Pronóstico de demanda con IA: qué probar antes de reponer stock

Una predicción necesita una decisión concreta

Un pronóstico de demanda con IA debería ayudar a decidir cuánto abastecer, dónde y con qué anticipación. Para una empresa chilena que distribuye productos o administra tiendas, la primera pregunta es qué decisión de reposición necesita mejorar. El período que intenta anticipar debe corresponder al tiempo en que todavía puede actuar sobre el inventario.

El 28 de agosto de 2026, AWS publicó un caso escrito junto con profesionales de Decathlon sobre el uso de Chronos-2, un modelo de IA para series temporales. Describen pronósticos de ventas semanales con horizontes de 12 semanas para reposición y 52 semanas para planificación de capacidad y stock. Evaluaron modelos con datos propios frente a su sistema existente. Es una experiencia reportada por la empresa y su proveedor; sus resultados no establecen lo que obtendría otro negocio. AWS y Decathlon, pronóstico de demanda con Chronos-2.

Aclarar si el historial registra ventas o demanda

La documentación de AWS sobre valores faltantes distingue entre registrar cero ventas de un producto disponible y registrar cero cuando estaba agotado. El segundo caso no demuestra falta de interés de los clientes. También advierte que completar indiscriminadamente con ceros puede empujar la predicción a la baja. Es una referencia técnica de tratamiento de datos, no una novedad de este mes. AWS, tratamiento de valores faltantes.

Por eso proponemos reunir ventas y disponibilidad por producto y período, identificando días sin stock, cierres y fallos de registro. Esas situaciones necesitan una interpretación antes de entrenar o evaluar un modelo. Convertir todos los ceros en datos ausentes tampoco resuelve el problema: borraría los períodos en que el producto estuvo disponible y efectivamente no se vendió.

Si solo existen ventas registradas, conviene nombrar el objetivo con precisión y documentar esa limitación. Estimar demanda no atendida requiere supuestos o evidencia adicional; no puede tratarse como una observación real simplemente porque el modelo entregue un número.

Un distribuidor y una baja que necesita explicación

Imaginemos un distribuidor chileno que revisa semanalmente sus pedidos y necesita anticipar las próximas cuatro semanas. Es un ejemplo hipotético. Una familia de repuestos muestra una caída de ventas justo cuando varios productos estuvieron agotados. Si el equipo interpreta esa caída como menor demanda sin revisar disponibilidad, podría reducir el siguiente abastecimiento por una razón equivocada.

Proponemos separar esos períodos y dejar visible cómo se trataron. El equipo puede contrastar antecedentes como pedidos pendientes o consultas comerciales, si están registrados de forma consistente. Esa revisión permite decidir qué puede aprenderse del historial y qué incertidumbre debe mantenerse, sin inventar las unidades que supuestamente se habrían vendido.

Probar el futuro como si todavía no hubiera ocurrido

Hyndman y Athanasopoulos explican la evaluación temporal con fechas de corte sucesivas: cada pronóstico utiliza únicamente observaciones anteriores al período que intenta anticipar. Así se evita entregar al modelo información futura durante la prueba. Su libro también permite evaluar varios pasos hacia adelante, según el horizonte requerido. Forecasting: Principles and Practice, validación temporal.

Para el distribuidor del ejemplo, proponemos repetir evaluaciones de cuatro semanas desde distintas fechas históricas. La comparación debe usar los mismos productos, fechas y datos disponibles para cada método. Una promoción planificada podría incorporarse si ya se conocía al emitir el pronóstico; una campaña decidida después no debería aparecer retroactivamente como información disponible.

Conviene conservar cada predicción antes de compararla con lo observado. Los períodos afectados por falta de stock deben quedar identificados al interpretar el error: las ventas limitadas por disponibilidad no se convierten en una medición completa de demanda.

Comparar con una referencia sencilla y mirar el error útil

El mismo libro propone métodos simples como referencia de comparación. Para series estacionales, uno de ellos repite el último valor observado de la misma estación, por ejemplo el mismo mes del año anterior. Esto permite comprobar si un modelo más elaborado aporta algo frente a una alternativa comprensible. Hyndman y Athanasopoulos, métodos simples.

El error absoluto medio permite expresar la diferencia en las unidades del dato. En cambio, el error porcentual MAPE puede resultar indefinido cuando el valor observado es cero. La elección de la métrica necesita considerar esas características del catálogo. Hyndman y Athanasopoulos, evaluación de precisión.

Como revisión operacional, sugerimos mirar resultados por familia y detectar si el método queda repetidamente por encima o por debajo de las ventas observadas. Un promedio general puede esconder grupos que necesitan atención. La comparación también debería incluir el tiempo y el esfuerzo de mantener el sistema.

Pasar del pronóstico a una propuesta de reposición

Proponemos comenzar con recomendaciones revisadas por la persona responsable de abastecimiento. Para convertir una previsión en una compra, el equipo necesita considerar existencias utilizables, pedidos en tránsito, plazos del proveedor y restricciones de entrega. Registrar los ajustes del responsable permite entender cuándo el pronóstico sirve y cuándo falta contexto operacional.

El primer entregable puede ser una comparación histórica reproducible y una propuesta de reposición para una familia acotada. Antes de ampliar, conviene comprobar si las recomendaciones ayudan a tomar decisiones y cómo se comportan durante nuevos períodos. La guía sobre calidad de datos en catálogos aborda otro requisito previo: identificar correctamente cada producto.

En una implementación de inteligencia artificial aplicada, ese recorrido vincula datos, evaluación y trabajo de abastecimiento. La adopción se justifica con evidencia del propio negocio y con un proceso que el equipo pueda revisar y sostener.