El forecast que nadie le cree: Cómo dejar de adivinar la demanda y empezar a predecirla

Cada último viernes del mes, alguien en tu empresa arma un Excel con números que todos saben que están mal. La gente del campo dice que están altos, finanzas dice que están bajos, y el equipo de S&OP los pelea hasta que se acepta el promedio. Eso no es forecasting. Es negociación con datos vestida de planeación.

El ritual mensual de la ficción compartida

Hay un ritual que se repite en casi todas las empresas de consumo masivo de la región. Llega fin de mes y alguien tiene que producir el forecast del próximo período. Se abre el Excel, se copian los números del mes anterior, se ajustan a mano según «la sensación del mercado», y se manda al comité con un PowerPoint.

El comité discute, alguien pone más, alguien pone menos, y al final sale un número que nadie defendería en privado. Pero es el número.

Todos saben que ese forecast probablemente va a estar lejos de la realidad. Y aún así, los equipos de producción, compras, logística y comercial van a operar con él durante el siguiente mes.

El problema no es que la gente sea descuidada. El problema es que el forecast tradicional pide algo imposible: predecir el futuro mirando solo el pasado, en mercados donde el pasado cada vez explica menos.

El costo de equivocarse va por los dos lados

La conversación sobre forecasting suele dominarse por el miedo al stockout. Es entendible: cuando se cae el inventario, se cae la venta y se pierde al cliente.

Cuando un SKU se agota, la venta se pierde mientras dure el quiebre. Y los clientes no son pacientes. Una parte de ellos cambia de marca, y no siempre vuelve.

Pero la otra cara — el sobreinventario — es igual de cara y mucho menos visible.

Es decir: cada peso que tienes parado en producto que no rota es un peso que no está financiando crecimiento, no está pagando deuda, no está cubriendo nómina. El sobrestock no aparece en el reporte de ventas perdidas, pero aparece todos los meses en el flujo de caja.

Un forecast malo te castiga por los dos lados al mismo tiempo.

Por qué el forecast basado en histórico falla en LATAM

El forecasting clásico se basa en una premisa: el comportamiento futuro se parece al pasado. En mercados estables, esa premisa funciona razonablemente bien. En LATAM, no.

Aquí, el contexto cambia tan rápido que el histórico envejece a las pocas semanas:

• Inflación volátil que mueve el comportamiento del tendero (down-trading, cambios de presentación, sustitución por marcas blancas).
• Calendarios complicados con festividades regionales, semanas de pago quincenales, días de mercado por zona.
• Clima impredecible que afecta categorías enteras (bebidas, helados, productos estacionales).
• Movimientos de competencia que cambian la dinámica de un mercado en una semana (lanzamientos, descuentos agresivos, nuevos canales).
• Macro inestable que altera la capacidad de compra del consumidor final.

Un modelo que solo mira lo que vendiste el mismo mes del año pasado ignora todo esto. Por eso falla.

Las variables que tu forecast no está procesando

Las empresas que están saliendo del forecasting tradicional no lo hacen porque tengan más datos del pasado. Lo hacen porque empezaron a procesar variables que antes simplemente no estaban en el modelo:

• Promociones cruzadas y elasticidad por categoría y zona.
• Señales de campo capturadas por el vendedor: stock real en el anaquel, precio de competencia, fechas de mercado local, comentarios del tendero.

Cada una de estas señales por sí sola mejora marginalmente. Combinadas y procesadas con modelos no lineales, el salto en precisión es de otra magnitud.

De forecast nacional a forecast por ruta y por cliente

El otro cambio importante es de granularidad. El forecast tradicional opera a nivel SKU-país-mes, y desde ahí se desagrega proporcionalmente. El problema es que el promedio nacional oculta las variaciones que matan al equipo de campo.

El forecasting moderno opera al revés: predicción granular a nivel SKU-cliente-semana, y desde ahí se agrega para ver el panorama nacional. La diferencia operativa es enorme:

• El reponedor sabe qué llevarle exactamente a cada tienda esta semana.
• El supervisor ve qué clientes están saliendo de patrón antes de que se conviertan en quiebres o devoluciones.
• El equipo de S&OP deja de discutir números nacionales y empieza a discutir excepciones específicas.

Y no es solo más detalle: es más precisión. La media nacional cancela errores en distintas direcciones. La predicción granular reconoce que la zona norte se comporta distinto a la zona sur, que el cliente A reabastece distinto al B, que la temporada empieza una semana antes en una región y dos semanas después en otra.

Por qué importa mejorar el forecast

No citamos aquí casos de terceros porque no pudimos verificarlos en fuentes originales. Lo que sí es medible en tu operación: el costo de no hacerlo se nota mes a mes en el inventario.

El forecast colaborativo: cuando el vendedor de campo es parte del modelo

Hay una pieza que la mayoría de los proyectos de forecasting moderno ignora, y que es probablemente la más importante en mercados como LATAM: la inteligencia que vive en el campo.

El vendedor que hace ruta sabe cosas que ningún modelo va a inferir solo del histórico. Sabe que la fábrica del barrio cerró tres semanas, que el competidor está agresivo con descuentos, que la calle estuvo cerrada por una obra. Esa información, capturada de forma estructurada en cada visita, es exactamente el tipo de señal de corto plazo que mejora dramáticamente el forecast colaborativo.

Las empresas que combinan modelos predictivos con feedback estructurado del campo no solo predicen mejor. Predicen antes. Y en mercados volátiles, anticipar 10 días puede ser la diferencia entre vender la temporada y leer un reporte de ventas perdidas.

Cómo lo hacemos en Yom

En Yom diseñamos la plataforma de Sales Intelligence pensando en esto: el forecast no debe ser un proceso paralelo que viva en finanzas, sino una capa viva alimentada por la operación comercial diaria.

• Captura estructurada de señales de campo en cada visita: stock real, precio de competencia, comportamiento del tendero, eventos locales. Esa data alimenta directamente el modelo de predicción.
• Predicción granular por cliente, ruta y categoría, no por agregado nacional. Cada vendedor recibe lo que probablemente va a necesitar cada cliente esta semana, no la proyección promedio.
• Detección temprana de cambios de patrón: cuando un cliente se sale de su comportamiento histórico, el sistema lo marca antes de que se convierta en quiebre o en devolución.
• Modelos no lineales que combinan histórico, estacionalidad, datos de zona, y señales en tiempo real, en vez de extrapolar linealmente lo que pasó el año pasado.

La diferencia práctica para el equipo técnico es que la plataforma no llega como una caja negra que reemplaza al S&OP. Llega como una capa que se conecta con el ERP existente, mejora la calidad del input, y devuelve predicciones que el equipo comercial puede defender con datos.

¿Cuánto te está costando mensualmente el sobrestock que nadie ve y los quiebres que nadie pudo anticipar? En Yom convertimos la operación comercial diaria en señales que mejoran el forecast en tiempo real, para que la planeación deje de ser un Excel negociado y empiece a ser una predicción confiable. Conversemos.