MI EXPERIENCIA CON LA PREVISIÓN DE LA DEMANDA

31 de julio de 2026

6 min de lectura

Preguntar al agente (beta)


Read in English.

Hasta el año 2019, una buena parte de mi experiencia profesional se desarrolló en departamentos de Demand Planning. En dos oportunidades laborales diferenciadas, el objetivo principal de mi colaboración fue precisamente el cálculo de la previsión de la demanda. Tras revisar algunos apuntes y reflexiones de aquella época, pude comprobar el gran interés que sentía por conocer el estado del arte de esta área de conocimiento. Con frecuencia, las empresas plantean retos y límites estrictos de ejecución, por lo que combinar la función profesional con la investigación y la experimentación propia resulta ser el enfoque más adecuado para crecer en un ámbito determinado.

Una de las posiciones profesionales más apasionantes que he tenido fue la de planificador de la demanda en una empresa peruana con presencia mundial importante en el sector retail. Antes de mi incorporación, la compañía solía descargar los reportes de ventas, analizarlos y proponer previsiones utilizando únicamente modelos cualitativos y factores comerciales, información que permitía realizar las reposiciones de mercancía en tiendas y outlets, así como calcular las necesidades de compras. Tan pronto me integré, comencé a revisar la información disponible, abarcando reportes de ventas, niveles de stock, seguimiento a objetivos, tendencias de mercado y proyecciones anteriores. En un plazo de dos semanas construí una base de datos propia y elaboré la primera previsión utilizando tres tipos de proyección: regresión lineal, suavizado exponencial y alisado exponencial con ajuste de tendencia. Al término del primer mes, ya controlaba el inventario e incorporaba parámetros comerciales avanzados a los pronósticos.

La dirección reconoció la rápida asimilación de la información comercial y propuso trabajar en modelos orientados a mejorar la cadena de suministro. Comencé planteando un modelo de inventario que definía el nivel de servicio meta, obteniendo un stock de seguridad para resguardar la demanda ante futuras compras. Para ello, utilicé como referencia el modelo de venta de periódicos (newsvendor model), el cual permitía calcular el volumen de compra que maximizaba los beneficios a partir de los precios y costes de la mercancía, logrando que los productos con mayor variabilidad de demanda redujeran la probabilidad de rotura de stock. Asimismo, planteé el cálculo de la demanda efectiva mediante la comparación entre la proyección de ventas y la mercancía disponible, contemplando tanto el stock físico en almacenes como el inventario en proceso desde origen. Esto requirió coordinar directamente con compras y los responsables de producto para asegurar el consumo efectivo en los puntos de venta.

En las experiencias dentro del ámbito de Demand Planning, aprendí que una previsión de la demanda imprecisa puede limitar el potencial de ventas o incrementar los costos logísticos por sobredimensionamiento, además de generar múltiples impactos negativos en el almacenamiento y la distribución. Por más que se utilicen los algoritmos y métodos más idóneos, siempre se incurrirá en un margen de error de pronóstico que debe ser continuamente monitorizado y minimizado para garantizar una operativa eficiente y en constante mejora.

Hasta 2019, la previsión de la demanda elaborada por los departamentos de los que formé parte podía ser tan simple como intuir las cantidades sin cálculo previo, o basarse en comparaciones directas con previsiones anteriores; asimismo, podía implicar el uso de datos históricos y procesos de cálculo con ajuste automático de parámetros y algoritmos avanzados. Hacia las etapas más avanzadas de estas experiencias, generé proyecciones de demanda segmentadas por tipo de negocio, abarcando canales mayoristas, departamentales, tiendas físicas, outlets y canales online. Implementé una desagregación de producto personalizada según la necesidad comercial de cada categoría y trabajé en algoritmos que permitían que el error de proyección fuera analizado y minimizado de manera automática por el modelo, incluyendo un sistema de alarmas para anticipar roturas de stock y optimizar las reposiciones. Considero que no existe un método de previsión intrínsecamente incorrecto. Lo verdaderamente incorrecto es no monitorizar el error y no refinar los cálculos de previsión. Por ejemplo, en productos coleccionables caracterizados por entregas periódicas, la información de cada entrega retroalimenta el pronóstico; en cambio, en el sector textil (apparel), son la estacionalidad y las ventas históricas las que alimentan la previsión. En cualquier escenario, resulta habitual el reproceso de emergencia ante nuevas evidencias que obligan a replantear las previsiones iniciales. Esto es precisamente lo que hace apasionante la función de Demand Planning, ya que el momento exacto en que se cierra una previsión coincide con su materialización en el mundo real y su impacto directo sobre los recursos.

En ambas experiencias en Demand Planning, una necesidad constante fue la automatización de los cálculos recurrentes. Para lograrlo, la extracción inicial de los datos relevantes desde el sistema se realizaba de manera manual, ya que el departamento de tecnologías de la información no había automatizado formalmente este proceso. Del mismo modo, la transformación de los datos se ejecutaba de forma manual, a menudo sin seguir estándares de procesamiento o una plantilla común que garantizara criterios homogéneos. Por esta razón, el proyecto recurrente de todo planificador de la demanda consistía en automatizar dichos cálculos para contar con una propuesta automática de reabastecimiento. Consolidé estos conocimientos en el desarrollo y gestión de bases de datos en Microsoft Access, con un fuerte énfasis en la creación de algoritmos en VBA y reportes automatizados. A medida que estas herramientas mejoraban y demostraban el impacto positivo del nuevo pronóstico, noté cómo el interés se multiplicaba. De pronto, un mayor número de profesionales requería ajustes, cálculos y enfoques novedosos, ya que al minimizar la dificultad técnica del cálculo, se abría la puerta a la experimentación y a la mejora continua en una especie de efecto en cadena. En estas funciones también brindé soporte a la alta gerencia en la toma de decisiones estratégicas, evaluando la apertura y cierre de tiendas y analizando la elasticidad de la demanda en función de variables de precio y stock. Si bien la participación de otras áreas de la compañía fortalecía la implementación y adopción de las automatizaciones, rara vez se involucraba al departamento de tecnologías de la información, pues su intervención podía ralentizar el impacto y hacer retroceder el proyecto a su punto de partida.

Tras estas vivencias, mi conclusión es que, aunque departamentos como el de Demand Planning son altamente automatizables y van de la mano con la estrategia comercial de las empresas, una vez alcanzado un impacto medible, sus soluciones deberían formalizarse mediante prácticas de gobernanza del dato lideradas por el departamento de tecnologías de la información. Aunque este proceso pueda demorarse y resultar complejo, la experimentación continua y la minimización de los esfuerzos operativos siguen siendo fundamentales. Asimismo, resulta muy recomendable el uso de herramientas de automatización como asistencia, pero jamás como sustitución del criterio humano; la intuición y el sentido común continúan siendo imprescindibles para evaluar permanentemente la adopción de nuevas técnicas, medir sus impactos y mantener una constante minimización de errores.

hace 3 meses

Imagen: Equipo de demand planning en Perú

En esta foto comparto un buen momento junto al equipo de trabajo con el que desarrollamos modelos de planificación y automatización de inventarios. Fue una etapa de aprendizaje constante donde la colaboración y el trabajo en equipo fueron fundamentales para alcanzar grandes resultados.

Pantalla completa