En este artículo
Planificar la producción sin datos de demanda fiables lleva siempre al mismo resultado: sobrestock en unas referencias y rotura en las críticas. Es el síntoma habitual de una empresa industrial que reacciona en lugar de anticiparse. El dinero se queda atrapado en almacén, los pedidos del cliente A se sirven tarde y cada reunión de operaciones empieza con un debate sobre qué producir esta semana.
El demand planning — previsión de producción — no es magia ni machine learning avanzado. En la mayoría de PYMEs industriales españolas es estadística aplicada con criterio a los datos que ya están en el ERP. Lo que distingue una previsión útil de una inútil no es el algoritmo; es haber elegido el método adecuado al patrón de demanda del negocio.
Antes de tocar ningún modelo, clasifica cada familia de producto en uno de tres patrones. Este es el corte más importante del ejercicio:
Patrón A — Make-to-order (MTO) con cartera firme dominante. La mayor parte de la producción se fabrica contra pedidos concretos ya confirmados por el cliente. La previsión estadística importa menos que la visibilidad de la cartera y la capacidad disponible. Sector típico: bienes de equipo, componentes sobre especificación, proyectos industriales.
Patrón B — Make-to-stock (MTS) con demanda regular. Hay muchas referencias que se producen contra previsión porque el cliente espera tenerlas disponibles. La previsión estadística es la base operativa y una mejora del 2-3 puntos en precisión mueve el stock de forma material. Sector típico: productos de gran consumo, piezas estándar, distribución industrial.
Patrón C — Mixto con estacionalidad fuerte o concentración de clientes. Parte MTS con estacionalidad clara (productos de temporada, alimentación, cosmética) y parte MTO. O bien una cartera con pocos clientes grandes cuyos pedidos puntuales distorsionan la serie histórica.
Casi todas las PYMEs industriales están en B o C. Aplicar métodos estadísticos puros a un negocio A es frustrante — la previsión "estadística" se come la realidad de los pedidos firmes.
El mejor predictor de lo que vas a fabricar el mes que viene es lo que ya tienes en cartera firme más una estimación del ritmo histórico de entrada de nuevos pedidos. El modelo principal es un MRP estándar alimentado por las órdenes del ERP, con un pequeño buffer estadístico por encima para cubrir la incertidumbre del ritmo de entrada.
Los métodos estadísticos sofisticados (ARIMA, Prophet) aportan poco aquí. El cuello de botella no suele ser la precisión numérica: es la disciplina de actualizar la cartera y la claridad sobre la capacidad comprometida contra la disponible.
Dos métodos cubren el 80% de los casos en una PYME:
ARIMA y Prophet aparecen en blogs de demand planning como si fueran la norma. En PYMEs con un par de años de histórico por SKU, Holt-Winters suele ganarles en precisión práctica — y sobre todo en interpretabilidad. Un controller puede defender Holt-Winters; no puede defender lo que sale de Prophet sin un analista que lo explique.
Aquí el problema es que la serie histórica agregada oculta dos fenómenos distintos. Lo que funciona es segmentar antes de modelar:
En este patrón, el aporte del equipo comercial es crítico: modelo estadístico + información cualitativa sobre pedidos grandes o campañas que aún no están en el sistema. Los tres métodos prácticos de previsión de ventas — histórico con ajuste, pipeline CRM y drivers — están desarrollados en cómo hacer una previsión de ventas fiable, y encajan directamente aquí.
Una previsión sin medición del error no mejora. Publicar la previsión contra el real cada mes es lo que crea disciplina. El estándar de medida es el MAPE (Mean Absolute Percentage Error):
MAPE = media ( | Real − Previsto | / Real ) × 100 %
Como heurística pragmática: MAPE por debajo del 15% en referencias estables de alta rotación es buen resultado; por encima del 30% en esas mismas referencias, el modelo tiene margen claro. Para SKUs de baja rotación el MAPE es casi siempre alto y no debe interpretarse igual — lo que importa ahí es la cobertura (días de stock) más que el error puntual.
El error admisible depende del coste asimétrico de equivocarse: una rotura de una referencia A con cliente grande cuesta mucho más que un stock del 20% extra de una referencia B. Vale la pena ajustar el stock de seguridad por referencia según su criticidad, no con un factor global que aplica igual a todo.
Una regla útil para empezar a medir: rastrear tanto el MAPE agregado (salud del modelo general) como el Pareto del error — qué 20% de referencias concentran el 80% del error absoluto en euros. Ahí está la oportunidad de mejora más rentable. Reducir el error en una referencia A que mueve 500.000€/año vale más que optimizar 40 referencias B que mueven 10.000€ entre todas.
Power BI no es una herramienta especializada de demand planning. Para modelos estadísticos sofisticados, existen herramientas específicas (Forecast Pro, Anaplan, SAP IBP). Pero para la mayoría de PYMEs industriales, Power BI cubre bien:
La tecnología importa menos de lo que parece. Un modelo simple, bien mantenido, con medición de error publicada y revisión mensual con comercial bate a un modelo sofisticado que nadie entiende ni actualiza.
Los modelos estadísticos son un punto de partida, no un resultado final. El comercial tiene información que los modelos no ven: una campaña que va a lanzar, un cliente grande en negociación, una fábrica de la competencia que ha cerrado. El de producción sabe qué capacidad real tiene la semana que viene si una máquina está en mantenimiento. Compras conoce los plazos reales de los proveedores críticos.
El proceso de demand planning más robusto que vemos funcionar en PYMEs combina:
Con el plan compartido en Power BI, las tres revisiones son transparentes y trazables. Cuando el forecast se desvía, se ve exactamente dónde: si la base estadística falló, si el ajuste comercial fue optimista, si la capacidad no dio lo esperado. Ese bucle de retroalimentación es el que hace que la previsión mejore mes a mes.
¿Tu empresa planifica la producción con Excel y reuniones sin datos históricos estructurados? Cuéntanos tu situación y te decimos qué patrón tienes y qué método encaja para empezar.
// escrito por
Director de 480 Analytics
En 480 Analytics, la unidad de datos de Cuatroochenta, ayuda a empresas a ordenar y explotar sus datos con Power BI, Microsoft Fabric e IA. Escribe sobre lo que aprende por el camino.
¿Cuántos KPIs de producción mides y cuántos usas de verdad para decidir? La lista esencial: los que separan una planta reactiva de una gestionada con datos.
La tasa de scrap global no dice nada. Lo que cambia decisiones es segmentar por turno, lote de material y tipo de defecto —y cada sector tiene sus trampas.
La fórmula del OEE son tres multiplicaciones. Lo difícil es lo de antes: definir el tiempo planificado, distinguir microparadas y fijar la velocidad nominal.
Te lo cuantificamos. Empezamos por descubrir y ordenar tus datos, y los convertimos en decisiones — empezando por el reporting financiero (FP&A).