Previsión de demanda en una distribuidora: qué mejora un modelo y qué no arregla

El lunes después del Buen Fin, el encargado de almacén de una distribuidora de material eléctrico camina por el pasillo cuatro con una tablet en la mano y una cara que ya conoce todo el mundo. A su izquierda, torre de cajas de un modelo de luminaria que compraron por cuatro para aprovechar el descuento del proveedor y que lleva parado desde octubre. A su derecha, hueco. El hueco es de un cable que se acabó el viernes a mediodía, con tres clientes esperando y el contenedor del importador todavía en el Pacífico.

Las dos cosas ocurrieron la misma semana, en el mismo almacén, con la misma hoja de cálculo. Ese es el punto de partida de casi cualquier conversación sobre previsión de demanda.

El proceso, sin adornos

Lo que se quiere resolver es una decisión que se repite cada semana: cuánto pedir de cada artículo, a quién y cuándo. Entran tres cosas en esa decisión. El histórico de ventas, las temporadas —quincenas, regreso a clases, Buen Fin, cierre de año— y los tiempos de entrega, que no son uno sino dos: el proveedor nacional que surte en días y el importado que puede tardar semanas y llegar con la mitad del pedido.

Cuanto más largo es el tiempo de entrega, más lejos hay que mirar. Y cuanto más lejos se mira, más caro sale equivocarse.

Cómo se resuelve hoy

Con un promedio móvil. Se toman las ventas de los últimos tres o seis meses, se saca la media, se multiplica por el tiempo de entrega, se añade un colchón y se pide. Encima de eso, el criterio del comprador, que lleva quince años y sabe cosas que la hoja no sabe: que ese cliente grande abrió sucursal, que el proveedor cierra dos semanas en diciembre, que ese artículo lo va a sustituir el fabricante.

El promedio móvil tiene una virtud enorme: lo entiende todo el mundo y no se rompe. Y tiene un defecto conocido, que es ir siempre por detrás. Reacciona tarde a las subidas y tarde a las bajadas, y en un artículo con estacionalidad marcada llega siempre un mes después de la fiesta. El colchón que se pone para compensar es lo que acaba convertido en la torre de cajas del pasillo cuatro.

Qué cambia con un modelo

Un modelo de previsión hace tres cosas que el promedio no hace. Separa la tendencia de la estacionalidad, así que puede saber que un artículo crece a la vez que sube en octubre y baja en enero. Aprende de calendario, no solo del mes: quincenas, días festivos, semanas de campaña. Y puede usar señales de fuera del propio artículo, como el comportamiento de productos parecidos o el de un cliente concreto.

El cambio práctico no es que acierte la cifra exacta. Es que el error se reparte mejor. En vez de un colchón igual para todos los artículos, se calcula cuánto colchón necesita cada uno según lo predecible que sea y lo que cueste quedarse sin él. Eso es lo que permite bajar inventario inmovilizado y quiebres a la vez, que suena contradictorio y no lo es.

Lo que no cambia: el modelo no sabe que el fabricante va a descontinuar la línea, no sabe que el comprador cerró un contrato nuevo el martes, y no ve venir una promoción que no ha existido nunca antes. Todo eso lo sigue metiendo una persona.

Dónde falla

Falla en la cola larga. En una distribuidora con quince mil referencias, buena parte se vende de tres en tres unidades cada varios meses, sin patrón. Ahí no hay estacionalidad que detectar porque no hay serie: hay ceros con algún pico. Para esa demanda intermitente existen métodos específicos, pero lo honesto es decir que la mejora es pequeña y que en muchos de esos artículos la regla de siempre —punto de pedido fijo y revisarlo dos veces al año— cuesta menos y estorba igual de poco.

Falla también en carteras muy largas cuando nadie las poda. Cada referencia que entra al modelo hay que mantenerla: altas, bajas, sustituciones, artículos que son el mismo con dos códigos porque el proveedor cambió el empaque. Sin esa limpieza, el modelo aprende historia falsa.

Y hace falta histórico. Como mínimo, dos ciclos completos del patrón que se quiere capturar: si lo que interesa es la estacionalidad anual, dos años. Con un año no se distingue una temporada de una casualidad.

Coste y requisitos

La parte de cómputo es la barata. Los modelos de series temporales que resuelven esto no necesitan nada extraordinario y el gasto de servidor de una distribuidora media es marginal frente al resto. Lo caro es lo de siempre: la conexión con el sistema de gestión, la limpieza inicial del catálogo, y la persona que revisa el resultado cada semana. Si la herramienta se compra hecha, el precio suele ir por número de referencias y almacenes, así que conviene pedir cotización con la cifra real de la cartera y no con la de la demostración.

El requisito incómodo va antes que todo lo demás. Si el inventario del sistema no cuadra con el que hay en el pasillo, no hay previsión que valga. El modelo predice demanda; la decisión de compra es demanda menos existencias. Con un desfase del diez por ciento entre teórico y físico, la sugerencia de pedido sale mal aunque la previsión sea buena, y lo peor es que sale mal de forma silenciosa. Antes de mirar modelos, conteos cíclicos y control de mermas y devoluciones. Esa parte no la resuelve nadie desde fuera.

Cómo saber si funcionó

Se puede saber antes de comprar nada. Se toma el histórico, se corta hace un año y se le pide al modelo que prediga lo que ya pasó. Después se compara con lo que habría dicho el promedio móvil en las mismas fechas. Si no gana en esa prueba, tampoco va a ganar en producción.

Una vez en marcha, tres números y ninguno más: el error de previsión ponderado por volumen —importa fallar en lo que se vende, no en lo que no se vende—, el nivel de servicio, y los días de inventario. Y encima de los tres, la única cuenta que decide: cuánto capital se liberó del almacén y cuántas ventas dejaron de perderse. Si esa cuenta no supera lo que cuesta el sistema más las horas de quien lo mantiene, la respuesta correcta es quedarse con la hoja de cálculo y arreglar primero el conteo.