Predicción de demanda en ecommerce
Anticipa qué productos van a venderse, cuántos y cuándo para optimizar tu inventario y maximizar ingresos
La predicción de demanda es el proceso de estimar cuántos productos se venderán en un periodo futuro. En ecommerce, una predicción precisa es la diferencia entre tener stock suficiente para cubrir la demanda y perder ventas por rotura de stock, o entre gestionar bien el capital y tener almacenes llenos de producto que no se vende.
Según IHL Group, las roturas de stock cuestan al retail global 1,14 billones de dólares anuales en ventas perdidas, mientras que el sobrestock genera pérdidas de 562.000 millones. Los modelos predictivos de demanda atacan ambos problemas simultáneamente.
Métodos de predicción de demanda
Los métodos van desde técnicas estadísticas simples hasta modelos de deep learning que procesan cientos de variables. La elección depende del volumen de datos disponible, la cantidad de SKUs y la variabilidad de la demanda.
- Media móvil: promedia la demanda de los últimos N periodos. Simple pero no captura tendencias
- Suavizado exponencial (Holt-Winters): da más peso a datos recientes y captura tendencia y estacionalidad
- ARIMA/SARIMA: modelos estadísticos que capturan autocorrelación y patrones estacionales
- Prophet (Meta): diseñado para datos con estacionalidad fuerte y eventos especiales (Black Friday, Navidad)
- XGBoost / LightGBM: modelos de ML que pueden incorporar variables externas (clima, promociones, competencia)
- Deep learning (LSTM, Transformer): para catálogos muy grandes con relaciones complejas entre productos
Datos necesarios para predecir demanda
Un modelo de forecasting de demanda necesita datos de ventas históricas como mínimo. Pero la precisión mejora significativamente al incorporar datos adicionales que explican por qué la demanda varía: promociones, precio, estacionalidad, eventos externos y comportamiento web.
- Ventas históricas: unidades vendidas por SKU, día y canal. Mínimo 12-24 meses
- Datos de precio: historial de precios y descuentos aplicados por producto
- Calendario promocional: fechas de campañas, descuentos, lanzamientos
- Estacionalidad: patrones por mes, día de la semana, festivos
- Datos externos: clima, indicadores económicos, tendencias de búsqueda (Google Trends)
- Datos de navegación: productos vistos, añadidos al carrito, wishlists
Optimización de inventario con forecasting
La predicción de demanda alimenta directamente las decisiones de inventario: cuánto comprar, cuándo hacer el pedido y cómo distribuir el stock entre almacenes o puntos de venta. El objetivo es minimizar el coste total de inventario (coste de compra + coste de almacenamiento + coste de rotura de stock).
Los modelos avanzados calculan el punto de reorden óptimo para cada SKU: el nivel de stock por debajo del cual se debe generar un pedido de reposición, considerando el lead time del proveedor y la variabilidad de la demanda. Esto se automatiza con alertas o directamente con integraciones al sistema de compras.
Gestión de patrones estacionales
La estacionalidad es uno de los mayores retos en forecasting de ecommerce. Los picos de demanda (Black Friday, Navidad, rebajas de verano) pueden multiplicar las ventas por 3-10x respecto a un día normal. Un modelo que no capture estacionalidad subestimará la demanda en picos y la sobreestimará en valles.
Los modelos de series temporales como Prophet manejan bien la estacionalidad múltiple (semanal, mensual, anual). Pero los eventos no recurrentes (un viral en redes sociales, una mención en prensa) requieren intervención manual o modelos que incorporen datos en tiempo real.
- Estacionalidad semanal: patrones por día (picos en lunes, valles en sábado, etc.)
- Estacionalidad mensual/anual: meses fuertes vs débiles por categoría de producto
- Eventos comerciales: Black Friday, Prime Day, rebajas con impacto predecible
- Eventos no recurrentes: virales, menciones mediáticas, cambios regulatorios
Métricas de precisión del forecasting
Medir la precisión del forecasting es esencial para mejorar los modelos y ganar confianza del equipo de operaciones. Las métricas más usadas comparan la demanda prevista con la demanda real.
- MAPE (Mean Absolute Percentage Error): error porcentual medio. Un MAPE del 15% significa que las predicciones se desvían un 15% de media
- WMAPE (Weighted MAPE): pondera por volumen de ventas, dando más peso a los productos con más demanda
- Bias: indica si el modelo tiende a sobreestimar (positivo) o subestimar (negativo) la demanda
- Fill rate: porcentaje de pedidos que se pueden servir con el stock disponible
Herramientas y plataformas
Las herramientas van desde hojas de cálculo con modelos simples hasta plataformas SaaS especializadas y soluciones custom con Python o R.
- Inventory Planner / Stockly: SaaS especializados en forecasting para ecommerce con integración directa a Shopify
- Amazon Forecast: servicio ML gestionado de AWS para series temporales
- Google BigQuery ML: permite construir modelos ARIMA+ directamente en SQL sobre tus datos
- Python (statsmodels, Prophet, scikit-learn): máxima flexibilidad para modelos custom
- Lokad: plataforma de supply chain cuantitativa con enfoque probabilístico
Puntos clave
- Las roturas de stock y el sobrestock cuestan billones al retail global cada año
- El método de forecasting debe adaptarse al volumen de datos y la variabilidad de la demanda
- Los datos de precio, promociones y estacionalidad mejoran significativamente la precisión
- Automatiza el punto de reorden para que el forecasting se traduzca en acción
- Mide la precisión con MAPE y bias para mejorar continuamente los modelos
¿Quieres predecir la demanda en tu ecommerce?
Construimos modelos de forecasting adaptados a tu catálogo, tus datos y tu operativa para que nunca te falte stock ni te sobre inventario.