
La IA ayuda a calcular cuánto stock extra mantener para cubrir cambios en la demanda y atrasos de proveedores. El punto de partida: planificar por SKU y ubicación, acordar el nivel de servicio y probar con 20–50 SKU antes de ampliar el alcance.
El proceso combina ventas, inventario, plazos reales de entrega y señales de clientes para:
Un pronóstico más preciso no alcanza por sí solo. Las compras deben respetar el presupuesto, el espacio y los límites acordados, con aprobación humana y controles antes de automatizar.
IA para stock de seguridad: del dato al piloto
Con los datos limpios, transformá las señales dispersas en un pronóstico de demanda. Modelá la demanda subyacente con períodos comparables y agregá variables separadas para precio, descuento, campaña y estacionalidad. Así evitás tomar un pico promocional o una sustitución entre SKU como demanda habitual. Mantené las ventas observadas separadas de las estimaciones de demanda perdida.
Clasificá los mensajes: pedidos de productos agotados, consultas de talle, intención de compra y solicitudes de sustitutos. Cada grupo ayuda a estimar la demanda latente. Usá los reclamos por entrega para medir el servicio y vinculalos con compras futuras solo si la relación es consistente.
Unificá las referencias a productos, eliminá conversaciones duplicadas y guardá solo los datos personales necesarios. Revisá una muestra a mano y vinculá cada señal con compras posteriores dentro de una ventana de tiempo definida.
Si los datos ya están centralizados en Burbuxa, conectalos al flujo de planificación. Verificá qué podés exportar, cada cuánto se actualiza la información, qué historial tenés y cuáles son las claves para cruzar los datos: SKU, variante, canal, ubicación y fecha.
Si una consulta no tiene ubicación, no le asignes una. La plataforma aporta señales; el retailer sigue a cargo de la lógica del pronóstico y de aprobar las compras.
Compará una referencia estacional simple con un modelo acorde a tu historial: uno estadístico para series estables, métodos ensemble de aprendizaje automático para muchos SKU relacionados o un método para demanda intermitente. Generá pronósticos por SKU y ubicación, e identificá los historiales con pocos datos o sesgados por quiebres de stock.
En las pruebas con cortes temporales, usá solo la información disponible en cada fecha. Compará el mismo modelo con y sin mensajes de clientes mediante MAE, WAPE cuando corresponda, sesgo, frecuencia de quiebres y nivel de servicio. Conservá las señales solo si mejoran los resultados de forma consistente entre períodos, SKU y ubicaciones.
Estimá intervalos de predicción para la demanda acumulada durante el horizonte de reposición, incluida la variación del plazo de entrega. Si trabajás con revisión periódica, sumá también el período de revisión. No sumes intervalos diarios: medí la incertidumbre conjunta y comprobá su cobertura histórica.
Un intervalo del 90 % debería contener la demanda acumulada real cerca del 90 % de las veces. Si eso no ocurre, revisá su calibración antes de dimensionar el inventario. Con esa incertidumbre estimada, pasá al cálculo de stock de seguridad y punto de pedido.
Con la incertidumbre estimada, llevá el pronóstico a reglas concretas de compra.
Si el plazo de entrega es estable, usá SS = z × σ_d × √L. Si varía, usá SS = z × √(L × σ_d² + D̄² × σ_L²).
SS es el stock de seguridad; z, el factor de servicio; σ_d, la desviación estándar de la demanda por período; L, el plazo promedio; D̄, la demanda media por período; y σ_L, la desviación estándar del plazo. Usá la misma unidad de tiempo para todo: días o semanas. Un z = 1,645 equivale aproximadamente a un nivel de servicio del 95 %.
Si trabajás con un pronóstico de IA, usá el error fuera de muestra ya medido para el horizonte de protección, sin sumarle otra vez la variabilidad histórica. Tomá el cuantil objetivo de esos errores acumulados como stock de seguridad. También podés calcularlo así: SS = cuantil objetivo de la demanda durante el plazo − demanda esperada durante el plazo. Si los escenarios ya contemplan plazos variables, no agregues ese riesgo de nuevo.
| Método | Datos necesarios | Cuándo usarlo | Límite principal |
|---|---|---|---|
| Solo demanda | Demanda por período, plazo promedio y nivel de servicio objetivo | Plazos estables | Ignora la variación del plazo |
| Variabilidad combinada | Demanda y variabilidad del plazo | Demanda y entregas variables | Supone independencia y aproximación normal |
| Revisión periódica | Demanda, intervalo de revisión, plazo y error del pronóstico | Compras en fechas fijas | Debe cubrir revisión más entrega |
| Cuantiles o simulación | Escenarios de demanda, campañas y entregas | Demanda intermitente, promociones o complejidad alta | Requiere datos suficientes y validación |
Con ese stock de seguridad definido, calculá cuándo reponer.
En revisión continua, ROP = demanda esperada durante el plazo de entrega + SS. Evaluá reponer cuando la posición de inventario llegue a ese punto o quede por debajo. Calculala como stock disponible + recepciones confirmadas − compromisos pendientes.
Revisá también las fechas de llegada: una recepción tardía no evita un quiebre anterior. Descontá cada reserva una sola vez. Si ya está excluida del stock disponible, no vuelvas a restarla. El ROP indica cuándo pedir, no cuánto comprar.
En revisión periódica, usá S = demanda esperada durante (R + L) + SS, donde R es el intervalo entre revisiones. El stock de seguridad debe cubrir todo ese horizonte. En cada revisión, la cantidad propuesta es máx(0, S − posición de inventario), ajustada a mínimos y múltiplos de empaque. No uses el stock de seguridad de revisión continua sin recalcularlo para este plazo mayor.
Después, ajustá la orden a los límites operativos y financieros.
Antes de aprobar, controlá caja, espacio, vencimientos, pedido mínimo, múltiplos y capacidad del proveedor. Exigí aprobación humana para productos nuevos, pronósticos de baja confianza y aumentos de compra que superen los umbrales definidos por categoría con Compras y Finanzas.
Revisá el stock de seguridad si hay sesgo persistente, cambios de plazo o un cierre confirmado de campaña; no lo cambies por un pico aislado. Registrá la fecha (DD/MM/AAAA), la versión del modelo, los supuestos, los parámetros y el aprobador. Las fórmulas orientan; no autorizan compras automáticas.
Una vez definidos el stock de seguridad y el punto de pedido, comprobá si la regla permite sostener el servicio objetivo.
Usá backtesting con ventanas móviles para reconstruir cada decisión con la información disponible en ese momento. Compará las reglas bajo el mismo objetivo de servicio y las mismas restricciones: calendario de compras, mínimos, múltiplos, presupuesto, capacidad de almacén, plazo del proveedor y demoras de aprobación. Para simular las entregas, usá la distribución observada de los plazos.
Tratá las ventas limitadas por quiebres como demanda censurada por falta de stock. Vender poco cuando no hay mercadería no demuestra que la demanda sea baja. Evaluá por separado las campañas, la demanda intermitente y los retrasos de proveedores. Para las campañas, incorporá únicamente las fechas, los descuentos, el canal y la duración que se conocían al decidir.
Compará la regla vigente, la propuesta con IA y una referencia simple - promedio móvil o estacional - durante el mismo período. Usá las métricas de servicio e inventario del siguiente bloque. Documentá los ajustes manuales históricos y las limitaciones de los datos. No afirmes mejoras sin haber ejecutado una prueba.
Después de simular, verificá si la regla mejora el servicio sin inflar el inventario. Medí la tasa de quiebre, el nivel de servicio de ciclo y el nivel de atención (fill rate): no son equivalentes. Sumá el inventario promedio, la rotación, los sobrantes, los obsoletos y las compras urgentes. Valuá el capital inmovilizado con el mismo criterio durante todo el período. Medí también el error del plazo de entrega, sus percentiles y la frecuencia de atrasos.
Usá las mismas métricas de pronóstico, pero vinculadas ahora con los resultados de inventario y servicio. Relacioná el MAE y el sesgo acumulado - demanda real menos pronóstico - con los faltantes y el exceso de stock. Evitá MAPE cuando haya ceros; usá WAPE solo si hay volumen suficiente y la demanda total es distinta de cero.
En demanda intermitente, evaluá por separado si hubo demanda y qué cantidad se pidió. Verificá también la cobertura para el horizonte de protección: un intervalo del 90 % debería cubrir cerca del 90 % de las observaciones.
Desagregá los resultados por SKU, categoría, ubicación, velocidad, campaña e intermitencia. Mostrá cuántas observaciones respaldan cada resultado y usá medianas y percentiles cuando haga falta. Con esos datos, evaluá si la regla reduce los quiebres sin superar el inventario aprobado.
Si los resultados no sostienen el objetivo, revisá cuándo corresponde actualizar el modelo. Controlá semanalmente los productos de alta rotación o en campaña, y mensualmente los más lentos. Abrí una revisión fuera de ese calendario si el piloto muestra sesgo persistente, cambios de proveedor, nuevas promociones, cambios de surtido o quiebres repetidos pese a colchones altos. Investigá la causa antes de reentrenar.
Repartí los controles entre las áreas:
Antes del piloto, definí quién puede volver a la regla vigente si faltan datos críticos, no se cumple el servicio acordado o el inventario supera el límite aprobado. Automatizá solo cuando esos controles se cumplan por segmento, no únicamente en el promedio.
El responsable de inventario aprueba las recomendaciones iniciales. Registrá cada cambio del piloto con su fecha (DD/MM/AAAA), SKU o segmento, ventana de datos, supuestos de demanda y plazo, objetivo de servicio, versión del modelo, ajustes manuales, motivo, aprobador y condición de reversión.
Empezá con 20–50 SKU de una categoría y una ubicación, con historial limpio. Ese alcance te permite probar el stock de seguridad en un entorno controlado.
Validá el proceso completo: limpiá los datos, aprobá el nivel de servicio, pronosticá la demanda y su incertidumbre, calculá el stock de seguridad y los puntos de pedido, integrá compras y contrastá los resultados con la base histórica. El colchón cubre variabilidad; no corrige datos erróneos ni una reposición poco confiable.
Antes de avanzar, verificá que los datos estén conciliados, el modelo se haya contrastado con una referencia simple, el objetivo esté aprobado y las compras requieran aprobación humana. Asigná responsables y fijá un calendario: revisión diaria de excepciones, seguimiento semanal de resultados y evaluación al cierre de los ciclos previstos. Usá esos controles para comparar resultados y decidir si escalar.
Escalá solo si el piloto mantiene el servicio acordado durante varios ciclos sin superar los límites aprobados de inventario y costo. Si no cumple, corregí los datos, el modelo o las reglas de compra antes de ampliar el alcance.
No hay un plazo único: la calidad y la relevancia de los datos pesan más que la cantidad. Para reglas básicas y medición de atribución, se recomiendan entre 30 y 90 días de datos. Para modelos más completos que tengan en cuenta la estacionalidad, el rango es de 12 a 24 meses.
Si el producto es nuevo y no tiene historial, Burbuxa permite un arranque en frío: usa atributos de productos similares y señales de intención en WhatsApp e Instagram.
Usá fill rate y proporción de ciclos sin quiebres en lugar de un umbral fijo. Para cada SKU o variante, separá el stock disponible del reservado o bloqueado y del que está en tránsito. Registrá los días sin ventas por faltantes como demanda censurada: que no haya ventas no significa que no haya demanda.
Hacé backtesting por SKU con el mismo horizonte, el lead time real y las mismas políticas. Medí cuánto se reducen los quiebres y evaluá el costo total, incluidos los sobrantes y el capital inmovilizado. Usá los datos de campañas y consultas para recalcular el riesgo.
Si no tenés historial de ventas, usá IA para comparar los atributos del producto con los de artículos similares y estimar tres escenarios de demanda: baja, base y alta. Sumá señales previas al lanzamiento, como listas de espera y consultas por WhatsApp, y trabajá con rangos de demanda y sus probabilidades, en lugar de una cifra fija.
Recalibrá el stock de seguridad con las ventas de los primeros 7 a 14 días. Monitoreá el inventario, los pedidos y los comentarios de clientes para ajustar el stock si cambia la demanda.