Ganancias:
- Capacidad para producir un borrador de pronóstico de demanda por SKU con soporte de inteligencia artificial combinando datos históricos de ventas, efectos estacionales y factores externos.
- Capacidad para interpretar la precisión del pronóstico (MAPE, sesgo) y distinguir las consecuencias comerciales de la sobreestimación y la subestimación.
- Pudiendo sostener que el pronóstico que produce la inteligencia artificial es una predicción y la decisión final del pedido pertenece al gestor junto con el coste de stock y el flujo de caja.
Hay dos errores más costosos en el comercio minorista: mantener demasiadas existencias y dejar que el dinero languidezca en los estantes, o no mantener suficientes existencias y dejar al cliente con las manos vacías. Ambos tienen el mismo origen: una mala previsión de la demanda. En esta unidad aprenderá a utilizar la inteligencia artificial como un poderoso asistente que predice el futuro a partir de ventas pasadas. Pero digámoslo desde el principio: una predicción no es una profecía, sino una predicción probabilística. La IA te da un número; Es su trabajo traducir ese número en una decisión de pedido.
Previsión de la demanda: es la tarea de predecir qué cantidad de un producto o categoría se venderá en el futuro observando datos históricos y factores que influyen.
SKU (Stock Keeping Unit): Es el código de stock único que se mantiene para cada variante de producto diferente. Por ejemplo, “zapatillas rojas, talla 42” es un SKU; El número 43 del mismo modelo es un SKU independiente.
Tres fuentes de información que alimentan el pronóstico
Un buen pronóstico combina tres cosas:
- Ventas históricas (línea de base): Ventas semanales/mensuales del producto durante los últimos 12 a 24 meses. La IA extrae un nivel "normal" de esta serie.
- Efectos estacionales y de calendario: Festivos, periodo escolar, verano-invierno, fin de semana, día de pago. Por ejemplo, el helado aumenta en verano y los calcetines aumentan en invierno.
- Factores externos: Campaña, cambio de precio, clima, movimiento de la competencia, apertura/cierre. Estos hacen que la estimación suba o baje.
Consejo: no le digas simplemente a la IA "vendimos 100 el mes pasado". Diga: "Vendimos 100 el mes pasado, pero hubo un descuento del 20 % y era una semana festiva". Sin contexto, la predicción es engañosa.
Generación de predicciones paso a paso
- Prepara los datos: Una tabla anónima y limpia: fecha, SKU, cantidad vendida, precio, promoción/no promoción, disponibilidad. Marca los días de falta de stock; De lo contrario, la inteligencia artificial pensará que ese día es de "baja demanda".
- Da contexto: anota la temporada, los próximos eventos, las campañas planificadas.
- Solicitar un pronóstico: Solicite un pronóstico y un intervalo de confianza (peor/mejor escenario) para un período específico, por SKU o categoría.
- Mida la precisión: compare sus predicciones pasadas con la realidad (MAPE a continuación).
- Conviértalo en una decisión: combine el presupuesto con el stock de seguridad y el presupuesto y tome la decisión de realizar el pedido.
Precisión del pronóstico de lectura: MAPE y sesgo
MAPE (Error porcentual absoluto medio): muestra la desviación porcentual promedio de las previsiones respecto de las ventas reales. La fórmula es sencilla: |real − previsión| para cada periodo/real es su promedio.
- MAPE 10% → las estimaciones se desvían en un 10% en promedio, bastante bien.
- MAPE 40% → las previsiones no son fiables, se necesita más reserva (stock de seguridad) para tomar decisiones.
Dirección (sesgo): ¿Su pronóstico está consistentemente por encima (riesgo de exceso de existencias) o por debajo (riesgo de desabastecimiento) de la realidad? Mire esto también; MAPE no muestra dirección.
Estado
Significado
resultado empresarial
Estimación alta persistente
Estás exagerando la exigencia.
Exceso de stock, crisis, pérdida de margen
Subestimación persistente
Subestimas la demanda.
Agotado, ventas perdidas, insatisfacción
MAPE alto, dirección equilibrada
La incertidumbre es alta
Aumentar el stock de seguridad, revisar con frecuencia
MAPE bajo
predicción precisa
Acciones más eficientes, mejor efectivo
mini casos
Caso 1: Falta de estacionalidad: una tienda de comestibles pide cuadernos escolares basándose en las ventas de julio del año pasado (200 unidades por mes). Cuando se da a la inteligencia artificial el contexto del "ciclo escolar agosto-septiembre, las ventas se cuadriplicaron en este período el año pasado", la predicción aumenta a 780 unidades en lugar de 200. Gracias al pedido correcto, no se agotan las existencias durante el año escolar; Este año se recuperará el volumen de negocios estimado en 60.000 TL, que se escapó el año anterior.
Caso 2 — Sin contar el día de falta de existencias: Una tienda estuvo sin existencias de un café popular durante 3 semanas. Al observar los datos brutos, la inteligencia artificial considera esas semanas como "5 ventas por semana" y da una estimación baja. Cuando el analista marca los días sin stock y dice "estas semanas no reflejan la demanda", la previsión aumenta a 45 por semana. Surge la demanda real.
Caso 3: Generalización del efecto de la campaña: una cadena textil considera "normal" una venta semanal con un 50 % de descuento (600 unidades) y constantemente pide 600. Cuando se le dice a la inteligencia artificial "esta venta se realizó con una campaña única, la semana normal es 180", se corrige la predicción. Se evita el riesgo de exceso de existencias y la consiguiente pérdida por rebajas.
Horizonte de predicción: ¿qué tan lejos puedes ver?
Horizonte de pronóstico: a qué distancia en el futuro se realiza el pronóstico. La regla es simple: cuanto más largo es el horizonte, mayor es la incertidumbre. Usted predice las ventas de la próxima semana con relativa precisión; seis meses después con un alcance mucho más amplio. Así que elija el horizonte de previsión según la necesidad de decisión del pedido: horizonte corto y actualización frecuente para productos frescos que se agotan rápidamente; Horizonte más amplio y margen de seguridad más amplio para producto importado con plazos de entrega prolongados.
Otra distinción importante es la previsión de nuevos productos. No hay ventas anteriores de un SKU nuevo; en este caso, le da a la IA el historial de productos similares (analógicos), el promedio de la categoría y el plan de lanzamiento. Decir "Este producto no tiene historial; proporcione una estimación inicial observando las primeras 8 semanas de productos similares X e Y" es una forma razonable de completar el espacio en blanco. Sin embargo, la previsión de nuevos productos siempre es más arriesgada; Revise rápidamente el pronóstico a medida que estén disponibles los datos reales de las primeras semanas.
Precaución: No trate la estimación como un tratamiento de "hágalo una vez y olvídese". La previsión de la demanda es un proceso vivo; Cada nueva semana de ventas es una oportunidad para actualizar el pronóstico. Los mejores pronosticadores son aquellos que utilizan el modelo que se actualiza con mayor frecuencia, no el modelo más inteligente.
Aviso débil / Aviso fuerte
Aviso débil:
Dime cuánto se venderá este producto el próximo mes.
No hay contexto; La IA forma un número aleatorio.
Potente mensaje:
Su función: especialista en planificación de la demanda. Datos: a continuación se muestran la cantidad y el precio de ventas mensuales de los últimos 18 meses para el SKU 4471 y si hay una campaña ese mes. Contexto: Este producto son sandalias de verano; La demanda alcanza su punto máximo en mayo-agosto. El próximo mes es junio. No hay ninguna campaña prevista. El precio es fijo. Tarea: (1) cantidad de ventas esperada para junio, (2) rango de peor y mejor escenario, (3) 2 factores principales que afectan el pronóstico. Regla: No cuente los meses marcados como agotados como baja demanda. Basado únicamente en los datos proporcionados. Datos: [pegar tabla]
Plantillas de avisos copiables
1) Predicción basada en SKU
Su función: especialista en planificación de la demanda. Genere un pronóstico futuro de [período] para [SKU] a partir de la siguiente serie de ventas mensuales anónimas. Resultado: cantidad esperada + peor/mejor rango + 2 supuestos. Excluir periodos marcados como agotados. Datos: [pegar]
2) Eliminación de patrones estacionales
Encuentre el patrón estacional recurrente en la serie de ventas de 24 meses a continuación. ¿Qué meses son los más altos y cuáles los más bajos? Dé la desviación de la media como porcentaje. Preséntelo en forma de tabla. Datos: [pegar]
3) Evaluación de la precisión de la predicción
A continuación se muestran mis estimaciones históricas y las ventas reales. (1) Calcule MAPE, (2) ¿mi pronóstico sube o baja constantemente? (3) ¿qué significa esto para la acción? Mostrar paso a paso. Datos: [estimación, columnas reales]
4) Extraer el impacto de la campaña
Las semanas de campaña están marcadas en la serie de ventas a continuación. Estimar la demanda normal (fuera de campaña); Proporciona el efecto de la campaña como un porcentaje de elevación independiente. Entonces quiero ver el nivel de pedido normal. Datos: [pegar]
Errores comunes
- No dar contexto: si no se especifica la campaña, la temporada o el cambio de precio, la predicción será engañosa.
- Si se deben contar los días sin existencias como demanda: un período de falta de existencias oculta la demanda real; marca.
- Aceptar las ventas promocionales con normalidad: Pensar que un aumento puntual es permanente generará un exceso de stock.
- Depender de un solo número: No querer un rango (escenario) y depender de un solo punto oculta el riesgo.
- No medir la precisión en absoluto: si no se monitorean MAPE y la dirección, la predicción empeora cada vez más.
- Realizar pedidos directos con presupuestos: Realizar pedidos sin efectivo, control de almacén y vida útil.
En resumen
Una buena previsión combina ventas pasadas, estacionalidad y factores externos. Asegúrese de darle el contexto a la IA (campaña, temporada, días sin existencias). Monitorear la precisión del pronóstico con MAPE y dirección de sesgo; Incrementar el stock de seguridad en situaciones de alta incertidumbre. Una predicción es una predicción; La decisión final del pedido es suya, junto con el presupuesto y las limitaciones.
Tarea de aplicación
Obtenga las ventas de sus 5 SKU más vendidos durante los últimos 12 a 18 meses en una tabla anónima y marque los períodos de falta de stock y de campaña. Genere un pronóstico futuro con el mensaje "1) Pronóstico basado en SKU", luego extraiga el MAPE de sus pronósticos anteriores con "3) Evaluación de la precisión del pronóstico". Compare el resultado con su propia decisión de pedido.
lista de verificación
- [] Anonimicé y limpié mis datos de ventas.
- [ ] Marqué los periodos de agotamiento de stock y de campaña.
- [] Le di el contexto de la temporada y el factor externo a la IA.
- [] Quería un rango de escenario, no un solo número.
- [] Verifiqué MAPE y la dirección de guiñada.
- [ ] Tomé la decisión de realizar el pedido en función del presupuesto y las limitaciones.