Previsión de demanda con IA en Shopify: cuándo cuestionar el número

La previsión de demanda con IA estima la demanda futura del SKU, no unas ventas garantizadas

La previsión de demanda con IA es un modelo que estima cuántas unidades de un SKU es probable que vendas en un periodo futuro, a partir de las ventas pasadas y de otras señales. Es un dato para planificar. No promete que esas unidades se vendan, y no aprueba un pedido de compra.

Cuestiona la predicción antes de que salga la caja cuando la herramienta no puede mostrar qué ha usado, cuando no queda claro cómo trata los eventos, o cuando la brecha de importe entre el modelo y un evento documentado es lo bastante grande como para importar. Una puntuación de confianza no sustituye esa comprobación. Un modelo más sólido sigue siendo una hipótesis sobre unidades futuras.

La proyección base, incluidas las estimaciones estacionales por SKU, el historial distorsionado, los SKU de poco volumen y el paso a compras, está en cómo prever el inventario. Esta página empieza cuando el modelo ya ha producido un número, y cubre solo el paso de supervisión: si ese número merece confianza.

Revisa la salida del modelo antes de tratarla como previsión

Los modelos de demanda pensados para el comerciante suelen partir de las ventas históricas en unidades, por SKU y por periodo, y después intentan separar tendencia, estacionalidad y ruido. Algunos también recogen promociones, cambios de precio o un calendario de marketing. La pregunta de supervisión no es cómo reconstruir tú esa serie. Es si esta herramienta te va a mostrar la serie que de verdad ha usado.

Comprueba el modelo contra el historial de ventas y las cantidades de inventario que ya puedes ver en el admin de Shopify. Cómo leer los informes nativos de ventas está en análisis de ventas de Shopify. Si las entradas del modelo no coinciden con los IDs de producto, las ubicaciones y las fechas de esos registros, para antes de gastar.

Una salida de IA usable nombra tres cosas antes de que nadie la trate como previsión:

El SKU y el horizonte, por ejemplo las unidades esperadas durante el próximo plazo de entrega del proveedor.
La ventana de historial, los IDs de producto y las ubicaciones incluidas, y si se marcaron las roturas de stock o las promociones de esa ventana.
Una señal de confianza o de error, aunque solo sea la previsión del periodo anterior comparada con las ventas reales.

Si la herramienta devuelve un único número de unidades, sin ventana, sin marcas de eventos y sin historial de error, no tienes una previsión que puedas aprobar. Tienes una sugerencia.

Pregunta si el modelo ajustó los periodos con restricción y con promoción

Las ventas registradas no son lo mismo que la demanda, pero el método de ajuste para roturas, promociones e historial roto ya está en la guía de previsión de inventario. No reconstruyas esa serie en esta página. Pregunta qué hizo el modelo con esos periodos antes de aceptar su número.

Una semana de rotura dentro de la ventana de entrenamiento puede sesgar la predicción a la baja cuando la herramienta se entrenó con las ventas registradas en bruto y no identificó la disponibilidad limitada ni ajustó la demanda censurada. Ese resultado no es automático. Algunas herramientas ya marcan los periodos sin disponibilidad y corrigen la demanda que no pudieron registrar.

Comprueba cómo trata las roturas esta herramienta concreta antes de excluir esas semanas o sustituirlas por una estimación con stock. Si la herramienta ya las ajustó, excluirlas otra vez puede contar la corrección dos veces.

Haz la misma pregunta con las promociones. Si una semana promocionada está en la ventana y el modelo no tiene una variable de promoción que puedas ver, la estimación puntual puede estar tratando un pico como una semana normal. Eso es motivo para retener la aprobación, no para inventar aquí una base nueva. Qué SKU deberían descontarse es una decisión aparte, cubierta en la decisión de descuento por SKU.

Pregunta también qué IDs de producto y qué ubicaciones incluye la previsión. Una variante relanzada, una opción fusionada o un canal de venta nuevo pueden partir una serie de demanda entre registros que el modelo nunca combinó. Si la herramienta no puede mostrar los IDs, las ubicaciones y la ventana, el número no está listo para aprobar.

No trates la confianza del modelo como permiso para comprar en automático

Una puntuación de confianza es una propiedad del modelo, no una aprobación de compra. Cuesta más interpretarla cuando las unidades semanales son intermitentes, el SKU es nuevo o el modelo ha copiado un patrón de otro producto. El método para construir una estimación de historial corto o de poco volumen está en la guía de previsión de inventario. La regla de supervisión es más estrecha: si la herramienta no puede nombrar el comparable y la ventana, la puntuación no es una prueba.

Retén la compra automática, aunque la puntuación parezca alta, cuando se cumpla alguna de estas condiciones:

La herramienta aplica una sola escala de confianza a un bestseller estable y a una talla de nicho que se vende unas pocas veces al mes.
El modelo dice que usó un producto similar, pero no nombra ese producto ni las fechas que copió.
El pedido mínimo del proveedor es grande respecto a las ventas recientes, así que un pequeño fallo del modelo se convierte en un compromiso de caja grande.
La puntuación no tiene un historial de error que puedas comparar con las semanas cerradas.

En esos casos una persona fija el supuesto de demanda y lo firma. El modelo puede seguir imprimiendo un número. Esa impresión no es el pedido.

Revisa una excepción del modelo antes de que salga la caja

No revises cada SKU con la misma profundidad. Revisa excepciones del modelo: salidas que moverían una cantidad relevante de caja, que no coinciden con un evento documentado, o que la herramienta no puede explicar.

Abre el registro del modelo cuando se cumpla al menos una de estas condiciones:

La herramienta no muestra la ventana de historial, los IDs de producto o las ubicaciones que usó.
La herramienta no dice si los periodos sin disponibilidad se marcaron, se ignoraron o se ajustaron por demanda censurada.
Un periodo promocionado está en la ventana y no se ve ninguna variable de promoción.
Las unidades recomendadas consumirían una parte grande del presupuesto de compra abierto de este mes, y nadie ha firmado.
Las semanas cerradas siguen fallando en la misma dirección después de haber confirmado cómo trata los eventos la herramienta.

Las alertas de stock orientadas al futuro pueden poner esas excepciones al principio de una lista de revisión, para que no recorras todo el catálogo. La alerta es una cola. No es una aprobación de compra.

Una excepción hipotética, marcada como ejemplo

Estas cifras son una ilustración, no un resultado de tienda. Una taza de cerámica, SKU MUG-NAVY, tiene un plazo de entrega del proveedor de 6 semanas. Las ventas recientes con stock y sin promoción fueron 40 unidades a la semana. El historial también contiene semanas de rotura y una semana promocionada de 90 unidades. El modelo recomienda 90 unidades a la semana durante las siguientes 8 semanas, es decir 720 unidades. A 8 € la unidad, esa recomendación son 5.760 €.

240 unidades es la demanda del plazo de entrega a 40 unidades a la semana durante seis semanas. No es una cantidad de compra.

La demanda del plazo de entrega al ritmo observado de 40 unidades a la semana es 240 unidades, porque 40 por 6 es 240. Esa cifra describe solo la demanda durante el plazo de entrega. Una cantidad de compra también depende del stock útil disponible, de las unidades ya confirmadas en camino y del colchón de seguridad que pretendes mantener. Este ejemplo no incluye ninguno de esos datos, así que no apruebes 240 unidades, ni apruebes 720 unidades, solo a partir de la previsión. El cálculo del colchón está en el cálculo del stock de seguridad.

Antes de que nadie abra un pedido de compra, hazle a la herramienta tres preguntas. ¿La ventana de entrenamiento incluía las semanas de rotura, y el modelo identificó la disponibilidad limitada y ajustó la demanda censurada, o se entrenó con ceros en bruto? ¿Trató la semana promocionada de 90 unidades como una variable o como una semana normal? ¿Puede mostrar la ventana, los IDs de producto y un historial de error? Si no puede responder, la cifra de 5.760 € sigue siendo una sugerencia.

Escribe la decisión de supervisión en una línea: unidades que mostró el modelo, supuesto de demanda aceptado o sustituido, eventos que la herramienta marcó o no marcó, y quién firmó. Cómo ajustar la serie, y cómo pasar un supuesto de demanda aceptado a compras, se queda en la guía de previsión de inventario.

Vigila si el modelo sigue fallando en la misma dirección

Una previsión solo se gana la confianza después de comparar las semanas cerradas con lo que predijo el modelo. La cadencia de comparación, y el paso de una previsión aceptada a compras, ya están en la guía de previsión de inventario. Puntúa el fallo con el MAPE y el sesgo del pronóstico de la guía de la fórmula de precisión del pronóstico. No inventes aquí una segunda métrica de precisión.

Escala el modelo, no todo el catálogo, cuando los mismos SKU siguen fallando en una dirección después de haber confirmado cómo trata los eventos la herramienta, o cuando una actualización del modelo cambia las recomendaciones sin un cambio documentado en el historial. Entonces una persona cambia el supuesto de demanda. Deja la cantidad de compra para el paso a compras.

Mantén la cola corta. Revisa los SKU con la mayor brecha de importe entre el número del modelo y la demanda observada con stock, más cualquier SKU cuyo registro en la herramienta oculte la ventana. El resto puede seguir en la vía normal hasta que dispare una regla.

Qué hacer con la predicción

Usa la previsión de demanda con IA como una hipótesis ordenada sobre la demanda futura del SKU. Acepta el número solo después de que la herramienta haya mostrado su ventana, su tratamiento de los periodos con restricción y con promoción, y un historial de error, y solo después de que una persona haya firmado las excepciones que mueven caja de verdad.

Si esos campos se ven y los reales recientes siguen al modelo, aprueba el supuesto de demanda y sigue. Si la herramienta no puede mostrarlos, sustituye el número del modelo por un supuesto de demanda humano de la guía de previsión de inventario, y comprueba esa corrección en el ciclo siguiente con la precisión y el sesgo del pronóstico. No conviertas la demanda del plazo de entrega en un pedido de compra desde la pantalla del modelo.