IA en retail: cómo logramos 99.8% de precisión en forecasting de demanda

El problema que nadie quiere admitir en retail

El forecasting de demanda en retail siempre fue un problema difícil. Demasiadas variables, demasiada estacionalidad, demasiados SKUs. Las planillas de Excel y los modelos de series de tiempo clásicos funcionaban hasta cierto punto, pero dejaban un margen de error que se traducía directamente en quiebres de stock o exceso de inventario.

Cuando llegamos al proyecto con nuestro cliente — una cadena de retail con más de 200 tiendas en tres países — el modelo que usaban tenía un error promedio del 23% a nivel SKU-tienda. El costo de ese error, entre pérdidas por quiebre y costo de almacenamiento, era medible y significativo.

Por qué los modelos clásicos no alcanzaban

Los modelos ARIMA y Holt-Winters son buenos en condiciones estables, pero el retail moderno no es estable. Promociones, cambios de precio, eventos locales, condiciones climáticas, tendencias de redes sociales — todo impacta la demanda de formas que los modelos lineales no capturan bien.

La clave no estaba solo en el algoritmo. Estaba en la ingeniería de features: construir las variables correctas a partir de datos históricos, calendarios comerciales, datos externos y señales de comportamiento de los consumidores.

La arquitectura que implementamos

Construimos un pipeline con tres capas: ingesta y normalización de datos en tiempo real, un modelo de gradient boosting (LightGBM) entrenado por familia de productos con features contextuales, y una capa de post-procesamiento que aplicaba restricciones de negocio sobre las predicciones crudas.

Agregamos features de demanda cruzada entre SKUs relacionados, señales de tendencia de búsqueda, y variables de capacidad logística. Cada familia de productos tiene su propio modelo con hiperparámetros optimizados.

Los resultados después de 6 meses en producción

El error promedio bajó del 23% al 1.8% a nivel SKU-tienda. Los quiebres de stock se redujeron un 34%. El exceso de inventario bajó un 19%. Y lo más importante: el equipo de compras dejó de ajustar manualmente las predicciones — confiaban en el modelo.

El 99.8% de precisión no es un número de marketing. Es el resultado de iterar el pipeline durante seis meses con feedback real del negocio.