La predicción de demanda consiste en usar tus ventas pasadas para estimar cuánto vas a vender en las próximas semanas y decidir cuánto stock comprar. Para una pyme significa pasar de adivinar el inventario a decidir con datos, sin necesidad de un científico de datos ni de un departamento de BI.
Si tienes mucho stock, es dinero congelado. Si tienes poco, son ventas perdidas. Y lo habitual es responder a la pregunta «¿cuánto stock es el adecuado?» con tres elementos siempre iguales: la intuición del dueño, un Excel del que nadie sabe ya la versión ni los años que tiene, y el aviso de una venta que no se puede hacer por falta de producto.
El problema: el inventario como juego de adivinanzas
El resultado de esa mezcla suele ser entre un 15 y un 30 % de capital inmovilizado innecesariamente y entre un 10 y un 15 % de ventas que se pierden por falta de stock.
La buena noticia es que la solución ya la tienes: tus datos históricos. Da igual si están en un Excel interminable o en un ERP.
Qué necesitas para pasar de datos a decisiones
Para esto no hace falta un científico de datos en plantilla ni crear un departamento de BI. Hacen falta tres cosas:
- Tus datos históricos de ventas: en Excel, en el ERP o donde estén.
- Un modelo de forecasting: uno simple. Normalmente no hace falta un modelo muy avanzado.
- Automatización: para que el proceso se ejecute solo y nos ahorremos revisiones manuales.
Cómo funciona la predicción de demanda, explicado sin complicaciones
La receta consiste en analizar los patrones de ventas pasadas, añadir las tendencias estacionales y tener en cuenta los cambios del negocio. Con ella es posible predecir lo que venderá tu empresa con una precisión de entre el 75 y el 85 % en un plazo de 2 a 4 semanas. Estos son los pasos:
- Extraemos los datos históricos de ventas de, como mínimo, los últimos 12 a 24 meses.
- Identificamos patrones: meses de mayor actividad, productos que más se venden, productos que salen juntos, etc.
- Entrenamos un modelo de machine learning sencillo, como una regresión, ARIMA o un Random Forest.
- Generamos predicciones de demanda por periodo y por producto.
- Obtenemos recomendaciones de stock óptimo.
Cómo implementarlo con n8n y Python
Este es el flujo que recomiendo; después de varias pruebas es el que mejor me ha funcionado. Está pensado para los más atrevidos, pero también para que lo pueda montar quien tenga a alguien técnico en casa o una consultora de confianza.
Fase 1. Extracción y preparación
- Origen: base de datos o Excel.
- Lectura en n8n: así el proceso queda automatizado.
- Limpieza: eliminar valores nulos y validar rangos. Aquí recomiendo un script de Python.
- Estructura: una fila por fecha y producto, también con un script de Python.
Fase 2. Predicción con Python y scikit-learn
Esta es una base de código que debes adaptar a tus nombres de archivo y a los formatos que hayas elegido:
# Pseudocódigo del modelo
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
# 1. Cargar datos históricos
datos = cargar_datos_ventas() # últimos 24 meses
# 2. Variables derivadas de la fecha
datos['mes'] = datos['fecha'].dt.month
datos['dia_semana'] = datos['fecha'].dt.dayofweek
datos['trimestre'] = datos['fecha'].dt.quarter
# 3. Entrenar el modelo
X = datos[['mes', 'dia_semana', 'trimestre', 'precio', 'promocion']]
y = datos['cantidad_vendida']
modelo = RandomForestRegressor(n_estimators=100)
modelo.fit(X, y)
# 4. Predecir las próximas 4 semanas
predicciones = modelo.predict(futuro_X)
# 5. Stock recomendado = promedio + desviación estándar
stock_recomendado = predicciones.mean() + predicciones.std()El cálculo del stock recomendado es deliberadamente sencillo: la demanda media prevista más un margen igual a la desviación estándar. Si tus productos tienen más incertidumbre, puedes ampliar ese margen.
Fase 3. Recomendaciones y notificación con n8n
- Se comparan las predicciones con el stock actual.
- Se generan las recomendaciones de compra.
- Se crea un informe visual.
- Se notifica por Slack, email o directamente en tu sistema.
Caso real: pyme de distribución de productos de limpieza (unos 300 SKUs)
Situación de partida:
- Entre un 18 y un 22 % del capital estaba en inventario muerto.
- Entre un 5 y un 8 % de los pedidos se rechazaban por falta de stock.
- Las decisiones de compra se tomaban en reuniones rápidas cuando saltaba la alarma.
Después de implementar el sistema de predicción:
- El capital inmovilizado bajó por debajo del 12 %, con rotación rápida y proveedores de confianza.
- Los pedidos rechazados quedaron por debajo del 1,2 %.
- El proceso de avisos se automatizó hacia dos departamentos: logística y gerencia.
- Se ahorraron alrededor de 3 horas semanales de reuniones urgentes, y el mal ambiente que generaban.
Retorno de la inversión obtenido hasta hoy:
- Capital liberado: alrededor de 32.000 €.
- Aumento de ventas: alrededor de 18.000 € al año.
- Tiempo ahorrado: unas 120 horas al año.
- Retorno de la inversión: unos 2,5 meses.
Son resultados de un caso concreto. En tu empresa dependerán de la calidad de tus datos, de tu sector y de lo bien definido que esté el proceso.
Por qué recomiendo esta infraestructura
- No es compleja: eso la hace fácil de mantener.
- Usa tus propios datos: no requiere fuentes externas.
- Escala muy bien: añadir productos es sencillo.
- Se ejecuta sola: te olvidas de que existe.
- Mejora con el tiempo: cuantos más datos, más precisas son las predicciones.
Cómo empezar: plan en cinco semanas
- Semana 1: extrae tus datos históricos de los últimos 24 meses (fecha, producto, cantidad y precio).
- Semana 2: implementa el flujo en n8n y el modelo de Python. Si tienes a alguien técnico en casa, puede configurar la fase inicial; si no, una consultora puede hacértelo en una o dos semanas.
- Semanas 3 y 4: valida el modelo contra la realidad y ajústalo.
- Semana 5: automatización en marcha.
Preguntas frecuentes sobre predicción de demanda
¿Cuántos datos históricos necesito para predecir la demanda?
Como mínimo entre 12 y 24 meses de ventas con fecha, producto, cantidad y precio. Con 24 meses el modelo puede reconocer la estacionalidad anual.
¿Necesito un científico de datos para implementarlo?
No. Basta con un modelo sencillo, tus datos históricos y una automatización que lo ejecute. Si no tienes perfil técnico, una consultora puede montarlo en una o dos semanas.
¿Qué precisión tiene una predicción de demanda?
Con histórico suficiente y datos limpios, es posible alcanzar entre un 75 y un 85 % de precisión en horizontes de 2 a 4 semanas. Conviene validarlo siempre contra tus propios datos antes de fiarte del modelo.
¿Cuánto se tarda en ponerlo en marcha?
Aproximadamente cinco semanas: extracción de datos, implementación del flujo y del modelo, validación y automatización.
¿Qué modelo es mejor para una pyme?
Uno sencillo. Una regresión, ARIMA o un Random Forest suelen ser suficientes; no hace falta un modelo avanzado para obtener buenos resultados.
La pregunta importante: ¿cuánto cuesta tener el inventario equivocado?
Para una pyme típica, la respuesta es entre un 10 y un 15 % de margen operativo cada año. Una solución de predicción cuesta una fracción de eso y se paga sola en el primer trimestre.
En Premium Data ayudamos a automatizar procesos, ordenar datos y convertir reglas de negocio en flujos de trabajo mantenibles. Si necesitas ayuda para estructurar tus datos o validar si tu negocio es candidato ideal, puedes contactarnos y hablamos de tu caso concreto.
Sigue leyendo
- Segmentación de clientes: por qué no deberías enviar el mismo email a todos
- Empresa data-driven: guía para pymes, de los datos a las decisiones
- Caso real: unificación de canales de venta y dashboard
- Datos y dashboards para ecommerce
- Transformación digital y tratamiento del dato
Pedro Alcázar | Consultor IT · Automatización con IA · n8n · Datos · premiumdata.es
Newsletter «Automatiza con IA y con cabeza» — Para PYMEs que quieren hacer más con menos