- MySales genera pronósticos en seis niveles jerárquicos, desde el total de la cadena hasta las combinaciones individuales de SKU-tienda, procesando terabytes de datos para grandes minoristas.
- El motor limpia automáticamente el historial de ventas, aísla los factores de influencia (precio, promociones, clima, indicadores macroeconómicos) y selecciona el modelo de mejor rendimiento sin intervención manual.
- Los algoritmos especializados manejan nuevos artículos y la expansión de distribución, garantizando pronósticos precisos incluso cuando el historial de datos es limitado o inexistente.
- El cálculo integrado de stock de seguridad, los ajustes de pronóstico a corto plazo y el modelado de incremento promocional ofrecen una salida completa y lista para pedidos en una única ejecución del proceso.
Descripción General
MySales está construido sobre un motor de pronóstico matemáticamente riguroso validado en cientos de millones de combinaciones de SKU-tienda. Produce pronósticos de demanda estables y de alta calidad para cada artículo en cada tienda, totalmente automatizados y a escala.
El motor opera en seis niveles jerárquicos, progresando desde la vista más agregada hasta la más granular:
| Nivel | Alcance |
|---|---|
| Categoría de producto — cadena completa | Señal de demanda más amplia |
| Categoría de producto — región | Tendencias regionales de categoría |
| Categoría de producto — tienda | Patrones de categoría a nivel de tienda |
| SKU — cadena completa | Demanda del artículo en toda la cadena |
| SKU — región | Comportamiento regional del artículo |
| SKU — tienda | Unidad de pronóstico más granular |
Esta estructura jerárquica es fundamental. Cuando el motor no puede determinar una relación confiable en un nivel detallado (por ejemplo, la elasticidad precio para un único SKU en una única tienda), extrae de niveles superiores en la jerarquía donde hay más datos disponibles. El resultado es un pronóstico que es a la vez granular y estadísticamente robusto.
Una cadena con 100 tiendas y 10.000 SKUs produce un millón de combinaciones de SKU-tienda. Multiplíquelo por 3-4 años de historial diario, y un único recálculo de pronóstico procesa gigabytes de datos para cadenas pequeñas y terabytes para cadenas grandes. MySales maneja esto mediante el empaquetado de datos en paralelo en múltiples hilos de procesamiento.
Etapa 1: Ingesta y Preparación de Datos
El proceso de pronóstico comienza cargando todos los datos relevantes del sistema de gestión de base de datos y del almacenamiento de archivos de MySales (una capa de optimización que reduce la carga de la base de datos a grandes volúmenes de datos).
Las fuentes de datos incluyen:
- Historial de ventas, precios, descuentos, niveles de inventario y datos de recibos
- Jerarquía de productos y datos maestros de artículos
- Jerarquía geográfica y datos maestros de tiendas
- Fuentes externas: clima, indicadores macroeconómicos y precios de la competencia
Para nuevas tiendas o nuevos SKUs, el sistema complementa el historial faltante utilizando tiendas o artículos análogos. Siempre prioriza los datos de ventas reales cuando están disponibles, aplicando datos de análogos solo para los períodos en que no existe información sobre la nueva entidad.
Una vez cargados, los datos se agrupan en paquetes de procesamiento y se distribuyen en múltiples hilos paralelos (típicamente de 3 a 9) para el cálculo concurrente.
Etapa 2: Limpieza de Ventas y Extracción de Línea Base
Antes de que el motor pueda calcular la tendencia y la estacionalidad, debe separar los patrones de demanda genuinos del ruido introducido por los cambios de precio, descuentos, promociones y quiebres de stock.
La limpieza primaria de ventas elimina los efectos de estos factores de influencia del registro histórico. En lugar de descartar los períodos afectados por completo, MySales aísla y cuantifica el impacto de cada factor. Esto preserva la mayor parte posible del historial de ventas, lo que es fundamental en entornos minoristas donde la rotación frecuente del surtido deja pocos períodos no afectados.
Los períodos con ventas perdidas significativas causadas por quiebres de stock o inventario insuficiente se excluyen en cada etapa del análisis.
Este enfoque de limpieza permite una estimación confiable de tendencia y estacionalidad incluso cuando el historial de ventas es tan corto como un año. Donde persisten las brechas, el motor las completa usando datos de niveles más altos de la jerarquía de pronóstico.
El cálculo de estacionalidad utiliza ambos métodos simultáneamente:
| Método | Cuándo Aplica |
|---|---|
| Estacionalidad multiplicativa (índice estacional) | La volatilidad estacional escala con la tendencia general |
| Estacionalidad aditiva | La variación estacional permanece constante independientemente de la tendencia |
El sistema selecciona automáticamente el método que mejor se adapte a cada combinación. A nivel de grupo de productos, también calcula la estacionalidad del precio promedio del grupo, capturando la tendencia de los picos de demanda estacional a coincidir con precios promedio más altos.
El cálculo de tendencia sigue a continuación. Después de eliminar los efectos del precio, descuento, promoción y estacionalidad, el motor calcula la tendencia general de crecimiento o declive de las ventas, junto con las ventas promedio y medianas de los datos depurados.
Etapa 3: Análisis de Factores de Influencia y Selección de Modelos
Con una línea base limpia establecida, el motor procede a cuantificar cómo cada factor externo impulsa la demanda.
El análisis de dependencia evalúa la relación entre las ventas y cada factor de influencia: precio, descuento, clima, indicadores macroeconómicos (como tipos de cambio), efectos de canibalización, entre otros. Al evaluar cada factor, el sistema elimina selectivamente el impacto de los factores más dominantes (por ejemplo, promociones y estacionalidad) para aislar el efecto real.
Al analizar la dependencia de precios, el sistema también evalúa las tendencias de inflación o deflación para depurar los precios históricos de distorsiones nominales.
Varios factores se analizan por separado para temporadas baja, media y alta. Por ejemplo, la elasticidad precio del helado difiere sustancialmente entre invierno y verano. El motor captura estas distinciones automáticamente, produciendo coeficientes específicos por temporada en lugar de promedios anuales combinados.
El motor luego completa dos matrices:
- Matriz de predictores históricos — los valores observados de todos los factores de influencia durante el período histórico, incluidas métricas derivadas como la relación entre el precio del período actual y el precio promedio de períodos anteriores.
- Matriz de predictores futuros — valores proyectados para cada factor, usando un enfoque diferenciado: promedios simples o medianas para algunos factores, valores pronosticados para otros, y datos ingresados por el usuario (planes de surtido, precios futuros, calendarios promocionales) cuando están disponibles.
Los coeficientes de correlación se calculan a partir de estas matrices, y el motor forma automáticamente modelos de pronóstico candidatos a partir de los factores que demuestran una influencia significativa en las ventas.
Las pruebas y la selección de modelos siguen a continuación. El motor evalúa tanto los modelos generados automáticamente como los modelos preconfigurados frente a la precisión histórica de ventas. Durante la evaluación, se excluyen los períodos de inventario insuficiente y las promociones de alto impacto. Se selecciona el modelo con la mejor precisión histórica.
Etapa 4: Generación y Refinamiento del Pronóstico
Una vez seleccionado el mejor modelo, el motor genera el pronóstico para períodos futuros. Una serie de procedimientos de refinamiento garantizan luego la estabilidad y confiabilidad.
Los refinamientos posteriores a la generación incluyen:
- Cálculo de valores mínimos de ventas para prevenir pronósticos bajos poco realistas
- Análisis de autocorrelación del error del modelo, utilizado para ajustar el pronóstico para las próximas semanas
- Cálculo del predictor AutoMult, que (según la configuración) ajusta el pronóstico para las próximas 6 semanas según la relación entre el pronóstico promedio y las ventas reales promedio de las últimas 3 semanas
El incremento promocional se calcula a continuación. El motor aplica coeficientes de incremento generados por un conjunto de redes neuronales, o utiliza datos de promociones históricas comparables donde se identifiquen. Los incrementos se adaptan a las características individuales de cada combinación de SKU-tienda, con límites mínimos y máximos aplicados para garantizar resultados estables para artículos con historial promocional limitado.
Después del cálculo del incremento promocional, el motor realiza el rebalanceo del modelo en todos los factores de influencia. Este paso es necesario porque los efectos de precio y promoción suelen estar muy correlacionados, y el rebalanceo garantiza que el pronóstico promocional combinado permanezca internamente consistente.
Una función opcional controla la distribución del pronóstico promocional entre las tiendas. Si algún pronóstico promocional a nivel de tienda se desvía más del +/-30% (configurable) del promedio del grupo, el sistema lo ajusta de vuelta dentro del rango. Esto previene pronósticos poco confiables para tiendas con historial limitado donde la elasticidad precio y otras dependencias no pudieron determinarse con confianza.
Etapa 5: Stock de Seguridad, Ajustes a Corto Plazo y Salidas Finales
Con el pronóstico central completo, el motor calcula las salidas operativas requeridas para el reabastecimiento.
El stock de seguridad se calcula como la desviación estándar del error de pronóstico frente a las ventas históricas. Para capturar la variación estacional en la volatilidad de la demanda, el pronóstico se divide en tres rangos (temporada alta, media y baja), y el stock de seguridad se calcula por separado para cada uno.
El ajuste del pronóstico a corto plazo refina las próximas 2 semanas (configurable) usando las ventas diarias promedio de los 7-14 días más recientes de períodos en stock. El sistema carga los últimos 28 días de datos de ventas, identifica los días en que el artículo estuvo disponible y calcula las ventas diarias promedio por separado para períodos promocionales y no promocionales. Se excluyen los picos estacionales, y los promedios se ajustan por estacionalidad, precio, clima y otros factores. El resultado aparece como el predictor de Ajuste Diario.
Salidas adicionales de la etapa final:
| Salida | Propósito |
|---|---|
| Ajuste del pronóstico maestro | Incorpora anulaciones manuales ingresadas por el usuario |
| Recomendaciones de precio | Determina los puntos de precio óptimos para ingresos o margen |
| Estimación del efecto económico histórico | Cuantifica las ganancias potenciales de mayores ventas, identifica ventas perdidas por factores desconocidos y estima las posibles reducciones de inventario |
Algoritmos Especiales
MySales incluye algoritmos diseñados específicamente para dos escenarios donde los enfoques de pronóstico estándar son insuficientes.
Nuevos artículos sin análogos asignados. Cuando un nuevo artículo ingresa al surtido y no se ha asignado ningún análogo, el motor utiliza las ventas de un artículo promedio dentro del grupo de productos. Ajusta esta línea base por la elasticidad precio del grupo usando el precio específico del nuevo artículo, y aplica restricciones adicionales para garantizar resultados estables y precisos.
Expansión de distribución. Cuando un artículo se expande de un subconjunto de tiendas a una cobertura más amplia, el motor genera pronósticos para tiendas sin historial de ventas previo.
Consideremos un artículo vendido previamente en 10 de 30 tiendas de una región. En función de su sólido desempeño, un gerente de categoría lo incorpora en las 30 tiendas. Para las 20 tiendas nuevas, el motor se basa en la dinámica de ventas a nivel de SKU-región, grupo de productos-región y grupo de productos-tienda para producir un pronóstico donde no existe historial a nivel de tienda.
El conjunto completo de factores de influencia utilizados por el sistema es definido por el usuario y puede personalizarse para adaptarse al entorno de datos específico y los requisitos comerciales de cada minorista.
Qué Significa Esto para su Negocio
El motor de pronóstico de MySales está diseñado para eliminar el esfuerzo manual y las conjeturas que caracterizan la planificación de la demanda tradicional. Cada etapa del proceso, desde la limpieza de datos hasta la selección del modelo y el cálculo del incremento promocional, se ejecuta automáticamente y se adapta a las características específicas de cada combinación de SKU-tienda.
Para los minoristas empresariales, esto ofrece tres resultados concretos. Primero, la precisión del pronóstico mejora porque el motor evalúa cada impulsor de demanda significativo y selecciona el mejor modelo entre cientos de candidatos, algo que ningún equipo de analistas puede replicar manualmente a escala. Segundo, la eficiencia operativa aumenta porque todo el proceso, incluido el stock de seguridad y los ajustes a corto plazo, se ejecuta de extremo a extremo sin intervención humana. Tercero, los casos especiales se manejan sistemáticamente: el lanzamiento de nuevos productos, la expansión de distribución y los artículos con historial limitado reciben tratamiento algorítmico específico en lugar de soluciones provisionales ad hoc.
El resultado es una base de pronóstico que escala con su negocio, desde cientos de SKUs hasta cientos de miles, sin aumentos proporcionales en el personal de planificación ni en la complejidad.