La trampa del promedio: cómo se pronostica en una operación real.
Casi todo el software empresarial promete predecir el futuro calculando un promedio móvil o vendiendo algoritmos milagrosos. En el piso, lo que necesitas es saber clasificar la demanda, ganarle a un pronóstico ingenuo y no comprar fantasías.
¿Por qué el promedio móvil quiebra inventarios?
Las empresas gastan presupuestos enteros en tableros ejecutivos y módulos de compras que hacen exactamente lo mismo: toman las ventas de los últimos noventa días, sacan la media aritmética y proyectan una línea recta hacia adelante. En un reporte de junta se ve limpio y ordenado; en el andén de un centro de distribución, esa línea recta es una fábrica de quiebres o de tarimas arrumbadas que nadie va a comprar.
El error de raíz es tratar toda la demanda como si fuera continua. En un centro de distribución de más de veinticinco mil posiciones, no todos los productos se mueven con la regularidad del jabón o del aceite. Existen cientos de artículos con demanda intermitente: pasan cuatro semanas sin una sola salida, y de repente un cliente levanta tres tarimas completas.
Si a esa serie le aplicas un promedio simple, el sistema concluye con toda tranquilidad que la demanda es de «0.15 cajas por día». Nadie en el mundo físico puede surtir 0.15 cajas. El sistema asume que el inventario está bajo control mientras el producto se agota en silencio o satura las posiciones altas de almacenaje.
Primero diagnostica el patrón, después elige el método
Un pronóstico profesional no arranca eligiendo el modelo matemático: arranca midiendo la forma de la serie histórica. En operaciones reales se usan dos indicadores duros antes de escribir una sola línea de proyección:
- El intervalo entre salidas (ADI). Mide cada cuántos periodos hay demanda real. Si transcurren más de 1.32 periodos entre salidas, la demanda ya no es continua: es intermitente.
- La variabilidad del tamaño del pedido (CV²). Mide qué tanto cambia la cantidad pedida cuando ocurre una salida. Si el coeficiente de variación al cuadrado supera 0.49, la demanda no solo es espaciada, sino volátil.
- El método adecuado para esa categoría. Para demanda continua y suave, los modelos clásicos de suavizamiento exponencial o autorregresivos funcionan impecable. Para demanda intermitente, se utilizan métodos como Croston, SBA o TSB, que descomponen la probabilidad de que haya un pedido del tamaño esperado del pedido.
Intentar resolver la intermitencia subiendo la complejidad del algoritmo sin cambiar el enfoque es como acelerar un auto atascado en el lodo: gastas energía y te hundes más hondo.
La regla de oro: ganarle al pronóstico ingenuo
Aquí es donde el noventa por ciento del software que le venden a las corporaciones se derrumba. Antes de celebrar que implementaste una red neuronal, un modelo de lenguaje o una suite en la nube, somételo a la única prueba que no miente: el pronóstico ingenuo (baseline naïve).
El pronóstico ingenuo es la regla más básica del mundo: suponer que la próxima semana pasará exactamente lo mismo que la semana anterior, o tomar la mediana simple de la serie. Se mide el error relativo mediante el error absoluto escalado medio (MASE). Si el MASE de tu modelo complejo es mayor a 1.0, significa que tu software predice peor que una regla tonta de una sola línea.
Pagar licencias caras por un modelo que no le gana a la inercia no es innovación técnica: es comprar placebo corporativo. Un pronosticador honesto entrega el número acompañado de su error medido y de su intervalo probabilístico (como el percentil noventa), para que el operador decida el amortiguador de seguridad con los ojos bien abiertos.
Herramientas para empresas: el software que construye quien opera
¿Por qué construyo mis propias herramientas de software en lugar de esperar a que un consultor o una empresa externa me resuelva la operación? Porque el software para empresas casi siempre lo programa gente que nunca ha visto un camión esperando en el patio a las tres de la mañana.
Quien programa sin haber pisado el piso de un almacén optimiza lo cosmético: pantallas llenas de gráficas vistosas, animaciones y promesas de inteligencia artificial que nadie puede auditar. Quien opera una instalación con trescientas personas y programa sus propios sistemas optimiza lo que no puede fallar:
Que el cálculo de la serie corra en milisegundos dentro de la base de datos o en un script ligero de Python; que la lógica sea transparente y trazable hasta el último pedido; y que cuando una serie histórica no tenga suficiente señal para predecir el futuro, el sistema tenga la decencia matemática de admitirlo: «aquí no hay patrón predecible; no adivines y protege la posición con stock de seguridad».
Método · series de tiempo e ingeniería de demanda · verificado en producción