Métodos de Pronóstico de Demanda: Cómo el Error de Pronóstico Determina tu Stock de Seguridad

La mayoría de los libros de texto de cadena de suministro tratan la demanda como un dato fijo: la demanda promedia 100 unidades por día, sigma = 15, listo. Pero en la práctica, sigma_d no es un hecho de la naturaleza. Es una medición de cuán equivocado está tu método de pronóstico. Mejora el método, reduce sigma_d, reduce el stock de seguridad, libera capital.

Este post cubre los cuatro métodos de pronóstico más prácticos para entornos de distribución, cómo medir el error de pronóstico con MAD y MAPE, cómo el suavizado exponencial maneja la tendencia y la estacionalidad, y cómo el número de error de pronóstico que produces fluye directamente hacia las fórmulas de stock de seguridad y punto de reorden usadas en todos los posts anteriores de esta serie.

Por qué la elección del método de pronóstico afecta el stock de seguridad

El stock de seguridad se calcula como Z por sigma_dLT, la desviación estándar de la demanda durante el plazo de entrega. Para el artículo del CD en esta serie con plazo de 4 días y suposición de plazo fijo, sigma_dLT equivale a sigma_d por la raíz cuadrada del plazo: 15 por sqrt(4) es igual a 30. Con variabilidad combinada del plazo, sigma_dLT sube a 104.4 unidades. En ambos casos, sigma_d es la base.

Reduce sigma_d de 15 a 12 mejorando tu pronóstico, y sigma_dLT baja de 30 a 24 (suposición de plazo fijo). Con Z=1.65, el stock de seguridad cae de 49 a 40 unidades, una reducción de 9 unidades. A $10 por unidad, eso libera $90 por artículo en capital de trabajo. En un almacén de 500 artículos, eso se acumula rápidamente.

Los cuatro métodos principales de pronóstico

Pronóstico naïve. La demanda del próximo período es igual a la actual de este período. Simple, sin cálculo, y sorprendentemente difícil de superar para demanda verdaderamente aleatoria sin tendencia ni estacionalidad. Su debilidad es que amplifica cada pico de ruido.

Promedio móvil simple (PMS). El pronóstico del próximo período es el promedio de las últimas N observaciones de demanda real. N mayor suaviza el ruido pero responde lentamente a cambios de tendencia. N menor responde más rápido pero lleva más ruido. PMS funciona bien para artículos con demanda estable y sin tendencia fuerte.

Suavizado exponencial (SE / SES). El pronóstico de suavizado exponencial simple pondera las observaciones recientes más que las anteriores usando un parámetro de suavizado alpha entre 0 y 1. Alpha más alto significa más peso en datos recientes y respuesta más rápida a cambios, pero más ruido. Alpha más bajo da un pronóstico más suave con respuesta más lenta. SE es el caballo de trabajo para inventarios de distribución: maneja bien la demanda aleatoria, requiere solo un parámetro y se actualiza continuamente sin almacenar todas las observaciones históricas.

F(t+1) = alpha x A(t) + (1 – alpha) x F(t)

Donde F(t+1) es el pronóstico del próximo período, A(t) es la demanda real de este período, y F(t) es el pronóstico de este período. Alpha = 0.2 es un punto de partida común para artículos estables.

Holt-Winters / suavizado exponencial doble y triple. Extiende SE para manejar tendencia (método de Holt, doble suavizado) y estacionalidad (Holt-Winters, triple suavizado). Para artículos con patrones estacionales claros, Holt-Winters reduce sustancialmente el error de pronóstico frente a SES.

Medición del error de pronóstico: MAD y MAPE

Dos métricas dominan las discusiones de planificación de inventarios. La desviación media absoluta (MAD) mide el error absoluto promedio en las mismas unidades que la demanda. El error porcentual absoluto medio (MAPE) escala el error al volumen de demanda, permitiendo la comparación entre artículos de diferentes tamaños.

MAD = (1/n) x suma de |real – pronóstico|

MAPE = (1/n) x suma de |real – pronóstico| / real x 100%

Para el artículo del CD con demanda real promediando 100 unidades por día: si los errores absolutos de cinco días son 10, 8, 20, 5 y 12, entonces MAD = 11 unidades por día, y MAPE = 11%.

MAD y sigma_d están relacionados por un factor de conversión para distribuciones normales: sigma_d es aproximadamente 1.25 veces MAD. Entonces un MAD de 11 corresponde a sigma_d de aproximadamente 13.75. Para el artículo del CD, sigma_d = 15 implica un MAD de unas 12 unidades por día, significando que el método de pronóstico se equivoca por un promedio de 12 unidades en un artículo de 100 unidades por día, un MAPE de alrededor del 12%.

Cómo sigma_d se conecta con esta serie

El sigma_d = 15 unidades por día usado en toda esta serie corresponde a un coeficiente de variación (CV) diario de la demanda de 15/100 = 15%. Esta es una variabilidad moderada, común para artículos de distribución industrial con demanda base estable pero algo de ruido día a día por agrupamiento de pedidos, efectos de promociones o patrones de llegada aleatorios.

Si se mejorara el método de pronóstico de este artículo del 15% de MAPE (sigma_d = 15) al 10% de MAPE (sigma_d = 10), y la variabilidad del plazo permaneciera igual, sigma_dLT bajaría de 104.4 a sqrt((4 x 100) + 10000) = sqrt(10400) = 102.0 unidades. El stock de seguridad caería de 172 a 168 unidades. La lección práctica: para artículos con alta variabilidad del plazo de entrega, la mejora del pronóstico importa menos que la confiabilidad del proveedor.

Cuándo funciona mejor cada método

Usa naïve o PMS para artículos clase C, artículos de movimiento muy lento, y cualquier artículo donde el historial de datos sea más corto que un ciclo completo. El beneficio incremental de SE no justifica la carga de mantenimiento de parámetros para artículos con bajo valor de uso anual.

Usa suavizado exponencial como predeterminado para artículos clase A y B con demanda estable a moderada. Fija alpha mediante optimización: minimiza el MAD sobre una muestra de retención de datos históricos. La mayoría de los sistemas WMS y ERP lo tienen integrado como ajuste automático por clase ABC.

Usa Holt-Winters o descomposición estacional para artículos con estacionalidad documentada de dos o más períodos por año. Los índices estacionales calculados por el algoritmo reducen directamente el error de pronóstico en períodos pico y de depresión.

Vinculando la precisión del pronóstico con los resultados del negocio

Por cada punto porcentual de reducción en el MAPE, sigma_d cae aproximadamente un 1% de la demanda diaria promedio. Multiplica la reducción de sigma_d por Z x sqrt(plazo) para obtener la reducción de stock de seguridad en unidades. Multiplica por el costo unitario para obtener el capital liberado por SKU.

Para el artículo del CD: 1% de reducción de MAPE = 1 unidad por día de reducción en sigma_d. Reducción de stock de seguridad = 1 x 1.65 x sqrt(4) = 3.3 unidades. Capital liberado = 3.3 x $10 = $33 por SKU. Para un almacén de 500 SKUs, una mejora de MAPE del 3% libera 500 x 3 x $33 = $49,500 en capital de trabajo.

Tres consejos de expertos

Rastrea la precisión del pronóstico por clase ABC y actualiza los objetivos trimestralmente

Los artículos clase A justifican la inversión en SE con alpha optimizado y revisiones trimestrales del modelo porque el impacto en inventario de la reducción de errores es mayor. Establece objetivos de MAPE por clase: menos del 10% para A, menos del 15% para B, menos del 25% para C.

Nunca uses MAPE solo para artículos con demanda intermitente

Para artículos que venden cero unidades en algunos días, el MAPE se dispara o produce números engañosos. Cambia a WMAPE (MAPE ponderado, que pondera los errores por el volumen de demanda real) o MASE (que escala los errores contra un pronóstico naïve de referencia).

Prueba tu método de pronóstico contra el naïve antes de implementarlo

Un método de pronóstico que no supera al naïve en una muestra de retención no está agregando valor. Ejecuta cada método candidato contra al menos 90 días de datos de retención antes de adoptarlo en producción. Los métodos que parecen impresionantes dentro de la muestra frecuentemente pierden contra el naïve fuera de la muestra debido al sobreajuste.

Calculadoras gratuitas de cadena de suministro

La Calculadora de Stock de Seguridad toma sigma_d directamente como entrada, por lo que mejorar tu método de pronóstico e ingresar el nuevo sigma_d muestra inmediatamente la reducción de stock de seguridad. La Calculadora de Punto de Reorden propaga la mejora al nivel de disparo. Usa la Calculadora de Nivel de Servicio para verificar si un sigma_d menor te permite mantener la misma tasa de cumplimiento con menos stock de seguridad. La Calculadora de Análisis ABC determina qué artículos justifican la inversión en mejores métodos de pronóstico. Todas las herramientas están en el hub de Cadena de Suministro.

Preguntas frecuentes

¿Qué es el pronóstico de demanda en la cadena de suministro?

El pronóstico de demanda usa datos históricos y métodos estadísticos para estimar la demanda futura. Produce un pronóstico medio para los puntos de reorden y una distribución de error (sigma_d) para el stock de seguridad. Una mejor precisión reduce directamente los requerimientos de stock de seguridad.

¿Qué es el MAD en pronósticos?

La desviación media absoluta (MAD) es el promedio de las diferencias absolutas entre la demanda real y la demanda pronosticada. Mide el error en las mismas unidades que la demanda. Para errores normalmente distribuidos, sigma_d es aproximadamente 1.25 veces MAD.

¿Qué es el MAPE en pronósticos?

El error porcentual absoluto medio (MAPE) es el MAD expresado como porcentaje de la demanda real promedio. Un MAPE del 12% en un artículo de 100 unidades por día significa un error promedio de 12 unidades por día.

¿Qué es el suavizado exponencial?

El suavizado exponencial pondera las observaciones recientes más que las anteriores usando el parámetro alpha. Fórmula: F(t+1) = alpha x A(t) + (1 – alpha) x F(t). Es el método más utilizado en inventarios de distribución por su facilidad de actualización y bajo requerimiento de datos.

¿Cómo afecta el error de pronóstico al stock de seguridad?

Stock de seguridad = Z x sigma_dLT, donde sigma_dLT depende de sigma_d. Para el artículo del CD con Z=1.65 y plazo de 4 días fijo, cada unidad de reducción en sigma_d recorta el stock de seguridad en 3.3 unidades (1.65 x sqrt(4)).

¿Cuál es el mejor método de pronóstico para la planificación de inventarios?

El suavizado exponencial con alpha optimizado es el mejor predeterminado para artículos clase A y B. Holt-Winters agrega valor para artículos con tendencia y estacionalidad. Naïve o PMS es suficiente para artículos clase C.

¿Cuál es la relación entre MAD y sigma?

Para errores de pronóstico normalmente distribuidos, sigma_d es aproximadamente 1.25 veces MAD. Esta conversión permite trasladar una medición de MAD directamente al sigma_d necesario para la fórmula de stock de seguridad.

¿Cuándo debo usar el pronóstico Holt-Winters?

Úsalo cuando un artículo tiene patrones de demanda estacionales claros que abarcan dos o más períodos por año y suficiente historial (al menos dos ciclos estacionales completos). Reduce sustancialmente el error de pronóstico en picos y valles.

¿Qué es el sesgo de pronóstico y por qué importa para el stock de seguridad?

El sesgo de pronóstico es la tendencia sistemática a sobre o sub-pronosticar. Un pronóstico sesgado desplaza la estimación de demanda media, haciendo que el punto de reorden sea demasiado alto o bajo. El stock de seguridad solo corrige la variabilidad aleatoria, no el sesgo sistemático; hay que corregir el método de pronóstico.

¿Cómo elijo el parámetro alpha para el suavizado exponencial?

Optimiza alpha minimizando el MAD sobre una muestra de retención de datos históricos. Comienza con 0.1 a 0.3 para artículos estables y 0.3 a 0.5 para artículos con tendencia más reciente. La mayoría de los sistemas ERP y WMS ofrecen optimización automática de alpha por clase ABC.

¿Puede un mejor pronóstico reemplazar el stock de seguridad?

No. Incluso un pronóstico perfecto no puede eliminar la variabilidad de la demanda durante el plazo de entrega. El stock de seguridad cubre la brecha entre la demanda esperada durante el plazo y la real. Un mejor pronóstico reduce el stock de seguridad requerido pero no puede eliminarlo a menos que el plazo sea cero.

¿Cómo se compara la mejora del pronóstico con la reducción del plazo para recortar el stock de seguridad?

Para artículos donde sigma_LT domina (como el artículo del CD con sigma_LT = 1 día), la reducción del plazo tiene un impacto mucho mayor en el stock de seguridad que la mejora del pronóstico. Para artículos con plazos confiables, la mejora del pronóstico importa más.

El pronóstico de demanda es el lado de entrada de la ecuación del stock de seguridad. Cada mejora en sigma_d reduce directamente el requerimiento de stock de seguridad, en una cantidad cuantificable a un costo cuantificable por SKU. Para artículos clase A y B, la selección del método de pronóstico y la optimización de alpha merecen tanta atención como las fórmulas de política de inventario que consumen su salida.