El problema real detrás del sobrestock y los quiebres
Una tienda de materiales de construcción en Saltillo con 1,200 SKUs activos cierra cada diciembre con el 18% de su inventario inmovilizado en producto de baja rotación. Al mismo tiempo, en temporada de obra —abril a julio— quiebra en los 40 SKUs más vendidos al menos tres veces por semana. Ambos problemas conviven porque el comprador decide con el ojo y la experiencia, no con datos.
Este escenario no es excepcional. Es el estándar en retail B2B y especializado en México y LatAm. La IA no resuelve el problema por arte de magia, pero un modelo de predicción de demanda bien calibrado puede reducir el sobrestock entre 20 y 35% y bajar los quiebres de SKUs críticos a menos del 5%, según proyectos documentados en distribución y retail especializado. La pregunta no es si la IA puede ayudar — es si tu operación tiene las condiciones mínimas para que funcione.
Qué datos necesitas antes de hablar de modelos
El error más frecuente en proyectos de predicción de demanda es contratar el modelo antes de auditar los datos. Los modelos de series de tiempo —Prophet, SARIMA, XGBoost con features temporales— aprenden de patrones históricos. Si tu historial tiene huecos, cambios de codificación de SKU sin documentar o mezcla de devoluciones con ventas brutas, el modelo aprende basura.
Los tres requisitos mínimos que revisamos antes de arrancar cualquier proyecto:
- Historial de ventas por SKU con fecha, mínimo 12 meses, idealmente 24. Sin esto, el modelo no puede detectar estacionalidad.
- Variables de contexto básicas: promociones activas por periodo, días festivos, quiebres históricos marcados (si vendes cero porque no había stock, eso no es demanda real — es demanda perdida).
- Catálogo limpio: un SKU = un código consistente. Si el mismo producto aparece con tres códigos distintos porque hubo cambios de proveedor, hay que unificarlos antes de modelar.
Con esos tres elementos, un retailer de tamaño mediano puede tener un primer modelo funcional en 6–10 semanas. Sin ellos, el proyecto se convierte en un trabajo de limpieza de datos que duplica el tiempo y el costo.
Qué modelos funcionan en retail local (y cuáles son overkill)
No todo retailer necesita deep learning. El criterio que usamos en Eurema para decidir qué nivel de modelo recomendar es simple: ¿cuántos SKUs tienes y qué tan volátil es su demanda?
| Volumen de SKUs | Volatilidad | Modelo recomendado |
|---|---|---|
| < 200 SKUs | Baja–media | Prophet o SARIMA por familia de producto |
| 200–2,000 SKUs | Media | XGBoost con features temporales y categóricas |
| > 2,000 SKUs | Alta | Ensemble o modelos jerárquicos |
Para la mayoría de retailers locales B2B en LatAm —ferreterías grandes, distribuidoras de alimentos, tiendas de insumos industriales— el rango de 200 a 2,000 SKUs con XGBoost es suficiente. Los modelos de deep learning como N-BEATS o Temporal Fusion Transformers tienen mejor desempeño con decenas de miles de series y datos de alta frecuencia. Aplicarlos a un retailer con 800 SKUs y datos diarios es gastar presupuesto en complejidad que no se traduce en precisión adicional.
Lo que sí aporta valor en cualquier escenario es incorporar variables externas: tipo de cambio si importas producto, temperatura si vendes artículos estacionales, o calendario de obra pública si tu cliente es el sector construcción. Esas variables pueden reducir el error de predicción 3–6 puntos porcentuales en categorías sensibles.
Cómo conectar la predicción al proceso de compras
Un modelo que predice bien pero no cambia ninguna decisión operativa es un ejercicio académico. La predicción de demanda solo genera ROI cuando se integra al workflow de compras o de producción.
El esquema mínimo viable que funciona en operaciones medianas:
- El modelo corre semanalmente (o cada dos semanas para categorías de ciclo largo).
- El output es una tabla con SKU, demanda estimada para las próximas 4–8 semanas, stock actual y punto de reorden sugerido.
- El comprador revisa la tabla, ajusta manualmente los casos que conoce por contexto (un proveedor que va a subir precios, una promoción no registrada en el sistema) y genera las órdenes.
Este modelo híbrido —predicción automática + criterio humano para excepciones— es más robusto que la automatización total en etapas tempranas. Lo vemos seguido en Eurema con clientes de distribución y retail especializado: los compradores adoptan la herramienta más rápido cuando sienten que la controlan, no que los reemplaza.
La automatización completa de órdenes de compra es una segunda fase, viable cuando el modelo lleva al menos 3–4 ciclos de predicción validados y el equipo confía en los números.
Cuándo NO vale la pena implementarlo
La predicción de demanda con IA no es rentable en todos los contextos. Tres situaciones donde recomendamos no arrancar o esperar:
- Menos de 12 meses de historial digital: si llevas la operación en papel o en un sistema que no exporta datos, el primer proyecto debe ser digitalización, no predicción.
- Catálogo con rotación casi aleatoria: algunos retailers de nicho tienen demanda tan irregular que el modelo no supera un promedio móvil simple. Si el coeficiente de variación de tus SKUs top es mayor a 1.5, hay que evaluar caso por caso.
- Sin capacidad de actuar sobre el forecast: si tu proceso de compras tiene lead times de 90 días y proveedores sin flexibilidad, una predicción a 4 semanas no cambia nada operativamente.
En esos casos, el análisis de datos sigue siendo útil — pero en forma de reportes descriptivos y segmentación de SKUs por rentabilidad, no de modelos predictivos. El Análisis de datos tiene aplicaciones antes y después de que una operación esté lista para predicción en tiempo real.
Por dónde empezar si tienes los datos
Si tu operación tiene los datos mínimos descritos arriba, el paso práctico es un análisis exploratorio antes de comprometer presupuesto en un modelo completo. Ese análisis responde tres preguntas: ¿hay estacionalidad detectable?, ¿qué porcentaje de SKUs tiene historial suficiente?, ¿cuál sería el error de predicción esperado en tu categoría principal?
Con esas respuestas sobre la mesa, la decisión de invertir en un modelo predictivo deja de ser un acto de fe y se convierte en un cálculo. Para retailers en retail especializado, manufactura o distribución que quieran explorar esto con datos reales, el equipo de Análisis de datos de Eurema puede hacer ese diagnóstico inicial antes de proponer un alcance de proyecto.