Pronosticar cuánto pedir de cada referencia sin tener equipo de datos

Casi cualquier empresa mediana con almacén tiene el mismo problema, y lo tiene todas las semanas: decidir cuánto pedir de cada referencia. Con veinte productos se resuelve con oficio. Con dos mil, no hay oficio que alcance, y lo que se acaba haciendo es pedir lo mismo que el mes pasado, ajustado a lo que diga el jefe de compras.

Cómo se resuelve hoy sin inteligencia artificial

Hay tres formas, y las tres se usan en México todos los días.

La primera es la hoja de cálculo con una media móvil: se promedian las últimas ocho o doce semanas y se pide eso. Funciona razonablemente en productos estables y falla en todo lo que tenga temporada.

La segunda es el mismo periodo del año anterior, corregido por el crecimiento del negocio. Es mejor con la estacionalidad y peor con cualquier cosa que haya cambiado desde entonces.

La tercera es el ERP con módulo de planeación. Suele traer un pronóstico integrado que, en la práctica, es alguna variante de las dos anteriores. Muchas empresas lo tienen apagado porque nadie lo configuró.

Lo que falla no es la aritmética: es que el mismo criterio se aplica a dos mil referencias con comportamientos distintos. La referencia de rotación diaria y la que se vende en diciembre reciben el mismo trato.

Qué cambia con un modelo preentrenado

Google Research publicó en GitHub un modelo llamado TimesFM, cuya versión actual es la 2.5, con licencia Apache 2.0 y descarga libre. Es un modelo de pronóstico de series de tiempo, y su particularidad es que ya viene entrenado: no hay que entrenarlo con los datos de la empresa. Se le entrega el histórico de una referencia y devuelve la proyección de las siguientes semanas.

Eso es lo que cambia la cuenta. Hasta ahora, hacer un pronóstico decente por referencia significaba ajustar un modelo por referencia, y con dos mil referencias eso requiere un equipo. Con un modelo preentrenado, pronosticar dos mil series es un proceso que corre solo y tarda minutos.

Tres detalles de la versión actual que sí importan en la operación:

• Devuelve rangos, no solo un número. Además del valor central da la banda entre el percentil 10 y el 90. Eso es exactamente lo que se necesita para calcular inventario de seguridad: no cuánto se va a vender, sino cuánto se podría llegar a vender en el mal escenario.
• Acepta variables externas desde octubre de 2025, mediante un módulo llamado XReg. Ahí se meten las promociones, los días festivos y los cambios de precio, que es justo lo que ninguna media móvil sabe.
• Admite hasta 16 mil puntos de histórico por serie, frente a los 2 mil de la versión anterior. Para datos diarios, sobra con cualquier historia que tenga la empresa.

Qué no cambia

El modelo no sabe nada del negocio. Si el año pasado hubo desabasto y se dejó de vender por falta de producto, en los datos aparece una caída de demanda y el modelo la va a tomar como demanda real. Ese trabajo de limpiar el histórico —marcar los quiebres de stock, las promociones y los meses raros— sigue siendo humano y es el que decide si todo lo demás sirve.

Tampoco explica nada. Dice cuánto, no por qué. Y no sustituye la conversación con el vendedor que sabe que el cliente grande va a abrir sucursal en marzo.

Conviene decir una cosa más, porque siempre se pregunta: esto no sirve para anticipar el tipo de cambio ni la bolsa. Los precios de mercado se comportan como un paseo aleatorio y ningún pronosticador general saca ventaja de ahí. Las series que sí se pronostican bien son las que repiten patrón: ventas, tráfico, consumo, llamadas al conmutador.

Cuánto cuesta y qué se necesita antes de empezar

El modelo es gratuito y la licencia permite uso comercial. El costo está en tres lugares:

Infraestructura. Corre en una computadora normal para volúmenes pequeños y pide tarjeta gráfica cuando son miles de series y se quiere el cálculo en minutos. Una instancia con GPU rentada por horas, encendida una vez por semana para correr el pronóstico, cuesta menos de lo que parece: se habla de decenas de dólares al mes, no de miles.

Datos. Se necesita el histórico de ventas por referencia y semana, con al menos dos años. Sacarlo del ERP y dejarlo limpio es la parte que de verdad consume tiempo, entre una y tres semanas de trabajo según cómo esté la base.

Mantenimiento. El propio repositorio advierte que esta versión abierta no es un producto oficialmente soportado por Google. O sea que si algo se rompe, no hay a quién llamar. Hay que asumirlo como cualquier otra herramienta de código abierto.

Cómo saber si funcionó

Esta parte no es opcional, y es la que separa un proyecto de un experimento caro.

Antes de cambiar nada en la operación, se corta el histórico tres meses antes de hoy, se pide el pronóstico de esos tres meses y se compara contra lo que realmente pasó. El error se mide con WAPE, que es la desviación total en porcentaje sobre el volumen vendido.

Después se hace exactamente lo mismo con la regla que se usa hoy, sea la media móvil o el año anterior. Y se comparan los dos números.

Si el modelo no le gana a la regla actual con claridad, no vale la pena. Si le gana, la ganancia se traduce a pesos por el camino corto: cuánto inventario se puede soltar manteniendo el mismo nivel de servicio, y cuántas ventas perdidas por quiebre se evitan. Ese cálculo lo entiende cualquier dirección, y es el único que justifica seguir.