Ideas clave
- Prevé donde se hace el pedido: por producto, por tienda y por día, durante el plazo de entrega más el tiempo hasta el siguiente pedido.
- Las ventas no son la demanda. Los días con el lineal vacío, los registros de stock negativo y las rebajas ocultan parte de ella.
- A nivel de tienda, métodos sencillos como el suavizado exponencial aguantan frente al aprendizaje automático; las referencias de baja rotación necesitan un método pensado para la demanda intermitente.
- Mide el error en unidades durante el horizonte del pedido, con el sesgo al lado, y compáralo con una regla ingenua. No uses el MAPE en las referencias de baja rotación.
- Las promociones, los festivos y el tiempo mueven la demanda más que cualquier elección de método, así que introdúcelos como eventos conocidos.
En una cadena de tiendas, prever la demanda consiste menos en predecir el año y más en predecir mañana, producto a producto y tienda a tienda. El pedido que una tienda envía esta tarde es una previsión de lo que sus clientes comprarán antes de la próxima entrega, lo haya escrito alguien o no. Si se queda alto, el dinero se queda parado en el lineal o acaba en la basura; si se queda corto, el lineal está vacío cuando llega el cliente. Esta guía explica qué prever, qué métodos funcionan a ese nivel y cómo saber si la previsión es buena.
1. Qué debe prever una cadena
Una previsión es útil al nivel en el que se toma una decisión. Para el reaprovisionamiento de tiendas, ese nivel es un producto en una tienda, día a día, porque el pedido, la entrega y el lineal vacío ocurren ahí. El total de la cadena sirve para el presupuesto, pero promedia justo lo que el pedido necesita ver: una tienda que se queda sin producto mientras otra tiene tres semanas de la misma referencia.
Los grandes supermercados prevén a este nivel de forma habitual. Albert Heijn prevé la demanda de cada producto en cada tienda para los próximos 50 días10, y Tesco dice que usa IA para optimizar los pedidos de las tiendas y el nivel de las rebajas11. Sainsbury's trasladó su previsión de alimentación a una plataforma de aprendizaje automático y, junto con el trabajo con sus proveedores, mejoró la disponibilidad de alimentación en 190 puntos básicos en cuatro años9. Una cadena más pequeña no necesita sus sistemas para trabajar al mismo nivel; necesita la misma unidad de cuenta.
2. Las ventas no son la demanda
Toda previsión de tienda parte de los datos de caja, y los datos de caja registran lo que se vendió, no lo que querían los clientes. Hay tres cosas que abren una brecha entre ambos. Un producto que se agotó no vendió nada el resto del día, por mucha gente que lo buscara; la guía sobre la demanda censurada muestra cómo esto arrastra la previsión hacia abajo. Un registro de stock erróneo hace que una tienda parezca vacía cuando no lo está, o llena cuando está vacía. Y las rebajas venden unidades que no se habrían vendido a precio completo: en un estudio de 1.705 productos en 676 tiendas de un supermercado europeo, la previsión del propio minorista subestimaba la demanda en los días con descuento para aproximadamente el 92 % de los productos5.
Así que, antes de elegir un método, limpia el histórico: marca los días en que el lineal estuvo vacío, señala el stock negativo o congelado y separa los días de promoción y rebaja de los días normales. Los investigadores que clasificaron 31.006 series de productos de un minorista con tres tiendas lo dicen claramente: se detecten como se detecten las roturas de stock, hay que tratarlas en el modelo3.
3. Métodos, de los sencillos al aprendizaje automático
- Ingenuo e ingenuo estacional. Mañana se vende lo que se vendió hoy, o el próximo miércoles lo que se vendió el miércoles pasado. Es la referencia que cualquier otro método tiene que superar1.
- Media móvil. La media de las últimas semanas. Es sencilla, pero cada día de la ventana cuenta lo mismo y el día anterior a ella no cuenta nada, lo que hace que el resultado salte cuando un día atípico sale de la ventana1.
- Suavizado exponencial. Una media ponderada en la que los días recientes cuentan más y los antiguos pierden peso poco a poco, con factores para el día de la semana y los festivos. Es el caballo de batalla de la previsión en tienda.
- Métodos para la demanda intermitente. Cuando la mayoría de los días no se vende nada, prevén por separado con qué frecuencia se produce una venta y de qué tamaño es. Aquí entran el método de Croston y sus sucesores, como TSB; el suavizado exponencial normal, no1.
- Aprendizaje automático. Los árboles con gradient boosting y modelos similares aprenden de muchos productos y tiendas a la vez, y pueden usar como variables las promociones, los precios y el tiempo.
El aprendizaje automático gana claramente en el total de la cadena y mucho menos en cada tienda. En la competición M5, con datos de Walmart, el modelo ganador superó al suavizado exponencial en un 22,4 % en el total, pero solo en un 3,4 % al nivel de producto y tienda, donde los datos son ruidosos e intermitentes. Cuando Petropoulos y sus colegas repitieron la prueba durante un año completo de previsiones móviles para 28.298 series de producto y tienda, el suavizado exponencial resultó algo más preciso que una réplica del conjunto de aprendizaje automático ganador, y más barato de ejecutar2. Para una cadena de pocas tiendas, un método sencillo bien ajustado con datos limpios supera a un modelo elaborado con datos sucios.
4. La mayoría de las referencias venden menos de una unidad al día
La imagen de manual de una curva de ventas suave rara vez encaja con una tienda. En el minorista de tres tiendas citado antes, alrededor del 78 % de las series eran intermitentes incluso contadas por semanas3. En 46.841 series diarias de 446 tiendas, la serie media tenía 492 días sin ventas de un total de 7274. La previsión de una referencia así es una fracción, 0,3 al día, y el stock que la cubre son unas pocas unidades con mucha incertidumbre alrededor.
Así se ve en un pedido real. Yammy Way, una cadena de tiendas de golosinas de Rumanía que usa marql, tiene una tienda en Brașov cuyo pedido del 17 de noviembre de 2026 tenía 17 líneas; marql marcó 11 de ellas como que se agotarían antes del próximo camión. Estas son algunas, tal como las mostraba marql ese día:
| Producto | Ventas al día | El stock dura | Qué muestra marql |
|---|---|---|---|
| Toxic Waste Blue Raspberry Chew Bar 20 g | Ventas al día1,5 | El stock dura2,7 días | Qué muestra marqlSe agota antes del camión |
| Toxic Waste Apple Chew Bar 20 g | Ventas al día1 | El stock dura1 día | Qué muestra marqlSe agota antes del camión |
| Sour Patch Blue Raspberry 102 g | Ventas al día0,4 | El stock dura2,6 días | Qué muestra marqlSe agota antes del camión |
| Hello Kitty Gummi Treats Fruit 88 g | Ventas al día0,3 | El stock dura6,2 días | Qué muestra marqlSe agota antes del camión; revisar primero, pocos datos |
| Johny Bee 3D Gummy Cup Cake 18 g | Ventas al día0,7 | El stock dura0 días | Qué muestra marqlStock de −3 en el ERP, leído como lineal vacío; revisar antes de enviar |
| Amos Peelerz Raspberry 65 g | Ventas al día0,1 | El stock dura7,5 días | Qué muestra marqlSe agota antes del camión |
Hay tres cosas en este pedido que son típicas de una cadena pequeña. La mayoría de las referencias venden bastante menos de dos unidades al día, así que la previsión es un ritmo, no un recuento. Algunos registros de stock son negativos, algo imposible en un lineal, y una persona tiene que revisarlos antes de que salga el pedido. Y el plazo de entrega aún no se conoce, así que el horizonte es un valor por defecto y no un dato. El caso de éxito de Yammy Way y Pralio describe la cadena.
5. A qué plazo prever
Un pedido tiene que durar hasta que llegue el siguiente, así que el horizonte que importa es el plazo de entrega del proveedor más el tiempo hasta el siguiente pedido. Para una tienda que pide cada martes a un proveedor que entrega en tres días, son diez días. Prever más allá es planificación; prever menos deja un hueco. El propio plazo de entrega varía, y esa variación necesita su propio stock: las guías sobre el punto de pedido y el stock de seguridad muestran cómo la previsión y su incertidumbre se convierten en una cantidad.
6. Cómo medir la precisión de la previsión
Mide el error en unidades, sumado durante el horizonte del pedido, y pon dos cifras una junto a otra. El WAPE, el error absoluto total dividido entre las ventas totales, muestra cuánto se desvía la previsión. El sesgo, el error total con su signo, muestra si de media se queda alta o baja1. Una previsión con un WAPE bajo y un sesgo negativo constante sigue vaciando lineales.
Evita el MAPE en las previsiones de tienda. No se puede calcular un día sin ventas, que en muchas referencias de tienda son la mayoría de los días, y minimizarlo empuja las previsiones a la baja. Incluso las medidas de error absoluto engañan con las referencias de baja rotación: para un producto que normalmente no vende nada, la previsión con menor error absoluto es cero, y con ella nunca se repondría1. Tres hábitos mantienen honesta la medida: comparar con una regla ingenua en los mismos días, dejar fuera los días con el lineal vacío, porque sus ventas estaban limitadas por el stock, y vigilar el sesgo al menos tanto como el error.
7. Promociones, festivos y tiempo
La mayoría de los grandes errores de previsión vienen de eventos, no del método. Las promociones mueven mucho volumen, y la mecánica importa: en ocho supermercados suecos, una oferta de dos unidades vendió un 19,5 % más de unidades que el descuento equivalente sobre una sola unidad6. Los festivos son peores: los supermercados alemanes facturaron un 50 % más en la semana anterior a la Navidad de 2021 que en una semana media, y algunos declararon una precisión de la previsión de solo el 35 % en temporadas festivas7. El tiempo mueve categorías enteras: en el Reino Unido, el volumen de ventas de las tiendas de alimentación cayó un 5,4 % en mayo de 2025 y subió un 0,7 % en junio, cuando los supermercados lo atribuyeron al calor8.
Trátalos como eventos conocidos, no como ruido. Introduce las promociones con sus fechas y su mecánica, mantén un calendario de festivos de cada país en el que vendas y deja que una persona corrija la previsión en lo que el histórico no ha visto, como una fiesta local o unas obras delante de la tienda. La guía sobre el reaprovisionamiento con IA explica qué decisiones dejar al algoritmo y cuáles al comprador. Una mejor previsión también reduce el desperdicio en frescos: Albert Heijn atribuye a sus previsiones por tienda, junto con las rebajas dinámicas, haber evitado más de 1,5 millones de kilos de desperdicio alimentario en 202410; la guía sobre el desperdicio alimentario cubre el resto.
Una nota sobre las fuentes: tres de los estudios citados aquí son preprints que aún no han pasado una revisión por pares, las cifras de los minoristas son suyas y combinan la previsión con otras iniciativas, y las cifras de precisión en festivos proceden de entrevistas sin una medida común.
Cómo lo muestra marql en el pedido de tienda
En marql, el Gestor de inventario IA prepara el pedido de cada tienda a partir de las ventas y el stock que lee del TPV y el ERP que la cadena ya utiliza. Cada línea muestra cuánto se vende el producto al día en esa tienda, para cuántos días alcanza el stock del lineal y si se agotará antes de la próxima entrega. Cada pedido indica en qué se basa, incluido el plazo de entrega del proveedor, y lo marca como valor por defecto cuando aún no se conoce. Las líneas con pocos datos, con una lectura de stock antigua o ausente o con stock negativo aparecen primero, para que alguien mire el lineal antes de que salga el pedido. marql calcula las cantidades; una persona las revisa, las ajusta y envía el pedido.
Fuentes
- Kolassa, S., Rostami-Tabar, B., Siemsen, E. (2023). Demand Forecasting for Executives and Professionals. Chapman & Hall/CRC. doi:10.1201/9781003399599. dfep.netlify.app
- Petropoulos, F., Grushka-Cockayne, Y., Siemsen, E., Spiliotis, E. (2025). Wielding Occam's razor: Fast and frugal retail forecasting. Journal of the Operational Research Society 76(8), 1564-1583. doi:10.1080/01605682.2024.2421339. arxiv.org
- Svetunkov, I., Sroginis, A. (2025-11-13). Why do zeroes happen? A model-based approach for demand classification. arXiv:2504.05894 (preprint). arxiv.org
- Hobor, L., Brčić, M., Polutnik, L., Kapetanović, A. (2026-03-11). Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting. arXiv:2506.05941 (preprint). arxiv.org
- Winkelmann, D., Elbracht, T., Brenker, J., Gerzen, A. (2026-02-04). Discounted Sales of Expiring Perishables: Challenges for Demand Forecasting in Grocery Retail Practice. arXiv:2602.04464 (preprint). arxiv.org
- Gravert, C., Mormann, M. (2025). In-store food promotions increase sales as well as household food waste. Scientific Reports 15, 18035. doi:10.1038/s41598-025-01800-x. doi.org
- Obermair, A., Holzapfel, A., Kuhn, H. (2023). Operational planning for public holidays in grocery retailing: managing the grocery retail rush. Operations Management Research 16, 931-948. doi:10.1007/s12063-022-00342-z. doi.org
- Office for National Statistics (2025-07-25). Retail sales, Great Britain: June 2025. ons.gov.uk
- J Sainsbury plc (2025). Annual Report and Financial Statements 2025, strategy overview. sainsburys.co.uk
- Ahold Delhaize (2025). Annual Report 2024. aholddelhaize.com
- Tesco PLC (2026-05-15). Sustainability Report 2026. tescoplc.com
TemasPrevisión de la demanda, Reaprovisionamiento, Precisión de la previsión, Pedidos de tienda
Todos los artículos