¿Qué necesita una empresa para hacer predicción de demanda con datos de verdad?

«Queremos predecir la demanda, pero no sabemos si nuestros datos dan para eso.» Es la pregunta más honesta que puede hacer un director de operaciones o de supply chain. Porque entre las demos de IA que predicen todo con un 95% de precisión y la realidad de una empresa con datos en 4 sistemas diferentes, hay un abismo. Y vale la pena saber en qué lado estás antes de invertir.

¿Cuáles son los 4 requisitos técnicos para un modelo de predicción?

Un modelo de predicción de demanda no necesita datos perfectos, pero sí necesita datos que cumplan unos mínimos. Estos son los cuatro requisitos que evaluamos antes de recomendar un proyecto de forecasting:

1. Histórico suficiente

Para capturar estacionalidad —que es el patrón más potente en predicción de demanda— necesitas al menos 18-24 meses de datos. Idealmente, 3 años. Si solo tienes 6 meses de histórico, el modelo no puede distinguir un patrón estacional de un evento puntual.

2. Granularidad adecuada

Los datos diarios permiten modelos más precisos que los semanales, y los semanales más que los mensuales. Si tu registro de ventas es mensual por categoría, sin detalle por producto o por día, la capacidad predictiva se reduce significativamente. No necesitas datos al minuto, pero sí al menos semanales y por producto o categoría relevante.

3. Variables explicativas registradas

La demanda no solo depende del tiempo. Depende de precios, promociones, festivos, clima, eventos del sector. Si tu empresa registra cuándo hace promociones, cuándo sube precios, qué campañas lanza, esas variables mejoran enormemente la predicción. Si no las registra, el modelo puede funcionar, pero será menos preciso.

4. Formato accesible

Los datos necesitan estar en bases de datos, hojas de cálculo estructuradas o exports automatizables. Si el histórico de ventas son PDFs escaneados de albaranes, hay un problema previo que resolver antes de pensar en predicción.

Qué datos necesitas en la práctica

Para un proyecto de forecasting de demanda típico, estos son los bloques de datos que usamos:

• Ventas o pedidos con fecha, producto (o categoría) y cantidad. Es el dato principal. Sin esto, no hay modelo posible.
• Calendario de promociones y campañas. Si lanzas una promoción del 20% y el modelo no lo sabe, interpretará el pico de demanda como un patrón que se repetirá aunque no haya promoción.
• Festivos y eventos relevantes. Navidad, Black Friday, festivos locales, ferias del sector. El modelo necesita saber qué días son atípicos.
• Si aplica: datos de stock, precios vigentes, costes logísticos, datos de tráfico web. Cuantas más variables explicativas relevantes, más precisa será la predicción.
• Si aplica: datos externos como clima, indicadores macroeconómicos o datos de la competencia. Son un plus, no un requisito.

Señales de que tu empresa sí está preparada

• Tu ERP tiene al menos 18 meses de histórico fiable de pedidos o ventas con detalle por producto.
• Tu equipo ya intenta predecir la demanda —aunque sea con Excel, intuición o experiencia—. Si hay alguien que mira el histórico para planificar compras o producción, un modelo lo hace mejor y más rápido.
• Los errores de previsión te cuestan dinero real: sobre-stock que inmoviliza capital, roturas que generan ventas perdidas o urgencias de transporte que encarecen la logística.
• Hay alguien en la empresa que usaría las predicciones para tomar mejores decisiones operativas. Un modelo sin usuario es un proyecto académico.

Señales de que todavía no estás preparado

• Menos de 12 meses de histórico digital. Sin historia suficiente, no hay patrones que modelar.
• Datos de ventas sin detalle de producto, fecha o cantidad. Un total mensual agregado no da para un modelo útil.
• Nadie en la empresa sabe exactamente qué quiere predecir. «Predecir la demanda» es demasiado vago. ¿Demanda de qué producto? ¿En qué horizonte temporal? ¿Para qué decisión?
• No hay proceso de planificación que consumiría las predicciones. Si nadie va a usar el forecast para planificar compras, producción o logística, el modelo no tiene propósito.
• Los datos cambian de estructura frecuentemente: los productos se reclasifican, los códigos cambian, el formato del ERP ha cambiado dos veces en tres años.

El primer paso concreto

Si estás valorando un proyecto de predicción de demanda, haz esto antes de hablar con cualquier proveedor:

1. 1Exporta 12-18 meses de ventas por producto y fecha desde tu ERP.
2. 2Mira si hay estacionalidad visible: ¿hay picos en ciertos meses? ¿Los lunes se vende más que los viernes? ¿Diciembre es siempre distinto?
3. 3Si ves patrones a simple vista, un modelo puede capturarlos, cuantificarlos y proyectarlos con más precisión que cualquier estimación manual.
4. 4Si no ves ningún patrón, puede que no lo haya (demanda genuinamente aleatoria) o puede que los datos no sean de calidad suficiente para que el patrón emerja.

Con ese análisis básico en la mano, cualquier conversación con un proveedor será más productiva. Sabrás qué datos tienes, en qué estado están y qué preguntas concretas necesitas responder.

Tabla rápida de preparación real para forecasting

Patrón anonimizado: un proyecto que llegó preparado y otro que no

La diferencia más visible no estuvo en el modelo, sino en la conversación previa. En el caso que llegó preparado, el equipo ya había decidido qué horizonte mirar, qué decisión iba a cambiar y quién validaba los resultados. En el que no, se hablaba de “predecir ventas” sin acordar si la unidad de decisión era producto, tienda, semana o familia. El primer proyecto avanzó; el segundo necesitó volver atrás y ordenar datos y expectativas.

Por eso conviene leer este checklist junto al caso real de forecasting de demanda, revisar la plataforma de datos y tener a mano una idea realista de cuánto tarda un proyecto de datos o IA. Si ya estás pensando en presupuesto, la página de precios orientativos ayuda a poner marco comercial.

Preguntas frecuentes sobre requisitos para predicción de demanda

¿Cuánto histórico suele hacer falta?

Depende del negocio, pero lo importante es cubrir suficientes ciclos y cambios relevantes. Si solo tienes unos pocos meses y además fueron atípicos, conviene ser prudente.

¿Se puede empezar con datos imperfectos?

Sí, si sabes qué limitaciones asumes y el caso sigue siendo útil. Lo que no suele funcionar es ignorar esas limitaciones y esperar precisión alta desde el primer día.

¿Qué bloquea más: el modelo o el dato?

En entornos pyme suele bloquear más el dato: cómo está registrado, si puede cruzarse y si la decisión operativa que debe usar el forecast está clara.

Qué no conviene hacer al preparar el dato

No conviene mezclar varias granularidades sin explicitarlo, rellenar huecos a mano sin dejar rastro o intentar arreglar la falta de histórico prometiendo más sofisticación en el modelo. En forecasting, un dato limitado pero bien entendido suele valer más que una base grande y confusa.