.

¿Qué error de previsión es aceptable?

Depende de la rotación y del valor del artículo. En productos de alta rotación, un MAPE entre 10% y 20% suele ser manejable; en artículos de cola larga, el error por SKU será alto y conviene evaluar por familia. Más importante que el número absoluto es que el error tienda a bajar y que el sesgo esté cerca de cero.

El comprador no necesita una bola de cristal

Necesita un número de referencia, un error medido y una regla que convierta ambos en pedido. Las empresas que hacen esto con media móvil y disciplina compran mejor que las que contrataron un modelo sofisticado y nunca revisaron el resultado. El cuello de botella casi siempre está en reunir ventas, inventario y promociones en un solo lugar, y ahí es donde ayuda Sherlok: conecta sus fuentes, pregunta en lenguaje natural qué producto está a punto de agotarse o qué artículo está acumulando stock, y recibe el análisis listo para decidir la compra de la semana.