Previsión de demanda con IA para productos estacionales: cómo acertar con el inventario del Black Friday
Un minorista de electrónica de consumo pidió 45.000 unidades de un modelo particular de auriculares inalámbricos para el Black Friday de 2024. Agotaron todo su inventario el sábado después de Acción de Gracias y tuvieron que desactivar los anuncios del producto con unas ventas perdidas estimadas de $380.000 durante el resto del fin de semana del Cyber Monday. El año anterior, habían pedido 52.000 unidades de un modelo diferente y terminaron liquidando 18.000 unidades no vendidas en enero con un descuento del 40%.
La previsión de demanda estacional en ecommerce es brutalmente difícil porque la relación señal-ruido es terrible. Puedes tener de tres a cinco años de datos del Black Friday para una categoría determinada, pero los productos específicos, los precios, el panorama competitivo y el sentimiento del consumidor cambian cada año. Los métodos tradicionales de previsión de series temporales (ARIMA, suavizado exponencial, incluso regresión básica) dependen en gran medida de que los patrones históricos se repitan, lo cual a menudo no ocurre durante los eventos estacionales pico.
Donde los métodos tradicionales se quedan cortos
El problema central de la previsión estándar para picos estacionales es que tratan la demanda principalmente como una función de la demanda pasada. Un modelo básico analiza tus ventas del Black Friday de los últimos tres años, aplica una tasa de crecimiento y te da un número. Este enfoque omite sistemáticamente varios factores.
Los efectos del ciclo de vida del producto son significativos. Un producto en su primera temporada navideña se comporta de manera diferente a uno en su tercera. Los productos nuevos a menudo tienen una demanda acumulada que crea un pico por encima de lo que los datos históricos de la categoría sugerirían. Los productos maduros pueden ver un interés decreciente incluso si la categoría está creciendo.
Las dinámicas competitivas cambian de un año a otro. Si tu competidor principal lanzó un producto comparable a un precio más bajo dos meses antes del Black Friday, tu demanda para esa categoría será menor de lo que las tendencias históricas sugieren. Los modelos tradicionales no tienen forma de incorporar los precios de la competencia ni los lanzamientos de productos.
Los cambios en el gasto en marketing y la combinación de canales importan enormemente. Si duplicaste tu presupuesto de publicidad en redes sociales para este Black Friday en comparación con el año pasado, un modelo entrenado con las ventas del año pasado al nivel de gasto del año pasado subestimará la demanda. La relación entre el gasto en marketing y las ventas incrementales es no lineal y varía según el canal, lo que dificulta modelarla con multiplicadores simples.
Qué hace diferente la previsión basada en ML
Los modelos de machine learning para la previsión de demanda estacional funcionan incorporando un conjunto mucho más amplio de variables de entrada. En lugar de solo datos históricos de ventas, pueden procesar datos de Google Trends para términos de búsqueda relevantes (un indicador adelantado de demanda que comienza a moverse 4-6 semanas antes de los eventos de compra), volumen de menciones en redes sociales y sentimiento sobre tu marca y productos, datos de precios de la competencia extraídos de sus sitios web, pronósticos meteorológicos para tus mercados clave (relevante para categorías como ropa de abrigo, calefacción y equipamiento para exteriores), datos de navegación previa al evento y listas de deseos de tu propio sitio, métricas de interacción de correo electrónico de campañas promocionales, e indicadores macroeconómicos como el índice de confianza del consumidor y datos de renta disponible.
El modelo aprende cuáles de estas variables importan más para cada categoría de producto y cómo interactúan entre sí. Para moda y ropa, las menciones en redes sociales y Google Trends pueden ser los predictores más fuertes. Para electrónica de consumo, los precios de la competencia y las puntuaciones de reseñas de productos pueden dominar. Para artículos del hogar, el clima y los datos del mercado inmobiliario pueden ser más relevantes.
Un modelo de gradient boosting (XGBoost o LightGBM) entrenado con 3-5 años de datos históricos con estas variables adicionales típicamente reduce el error de previsión específicamente para el Black Friday en 15-25 puntos porcentuales en comparación con los métodos tradicionales de series temporales. En lugar de equivocarte en un 30%, te equivocas en un 8-12%. Esa diferencia se traduce directamente en menos roturas de stock y menores costes de liquidación.
El pipeline de datos que lo hace funcionar
El desafío técnico no está tanto en el modelo en sí, sino en construir un pipeline de datos fiable que recopile, limpie y entregue todas estas variables según un calendario. Los datos de Google Trends se pueden obtener mediante API de forma semanal. Los precios de la competencia requieren una infraestructura de web scraping que se ejecute diariamente y gestione los cambios en los sitios web de forma adecuada. Los datos meteorológicos provienen de APIs comerciales como Weather Company u OpenWeatherMap. Tus propios datos de analítica web (adiciones a listas de deseos, visitas a páginas de producto, tasas de añadir al carrito) necesitan extraerse de tu plataforma de analítica y vincularse a identificadores a nivel de producto.
La mayoría de estos datos son desordenados. Google Trends te da interés de búsqueda relativo, no números absolutos, así que necesitas calibrarlo contra tus datos reales de conversión. Los precios de la competencia cambian frecuentemente y no todos los competidores son igualmente relevantes. El sentimiento en redes sociales es ruidoso y requiere preprocesamiento de NLP que introduce su propio margen de error.
El enfoque práctico es empezar con las fuentes de datos que ya tienes (tu propio historial de ventas, analítica web y gasto en marketing) y añadir señales externas de forma incremental. Cada nueva fuente de datos debe evaluarse por su mejora marginal en la precisión de la previsión. Si añadir datos meteorológicos solo mejora tu previsión en un 0,3%, puede que no valga la pena el coste de mantenimiento del pipeline.
Timing: cuándo fijar las previsiones
Para productos con plazos de entrega largos (cualquier cosa fabricada en el extranjero), necesitas una previsión preliminar 4-6 meses antes del Black Friday para realizar los pedidos de compra iniciales. Esta previsión temprana tendrá mayor incertidumbre, así que el enfoque es pedir una cantidad base conservadora y planificar envíos aéreos o suministro nacional si las señales de demanda se fortalecen más cerca del evento.
El modelo de IA debería producir previsiones actualizadas a intervalos regulares: mensualmente hasta 8 semanas antes, luego semanalmente, y después diariamente durante las dos últimas semanas. Cada actualización incorpora los datos más recientes, y el intervalo de confianza de la previsión se estrecha a medida que te acercas al evento. Compartir estas actualizaciones continuas con tus equipos de compras y merchandising les permite hacer ajustes incrementales en lugar de apostarlo todo a una única previsión.
Para productos con plazos de entrega más cortos o proveedores nacionales, puedes permitirte retrasar tu compromiso. Un modelo que predice con precisión la demanda con 2-3 semanas de antelación te da tiempo suficiente para aumentar los pedidos de artículos de alta rotación mientras reduces los de bajo rendimiento.
Gestión de la incertidumbre: stock de seguridad y planificación de escenarios
Ninguna previsión es perfecta, y el objetivo no es eliminar la incertidumbre sino tomar mejores decisiones bajo incertidumbre. El modelo de IA debería generar no solo una estimación puntual sino una distribución de probabilidad. En lugar de decir que venderás 45.000 unidades, debería decir que hay un 50% de probabilidad de que vendas entre 40.000 y 50.000, un 25% de probabilidad de que vendas más de 50.000 y un 25% de probabilidad de que vendas menos de 40.000.
Esta distribución te permite hacer compensaciones explícitas. Si el coste de una rotura de stock (margen perdido más daño a la fidelidad del cliente) es tres veces el coste del exceso de stock (pérdida por liquidación), entonces deberías abastecerte en el percentil 75 de la distribución de la previsión en lugar de la mediana. El nivel óptimo de stock depende de tu estructura de márgenes específica, tu capacidad de liquidación y tus costes de almacenamiento.
Para los retailers de ecommerce que se preparan para picos estacionales, la inversión en una mejor previsión se amortiza muchas veces. Una mejora del 10% en la precisión de la previsión sobre un presupuesto de inventario de $5 millones para el Black Friday puede recuperar entre $200.000 y $500.000 en liquidaciones evitadas y ventas capturadas. Los modelos en sí no son caros de construir ni de ejecutar. La verdadera inversión está en la infraestructura de datos y en la disciplina organizacional para realmente usar las previsiones al tomar decisiones de compra en lugar de recurrir a la intuición.