# Métodos de previsión de inventario: 5 formas de predecir la demanda

> Descubra 5 métodos de previsión de inventario probados, cómo funciona cada uno y cuándo usarlo. Compare enfoques y elija el adecuado para su negocio.

Source: https://www.electe.net/es/articulo/inventory-forecasting-methods

Site guide: https://www.electe.net/es/llms.txt

Si pide demasiado, pierde caja. Si pide muy poco, pierde la venta a favor de quien tiene stock en el estante. Todo negocio que maneja inventario vive entre esos dos fallos, y la diferencia entre ambos depende de una decisión: qué método de previsión de inventario respalda sus órdenes de compra.

Pregunte a un grupo de responsables qué método usan y le responderán con nombres de productos. Una hoja de cálculo. Un módulo del ERP. Un complemento que compró alguien de finanzas. Nadie nombra las matemáticas. Esa es la brecha que conviene cerrar. Una herramienta de previsión es solo el vehículo de un método, y el método decide si su stock de seguridad se dimensiona según la realidad o según los deseos.

Estos son cinco métodos de previsión de inventario, planteados como una escalera de decisión y no como bandos rivales. Cada uno es una referencia que el siguiente debe superar. De cada uno verá qué necesita, dónde falla y bajo qué condiciones exactas se gana su lugar.

## 1. Previsión con media móvil

La media móvil es un punto de partida habitual, y merece serlo. Se elige una ventana (3, 6 o 12 períodos), se promedia la demanda real dentro de ella y se usa ese valor como previsión del próximo período. Cuando cierra un nuevo período, la ventana avanza y la cifra se actualiza sola.

Un [estudio de cadena de suministro de la Universidad de Arkansas](https://scholarworks.uark.edu/cgi/viewcontent.cgi?article=1003&context=scmtwscp) describe la previsión de series temporales como la base de la mayoría de los sistemas de reposición, con el objetivo de identificar la tendencia y la estacionalidad bajo el ruido de las ventas. La media móvil hace la versión más simple de ese trabajo: elimina los picos puntuales sin necesidad de un modelo.

### Ventanas simples frente a ponderadas

Las medias móviles simples dan el mismo peso a todos los períodos. Las medias móviles ponderadas dan más influencia a los períodos recientes, algo útil cuando la demanda sube o baja por escalones en lugar de mantenerse plana. Use la ponderada cuando el último mes dice más sobre el próximo que el último trimestre.

Por ejemplo, una tienda online de papelería promedia los últimos tres meses de ventas de cuadernos para fijar los puntos de reposición de una línea estable, mientras que una panadería promedia cuatro semanas de ventas de pan cada lunes para dimensionar su pedido de harina. Mismo método, ventanas distintas, y ambos son fáciles de explicar a un comprador.

> Pruebe tres longitudes de ventana con los últimos doce meses de datos antes de decidirse por una. La ventana ganadora suele ser más corta de lo que sugiere la intuición.

- **Compare con el método ingenuo:** si las ventas del último período predicen tan bien como su promedio, el promedio no justifica su complejidad.
- **Combínelo con stock de seguridad:** el suavizado elimina el pico de la previsión, no de la demanda.
- **Separe las familias de productos:** un cuaderno y una agenda estacional no deben compartir ventana.

Úselo cuando sus artículos se vendan de forma estable, tenga al menos seis períodos de historial limpio y necesite una referencia que cualquier interesado pueda seguir. Además, es la cifra que todo método posterior debe superar. Un [piloto de inventario de 30 días para minoristas](https://www.electe.net/post/inventory-optimization-for-retail) muestra con qué rapidez una referencia como esta revela qué SKU necesitan algo más que un promedio.

## 2. Suavizado exponencial (método Holt-Winters)

El suavizado exponencial conserva el hábito de promediar, pero deja de tratar igual los datos antiguos y los nuevos. Cada observación pesa exponencialmente menos a medida que envejece, de modo que la previsión se orienta hacia lo que ocurre ahora sin reaccionar de más a una semana atípica.

Holt-Winters añade dos componentes: un término de tendencia y un término estacional, aplicados de forma aditiva o multiplicativa según si las oscilaciones estacionales crecen con el volumen. Por eso los catálogos de retail estacional pasan la mayor parte de su vida aquí.

### Por qué la precisión pesa más

Ponderar los datos recientes aporta capacidad de respuesta, y esa capacidad tiene un precio. Un [estudio sobre investigación en comercio mayorista y control de existencias](https://www.sciencedirect.com/science/article/abs/pii/S0925527310001805) recoge un hallazgo de Syntetos y colaboradores: una **reducción del 1% en la precisión de la previsión** podría corresponder a un **aumento del 10-15% en los costes de inventario** al mantener niveles de servicio comparables. Si los parámetros son demasiado lentos, se queda con exceso durante un cambio de demanda; si son demasiado rápidos, persigue el ruido hasta provocar un efecto látigo.

Tres hábitos mantienen el modelo honesto:

- **Dos años como mínimo:** alimente el modelo con al menos dos ciclos estacionales completos, o el componente estacional será una conjetura.
- **Verifique el optimizador:** deje que el software calcule las constantes de suavizado y después confirme que la forma estacional coincide con el año que tuvo.
- **Marque las promociones como eventos:** una campaña de tres semanas distorsiona la base durante meses si permite que se filtre en el historial.

Úselo cuando la demanda tenga una forma estacional repetitiva y pueda aportar dos ciclos limpios. Para ver cómo se ejecutan y comparan los modelos de suavizado en la práctica, lea [previsión de tasas de impago con modelos de suavizado](https://www.electe.net/post/exponential-smoothing).

## 3. Modelos de series temporales ARIMA y SARIMA

El suavizado trata el historial como un promedio ponderado. ARIMA plantea una pregunta más exigente sobre los mismos datos: ¿depende la demanda de hoy de la de ayer, de la misma semana del año pasado y de los errores que cometió antes el modelo? El paso de integración diferencia la serie hasta que la tendencia se estabiliza, y SARIMA añade términos estacionales para los ciclos semanales y anuales. Donde Holt-Winters le entrega una línea más suave, ARIMA le entrega un modelo del propio proceso de demanda.

El intervalo alrededor de la previsión es el resultado que realmente rinde.

### Los rangos superan a las cifras únicas

Un [estudio sobre optimización del reabastecimiento](https://www.tandfonline.com/doi/full/10.1080/00207543.2025.2527957) modela la demanda por SKU, los plazos de devolución y los plazos de reabastecimiento como variables aleatorias, trabaja con previsiones por cuantiles en lugar de una sola estimación y propone una Ratio de Incertidumbre de la Previsión para seguir cómo se propaga la incertidumbre entre las etapas de la cadena de suministro. Esa distinción importa en la orden de compra. Una previsión de 1.000 unidades significa algo distinto cuando el rango plausible va de 850 a 1.150 que cuando va de 500 a 1.700.

Dos compradores pueden leer la misma previsión y tomar decisiones opuestas. Una cadena regional de supermercados modela la demanda semanal de lácteos con estacionalidad semanal y anual, de modo que el repunte de las fiestas se refleje en el pedido y no después. Un distribuidor de electrónica fija el stock de seguridad de componentes en el percentil 90 del intervalo, dimensionado según un objetivo de servicio y no según dos semanas fijas de cobertura. Misma maquinaria, distinta pregunta de política.

Para aplicarlo bien hace falta disciplina:

- **Comprueba la estacionariedad** con un gráfico y una prueba formal, y diferencia solo lo necesario. El exceso de diferenciación introduce ruido que el modelo luego tiene que explicar.
- **Reserva los últimos tres meses** y evalúa el modelo con ellos antes de fiarte.
- **Traduce los intervalos en política:** elige el percentil que justifiquen tu margen, tu posición de caja y tu compromiso de servicio.
- **Automatiza la selección de modelos** en catálogos grandes. El ajuste manual de pedidos no sobrevive a 400 SKU.

La contrapartida es el esfuerzo. ARIMA exige datos estacionarios, una selección cuidadosa del orden y historial suficiente para estimar sus términos estacionales, y aun así solo lee el pasado de la propia serie. Eso lo convierte en la vara que deben superar los métodos causales: un factor como el precio o la promoción se gana un lugar en el modelo solo si pronostica mejor que el historial de la propia demanda.

Úsalo cuando tu serie tenga autocorrelación que el suavizado no capta y necesites un rango fiable para dimensionar el stock de seguridad frente a un objetivo de nivel de servicio.

## 4. Previsión por regresión causal

Todos los métodos vistos hasta ahora leen la demanda a partir de su propio historial. La regresión causal plantea otra pregunta: ¿qué mueve la demanda y en qué medida? Se alimenta con factores que tu equipo ya registra, como precio, profundidad del descuento, promociones, festivos, clima y actividad de la competencia, y estima el efecto que produce cada uno.

El resultado es un coeficiente que puedes discutir, y ese es el objetivo. Un descuento no solo eleva la previsión: la eleva en una cantidad concreta, y esa cantidad es lo que necesita tu orden de compra.

### Incorpora el calendario promocional al modelo

Imagina que un minorista de artículos para el hogar quiere saber cómo afectarán a las ventas de electrodomésticos de cocina un descuento del 20 % y una campaña de correo electrónico de fin de semana. La regresión estima el efecto combinado, de modo que el comprador pide según un evento planificado y no según el promedio mensual del año pasado. Un distribuidor de bebidas que incluye la temperatura prevista puede abastecerse antes de una ola de calor en lugar de reaccionar a ella.

> **Regla práctica:** prueba un factor cada vez en un periodo de validación. Un factor que no mejora la precisión con datos que el modelo no ha visto es un relato, no una señal.

- **Empieza por lo que ya registras:** indicadores de promoción, cambios de precio y calendarios de festivos. Muchos equipos tienen más factores utilizables de lo que creen.
- **Actualiza los coeficientes:** la respuesta de los clientes cambia tras una subida de precios o la llegada de un nuevo competidor, y los coeficientes obsoletos pueden provocar sobrestock.
- **Separa lo planificado de lo imprevisto:** las campañas entran como variables de entrada; una publicación viral o la recuperación tras una rotura de stock entran como indicador de evento.

Úsalo cuando las promociones y los precios impulsen una gran parte de tu volumen y necesites dimensionar el stock de una campaña antes de que se lance, no después.

## 5. Previsión de la demanda con aprendizaje automático

El aprendizaje automático cambia la unidad de modelado. En lugar de ajustar un modelo por producto, entrenas un único modelo con miles de combinaciones de SKU y tienda y dejas que aprenda patrones compartidos: qué artículos reaccionan al clima, cuáles a los ciclos de cobro de nóminas y cuáles a una promoción dos semanas antes.

El gradient boosting funciona bien con datos de ventas tabulares. Las redes neuronales se justifican cuando el catálogo es enorme y las señales interactúan de formas que no puedes especificar a mano.

### Donde el argumento de la precisión se complica

Un [estudio que evaluó 7.500 series de demanda y 13 métodos de previsión](https://www.ajol.info/index.php/jriie/article/download/340188/319463/763962) concluyó que el valor de la precisión de la previsión depende de las características del producto, la política de inventario, los costes de mantenimiento, los costes de venta perdida, los intervalos de revisión y los plazos de entrega. El mismo trabajo señala que las pymes farmacéuticas suelen recurrir a la previsión basada en el criterio personal incluso con pedidos intermitentes significativos, y cita como barreras los datos históricos inexactos, la escasez de especialistas y la baja adopción tecnológica.

La conclusión es incómoda para quien persigue un ranking. Un modelo que gana en métricas de error puede perder en costes cuando el mantenimiento de stock es barato y las roturas son caras. Y un método que parece sólido con artículos intermitentes puede puntuar bien solo porque la mayoría de los periodos tienen demanda cero.

- **Supera la referencia:** una media móvil o Holt-Winters es tu grupo de control. Si el aprendizaje automático no los supera con datos de validación, no lo pongas en producción.
- **Valida por tiempo, no al azar:** entrena con periodos antiguos y prueba con los más recientes.
- **Evalúa por segmento:** el error en tus 50 SKU principales importa más que el de la cola larga.
- **Trata la intermitencia por separado:** los artículos con muchos ceros necesitan sus propias reglas de evaluación.

ELECTE, una plataforma de análisis de datos con IA para pymes, ejecuta seis métodos de previsión sobre tus datos, los puntúa entre sí y selecciona el más preciso, lo que sustituye al duelo manual entre modelos. Para catálogos con muchas promociones, consulta [cómo tener en cuenta los picos de demanda de las ventas flash](https://www.electe.net/post/ecommerce-demand-forecasting).

Úsalo cuando tengas un historial denso y detallado de muchos productos y pruebas de que supera tu referencia en costes y servicio, no solo sobre el papel.

## 5 métodos de previsión de inventario de un vistazo

MétodoIdeal paraDatos necesariosGestiona la estacionalidadDificultadPrevisión con media móvilDemanda estable y referencias de base sencillasPoco historial de ventas recienteNoFácilSuavizado exponencial (método Holt-Winters)Demanda con tendencias y patrones estacionalesDatos de ventas de al menos dos ciclos estacionalesSíModeradaModelos de series temporales ARIMA y SARIMADemanda autocorrelacionada con patrones temporalesSeries temporales históricas largas y limpiasSí, con SARIMAAvanzadaPrevisión mediante regresión causalPrever el efecto de promociones, precios y otros factoresHistorial de ventas y datos fiables de los factoresPuede, con variables estacionalesModeradaPrevisión de la demanda con machine learningCatálogos amplios con factores de demanda complejosHistorial de ventas amplio y limpio, y datos de entrada relevantesSí, con variables de calendario o estacionalesAvanzada

## Conclusiones clave: elija el método que sus datos puedan respaldar

Trate cada peldaño como la referencia que debe superar el siguiente. Una media móvil es barata y transparente, así que fija la cifra que todo modelo posterior debe mejorar. Añada Holt-Winters cuando la misma forma estacional se repita; use ARIMA o SARIMA cuando necesite un intervalo defendible para los niveles de servicio; pase a la regresión causal cuando las promociones y los cambios de precio muevan el volumen; incorpore el machine learning solo después de que gane en un conjunto de validación.

Aplique esa escalera de la misma forma en cada ciclo:

- Audite el historial de ventas: cuente los periodos limpios y los SKU con rachas largas de ceros.
- Elija el método más sencillo que se ajuste al patrón de demanda.
- Valide con los tres últimos meses, sin división aleatoria.
- Automatice la comparación para que la referencia ganadora cambie a medida que cambian las condiciones.

[ELECTE](https://www.electe.net) conecta fuentes de contabilidad, bancos y hojas de cálculo, las mantiene actualizadas, ejecuta seis métodos de previsión sobre las cifras en vivo, los compara entre sí y selecciona el más preciso. Obtiene previsiones de demanda, tesorería y nóminas con paneles que puede exportar o compartir con un clic. Visite ELECTE para ver en minutos la previsión de su propio historial de ventas.
