Stock de seguridad en una cadena de tiendas: por qué un único factor de margen no sirve para todos los proveedores

El stock de seguridad es la parte de un pedido que no se espera vender. Existe porque la demanda y las entregas varían, y su tamaño decide casi todo el equilibrio entre lineales vacíos y dinero inmovilizado en stock. Muchas herramientas lo calculan con un único factor aplicado a todos los productos y todos los proveedores. Es cómodo, y para una cadena de tiendas con proveedores tanto a la vuelta de la esquina como al otro lado del mar suele ser un error.

1. Qué tiene que cubrir el stock de seguridad

Un pedido hecho hoy tiene que durar hasta que llegue el siguiente: el plazo de entrega L más la espera R hasta el siguiente día de pedido del proveedor. Durante esos L + R días, el stock de seguridad cubre dos cosas: la variabilidad de la demanda diaria σ, que se acumula día a día, y la variabilidad del plazo de entrega σ_L, que desplaza toda la entrega. En conjunto, stock de seguridad = z·√((L + R)σ² + μ²σ_L²), donde μ son las ventas diarias y z fija el nivel de servicio. La guía sobre el punto de pedido muestra dónde encaja en el nivel objetivo completo.

2. Un único factor para todos los proveedores

La planificación basada en la demanda (DDMRP) y muchas herramientas construidas sobre ella calculan el margen de otra forma: como un factor de la demanda esperada durante el plazo de entrega, sin más. El motor de Retail-Bench, la simulación abierta que ha creado marql, usaba uno de esos factores, 0,5, en todas las líneas, y su metodología calcula el factor con el que ese margen igualaría al de manual¹. Para un producto con una variabilidad de la demanda habitual y un nivel de servicio del 95 %:

Una misma constante acierta más o menos con el importador y se queda varias veces corta con el proveedor cercano de pedido semanal, porque un margen escalado a un plazo de entrega de dos días no sabe nada de los siete días que faltan hasta el siguiente pedido. La propia guía de DDMRP reduce el factor a medida que crecen los plazos, del 61 al 100 % para los cortos y del 20 al 40 % para los largos¹, pero en la práctica los factores suelen fijarse por categoría o dejarse fijos sin más: una comparación publicada usó directamente «un coeficiente fijo igual a 0,8» y concluyó que el método clásico del punto de pedido era más barato en todos los perfiles de demanda que probó⁶.

3. El proveedor irregular

El segundo término de la fórmula es el que más a menudo se omite. Toma un producto que vende cuatro unidades al día con una variabilidad moderada, un plazo de entrega de cinco días y pedidos semanales, con el mismo nivel de servicio. Solo cambia la puntualidad del proveedor:

Los proveedores difieren precisamente de esta forma. En un estudio de 352 proveedores de un fabricante, «los proveedores con peor desempeño se asocian con interrupciones más frecuentes y más largas»⁴. Y la fiabilidad no es una propiedad fija del proveedor: durante la pandemia, los clientes más grandes del sector de la alimentación impusieron requisitos y penalizaciones más estrictos de entrega a tiempo y completa, y los clientes que no los tenían recibieron menos de lo que les habría correspondido según su historial de compras⁵. La experiencia propia de una cadena con un proveedor es la única medida que le sirve. Y también cambia: en la encuesta de la Oficina del Censo de EE. UU. de finales de septiembre y principios de octubre de 2026, los plazos de entrega de los proveedores se habían alargado para el 12,0 % de las empresas minoristas en las dos semanas anteriores y se habían acortado para el 7,8 %⁷.

4. Mide los plazos de entrega con las recepciones

El plazo de entrega de la fórmula tiene que ser el real. En un estudio de 2025 sobre 160.048 órdenes de compra, los plazos de entrega de un mismo producto iban de 20 a 170 días, y los plazos planificados en el sistema de la empresa «subestiman sistemáticamente los plazos reales»; predecirlos a partir del historial de pedidos alcanzó el nivel de servicio objetivo con aproximadamente un 7 % menos de capital³. Retail-Bench sigue el mismo enfoque: un participante usa el plazo de entrega prometido por el proveedor solo hasta que tiene diez recepciones propias, y estima la variabilidad a partir de cinco¹.

5. Lo que cuestan los datos que faltan

Retail-Bench lo midió directamente. El mismo motor, con su margen calculado a partir de la variabilidad de la demanda y del plazo de entrega durante todo el periodo L + R, se ejecutó una vez con los días de pedido de los proveedores, el historial de plazos de entrega y los mínimos de cada cadena, y otra vez sin ellos²:

En la simulación, los datos valieron más que cualquier cambio de fórmula o de modelo. Los días de lineal vacío importan para la otra mitad de la fórmula: hacen que μ y σ queden por debajo de su valor real si no se tratan como datos que faltan, algo que explica la guía sobre roturas de stock.

6. Limitaciones

La tabla de factores y el gráfico de puente proceden de una simulación, no de tiendas medidas, y de la versión del benchmark del 19 de septiembre de 2026. Dos de los estudios sobre proveedores son del sector industrial y no del minorista, y el informe de la FTC abarca los años de la pandemia. La fórmula supone que la demanda y el plazo de entrega varían de forma independiente; cuando la escasez y los retrasos llegan a la vez, subestima el margen.

Cómo lo resuelve marql

El benchmark cambió la forma en que el motor de reaprovisionamiento de marql calcula su margen: en Retail-Bench, un punto de pedido construido a partir de la variabilidad de la demanda y del plazo de entrega durante todo el periodo L + R es lo que llevó al motor por encima de la fórmula de manual en las cuatro cadenas simuladas. Necesita los datos de proveedores descritos arriba, así que queda en espera hasta que se conectan los días de pedido y el historial de plazos de entrega de una cadena.