Yo empezaría por comprobar si la IA mejora tu regla actual, no por reemplazarla. Compararía los mismos productos y plazos: menos error solo sirve si también mejora la disponibilidad y reduce el costo del inventario.
Para elegir, pondría estas tres opciones lado a lado:
Comparación rápida
| Enfoque | Cuándo lo usaría | Qué revisaría |
|---|---|---|
| Reglas manuales | Catálogo chico y ventas estables | Tiempo de mantenimiento, faltantes y sobrantes |
| IA | Historial confiable y demanda con muchas variables | Error, sesgo, costo de datos y mantenimiento |
| Híbrido | Catálogo mixto, promociones y lanzamientos | Si los ajustes humanos mejoran el pronóstico |
Antes de probar, revisaría ventas, devoluciones y períodos sin stock: no vender no siempre significa que no hubo demanda. También marcaría Hot Sale, CyberMonday y las temporadas locales.
Arrancaría con una categoría y un piloto de 8 a 12 semanas, apoyado en pruebas con datos históricos y sin información futura. Mediría error, servicio y capital inmovilizado, y registraría cada ajuste.
Mi límite sería claro: <u>pronosticar ventas no es autorizar una compra</u>. Para comprar, también revisaría stock, pedidos en tránsito, plazos del proveedor y presupuesto.
Cómo validar la IA para forecast de demanda en ecommerce
Trabajá con 6 a 12 meses de ventas por SKU y período. Separá promociones, descuentos, devoluciones, quiebres de stock y lanzamientos. El promedio móvil simple toma los últimos períodos; el ponderado les da más peso a los más recientes.
Para incluir la estacionalidad, aplicá un índice de períodos comparables. Ajustalo según precio, quiebres, cambios de surtido e intensidad de campaña. Dejá registrado el motivo, el responsable y el vencimiento de cada ajuste.
En productos de recompra estable, usá ventanas más largas. En moda, revisá cada talle y color: el total del modelo no alcanza. En electrónica, seguí los lanzamientos, los ciclos cortos y las discontinuaciones confirmadas. Para repuestos con demanda esporádica, tené en cuenta que un promedio convencional puede ocultar meses sin pedidos.
Punto de reorden = demanda diaria promedio × plazo de entrega + stock de seguridad.
Antes de comprar, revisá las unidades comprometidas y en tránsito. La planilla permite auditar los supuestos, pero necesita mantenimiento: semanal para los SKU críticos y mensual para el resto.
En un caso publicado en 2025 sobre Esa Frozen Ramen, se compararon tres métodos con 54 semanas de demanda. El promedio móvil ponderado, con pesos de 0,1 y 0,9, obtuvo un MAPE del 9%. Sus parámetros se usaron para calcular una cantidad económica de pedido de 33 unidades, un stock de seguridad de 2 y un punto de reorden de 8. Son resultados del caso, no valores para copiar a otro catálogo.
Medí faltantes, excedentes y capital inmovilizado, no solo el error del pronóstico. Usá esta base manual como referencia para evaluar después si la IA reduce el error sin aumentar los faltantes ni el capital inmovilizado.
Si el método manual ordena la compra, la IA suma señales y ajusta el pronóstico con más contexto.
La IA cruza el historial por SKU y canal con búsquedas, vistas, carritos y campañas. A diferencia de las reglas manuales, incorpora comportamiento digital y calendario. Validá cada señal fuera de muestra y separá los efectos de descuentos, inversión publicitaria y estacionalidad para no atribuir todo el aumento a una promoción.
Las señales recientes pesan más en horizontes de 1 a 14 días; entre 6 y 18 meses, domina la tendencia. En Argentina, registrá las fechas en hora local y diferenciá Hot Sale, CyberMonday y los períodos de aguinaldo: no son semanas habituales.
El modelo también debe ajustarse a lo que vende cada categoría.
En belleza y consumo frecuente, incorporá recompra, reposición y vencimiento; en moda y calzado, sustituciones entre variantes. En electrónica, seguí lanzamientos, reemplazo, erosión de precio y ciclo de vida. Para lanzamientos sin historial, combiná atributos y productos comparables; sin datos, la IA solo extrapola.
Pedí un pronóstico base, sus impulsores, intervalos de confianza, datos actualizados y una explicación de los cambios. Mantené la revisión humana de las compras y registrá cada intervención. Al presupuestar, incluí integración, limpieza de datos, monitoreo y capacitación, además de la operación del modelo.
Medir el error no alcanza: también hay que evaluar qué pasa con el stock, el servicio y el costo total.
Empezá con una categoría y SKU de alto volumen. Hacé backtesting contra la regla actual, con el mismo horizonte y sin fuga de datos. Medí MAE o WAPE y el sesgo por segmento, junto con el nivel de servicio, los quiebres de stock, los sobrantes, el capital inmovilizado y el costo total del inventario. La mejora vale solo si baja el error y mejora la operación.
No alcanza con medir el error: también importa cuánto cuesta mantener el sistema y qué controles necesita.
| Enfoque | Ventajas y límites | Controles requeridos | Condiciones adecuadas |
|---|---|---|---|
| Reglas manuales | Bajo costo inicial y alta trazabilidad; cuesta escalarlas por SKU y canal. | Reglas versionadas, responsables y límites de cambio. | Catálogo chico y demanda estable. |
| IA | Incorpora más señales y cruces por SKU y canal; requiere integración, monitoreo y reentrenamiento. Es menos interpretable. | Validación temporal y alertas de datos. | Historial suficiente y equipo para mantenerla. |
| Híbrido | Automatiza las tareas rutinarias y deja las excepciones para revisión; un ajuste humano puede empeorar el resultado. | Responsables definidos, respaldo y ajustes registrados y evaluados. | Catálogo heterogéneo, lanzamientos y promociones. |
La calidad del forecast no depende solo del algoritmo: también depende de cómo limpiás y etiquetás la demanda. Si los datos están incompletos, conciliá identificadores, cancelaciones y devoluciones. Un día sin ventas por falta de stock no equivale a demanda cero. Marcá esos períodos y documentá cualquier estimación de ventas no concretadas. Para productos nuevos, usá escenarios bajo, base y alto, y recalculá después de los primeros 7 o 14 días.
La demanda intermitente necesita segmentación, ventanas de agregación más amplias o métodos específicos. No conviene tratarla como una serie suave. En promociones, separá demanda base, descuento, canal, apoyo de medios, incremento esperado y compras adelantadas. Si hay un cambio estructural, revisá los escenarios en vez de extrapolar. Contrastá tráfico y conversión con las confirmaciones del proveedor y las recepciones: una entrega atrasada no demuestra menor demanda.
Conciliá los pronósticos por SKU, categoría y canal, pero medí el servicio en el nivel donde reponés. Un total correcto no garantiza disponibilidad por talle o variante.
Incluí en el presupuesto las horas para investigar alertas, lanzamientos y ajustes. Revisá cada semana los datos faltantes, el error y el sesgo. Si faltan entradas críticas, activá una regla de respaldo.
Definí umbrales de revisión según volumen, importe e incertidumbre.
Un aumento del forecast superior al 30 % puede exigir aprobación del responsable de categoría.
Registrá cada ajuste con usuario, fecha, valor anterior y nuevo, motivo, evidencia y vencimiento. No sobrescribas el original. Guardá los datos, las versiones del modelo y las aprobaciones.
Aprobar el forecast no autoriza una compra. Los mínimos de pedido, los plazos del proveedor, el vencimiento y el capital disponible corresponden al plan de abastecimiento. Los controles ordenan la operación, pero no prueban que el modelo pronostique mejor.
Con el pronóstico definido, toca comprobar si mejora la regla actual. Esa comparación te permite elegir entre un enfoque manual, uno de IA o una combinación de ambos.
Compará la IA, la regla manual vigente y un pronóstico base estacional con los mismos SKU, fechas de decisión, horizonte y corte de información. Usá un backtest de ventana móvil: reentrená con la frecuencia prevista para producción y recalculá la regla manual con los datos disponibles en cada corte. Medí por separado los horizontes de 1, 7, 14 y 30 días cuando determinen la reposición.
Reservá el tramo final solo para evaluar. No lo uses para elegir parámetros, normalizar datos ni completar faltantes. Conservá el historial de stock, quiebres, devoluciones, cancelaciones, precios, descuentos, campañas, feriados y plazos de entrega, sin incorporar información posterior al corte. Incluí períodos normales, estacionales y promocionales si hay registros. Marcá la demanda perdida reconstruida como una estimación, no como venta observada, y documentá los faltantes del historial.
Una sola métrica no alcanza. Desglosá los resultados por categoría, volumen de ventas, canal, región, horizonte y condición promocional. Informá cuántas observaciones hay por SKU y período, el volumen de demanda y la dispersión entre ventanas de validación.
Compará resultados lado a lado solo cuando correspondan a las mismas observaciones. Combiná métricas ponderadas con medianas por SKU: así, el volumen de los productos más vendidos no tapa el desempeño de los de baja rotación.
Elegí métricas que te ayuden a decidir si el modelo y los ajustes humanos suman o restan valor.
| Métrica | Qué aporta a la decisión |
|---|---|
| MAE | Error absoluto medio, en unidades. Sirve para comparar productos de escala similar. |
| RMSE | Raíz del error cuadrático medio. Da más peso a los desvíos grandes. |
| WAPE | Error absoluto ponderado por demanda total. Sirve para carteras con distintos volúmenes; requiere que la demanda total sea distinta de cero. |
| Sesgo | Muestra el desvío sistemático: positivo indica sobrepronóstico; negativo, subpronóstico. |
| MAPE | Evitalo como métrica principal si hay ceros o demanda intermitente. |
| Cobertura del intervalo | Evaluá tanto la cobertura como la amplitud. Un intervalo del 80 % debería cubrir cerca del 80 % de los casos. |
| Resultados de inventario | Medí quiebres, exceso, rotación, liquidaciones, desperdicio, costo de tenencia y capital de trabajo para comprobar si un menor error mejora la disponibilidad y reduce costos. |
Calculá el Forecast Value Added (FVA) comparando cada ajuste del planificador con el pronóstico previo sin modificar, sobre las mismas observaciones y el mismo horizonte. El ajuste agrega valor si mejora la métrica acordada o el resultado operativo. Revisá también si introduce sesgo.
Evaluá la cobertura del intervalo por segmento: un buen promedio puede esconder exceso de confianza durante las promociones. Además del error, comprobá qué pasa con el servicio y los costos.
Definí nivel de servicio como la proporción de ciclos de reposición sin quiebres, y fill rate como la proporción de demanda atendida inmediatamente desde stock.
Medí ambos en un piloto con grupos comparables. Mantené iguales las políticas de reposición, los plazos de entrega, los mínimos de compra, las restricciones del proveedor y los objetivos de servicio. Si usás una simulación, aclaralo.
Separá el efecto del pronóstico de los cambios en precios, campañas o reglas de stock de seguridad: menos error no demuestra, por sí solo, menos quiebres ni menor costo total. Compará el ahorro neto con los costos de implementación, mantenimiento y horas de planificación, usando el mismo período y criterio de valuación.
Con las métricas y los límites definidos, elegí según la calidad de los datos y el equilibrio entre precisión, control y costo del error. El enfoque híbrido suele ser el punto de partida más controlable: automatizá las tareas repetibles y dejá las excepciones en manos del planificador.
Esta tabla te ayuda a comparar las opciones:
| Camino de despliegue | Cuándo usarlo | Qué control exige | Cómo saber si funcionó |
|---|---|---|---|
| Reglas manuales | Catálogo chico, demanda estable o historial insuficiente | Regla documentada y revisión periódica | Servicio estable con baja carga operativa |
| Piloto de IA | Registros confiables, demanda compleja y alto costo del error | Datos depurados, backtesting y monitoreo de sesgo | Menor error que la línea base y mejor resultado operativo |
| Híbrido | Datos mixtos, lanzamientos o demanda intermitente | pronóstico automático con métodos ensemble y ajustes registrados con límites de aprobación | Mejor desempeño en SKU críticos con intervención humana registrada |
Si elegís IA o un enfoque híbrido, probalo primero en un solo frente operativo. Definí un responsable, las fechas y el umbral de éxito. Un piloto de ocho a doce semanas puede ayudarte a ordenar esa validación.
Fijá la línea base, los controles de datos y el backtesting con ventanas móviles. Acordá quién puede ajustar el pronóstico, por qué motivo, cuánto y por cuánto tiempo. Guardá por separado el pronóstico original y cada ajuste.
Revisá las excepciones cada semana y el desempeño general todos los meses. Al cerrar el piloto, decidí si ampliar el despliegue, limitarlo a ciertas categorías, mantener el híbrido o detenerlo. Basá esa decisión en el error, el sesgo y los resultados de inventario, no solo en la precisión.
Si centralizás datos operativos en Burbuxa, verificá su integridad, sus marcas de tiempo y su disponibilidad antes de pronosticar. La validación del pronóstico sigue siendo una tarea aparte.
No hay un período de historial que sirva para todos los casos: lo que importa es la calidad y la relevancia de los datos. Para empezar con reglas y medición de atribución, se recomiendan entre 30 y 90 días. Para modelos que tengan en cuenta la estacionalidad, lo ideal es contar con 12 a 24 meses.
Si tenés pocos datos internos, podés complementarlos con señales externas a través de una API, como datos del clima, actividad en redes sociales o indicadores macroeconómicos.
Incorporá las cuotas sin interés, las fechas de cobro y las promociones bancarias al análisis. Etiquetá estos eventos en tu historial de 12 a 24 meses para no confundir los picos por promociones con la demanda orgánica.
Seguí el efecto de la inflación sobre el ticket promedio en pesos argentinos (ARS) y la composición de las ventas por categoría. Observá también la intención de compra en WhatsApp e Instagram. Sumá supervisión humana al modelo ante devaluaciones o cambios regulatorios repentinos.
Descartá un ajuste manual si se apoya en conjeturas, no tiene evidencia o responde a un hecho aislado. En campañas menores o sin historial, evitá modificar el pronóstico: puede introducir ruido.
También descartalo si no quedan registrados el impacto esperado, la vigencia, el motivo y el responsable. Sin ese registro, no podés medir la precisión del modelo. Si recibís reclamos por WhatsApp o Instagram, ajustá solo cuando el patrón se repita.
