Una alarma que no debió sonar
Es lunes por la mañana. El gerente comercial de un fabricante abre el reporte de sell-out de sus productos en las cadenas de retail y ve una caída fuerte en la última semana. Varias tiendas aparecen casi en cero. Se convoca una reunión, se piden explicaciones al equipo de ventas, alguien sugiere una promoción de emergencia.
El miércoles, los datos se ven distintos. La semana que parecía un desastre está en línea con las anteriores. No hubo caída: simplemente, el lunes los datos de esa semana todavía no estaban completos.
Este error es mucho más común de lo que parece, y no lo cometen solo las personas. Un modelo de pronóstico o un agente de IA mal construido cae exactamente en la misma trampa, con un agravante: lo hace con total confianza y en forma automática.
Cómo llegan los datos de las cadenas de retail
Para entender el problema hay que entender cómo funcionan los datos. Muchas cadenas de retail comparten con sus proveedores información de ventas por tienda y por producto a través de portales o almacenes de datos (data warehouses). Esa información no siempre llega en tiempo real.
Lo habitual es que la carga sea semanal: los datos de una semana se procesan y publican después de que la semana cierra. Pero en la práctica hay variaciones:
- Cargas parciales a mitad de semana. Algunas fuentes publican avances con los días disponibles y completan el resto después.
- Tiendas que reportan tarde. Una parte de las tiendas entra en la primera carga y otras se suman días más tarde.
- Reprocesos. Una semana que ya parecía cerrada se corrige y se vuelve a publicar con cifras distintas.
- Diferencias de calendario. No todas las fuentes definen la semana igual; para unas empieza el domingo, para otras el lunes.
Nada de esto es un error de la cadena. Es la forma normal en que se mueven grandes volúmenes de datos entre sistemas. El error ocurre cuando quien analiza los datos asume que lo que está cargado es todo lo que hay.
Por qué la última semana parcial parece una caída
Si una semana tiene cargados solo algunos días, o solo una parte de las tiendas, su total será menor que el de una semana completa. En un gráfico, eso se ve como una caída al final de la serie. Es un artefacto de los datos, no del mercado.
El problema se multiplica en varios niveles:
- En los reportes, la última barra aparece más baja y es lo primero que mira cualquier gerente.
- En los indicadores de variación, comparar una semana parcial contra la semana anterior completa produce una "caída" que puede ser grande.
- En los modelos de pronóstico, si se alimentan con una semana incompleta como si fuera real, el modelo interpreta que la demanda bajó y proyecta hacia abajo las semanas siguientes.
- En las decisiones de reabastecimiento, un pronóstico más bajo puede traducirse en pedidos menores, lo que después sí genera faltantes reales en tienda.
Es decir, un problema de lectura de datos puede terminar convirtiéndose en un problema real de ventas.
Lo que hace un agente de pronóstico bien construido
Un agente de IA para pronóstico de demanda no debería limitarse a tomar la tabla de ventas y proyectar. Antes de pronosticar, debería evaluar la calidad de lo que está leyendo. Estas son las prácticas que consideramos indispensables.
1. Detectar si la última semana está completa
El agente revisa señales objetivas de completitud antes de usar una semana:
- ¿Cuántos días de la semana tienen datos?
- ¿Cuántas tiendas reportaron, comparado con las que normalmente reportan?
- ¿Cuántos productos tienen movimiento, comparado con las semanas típicas?
- ¿Cuándo fue la última carga y la semana ya debería estar cerrada según el calendario habitual de la fuente?
Si varias de estas señales indican que faltan datos, la semana se marca como parcial.
2. Decirlo explícitamente
Una semana parcial no se esconde ni se descarta en silencio. El agente la muestra con una etiqueta clara, por ejemplo: "Semana en curso, datos parciales: faltan tiendas por reportar". Quien lee el reporte sabe inmediatamente que esa cifra no es comparable.
3. Comparar contra la última semana completa
Para los indicadores de tendencia y variación, el agente toma como referencia la última semana completa, no la última semana cargada. La pregunta "¿cómo vamos?" se responde con datos cerrados, y la semana parcial se reporta como avance, no como resultado.
Cuando es útil, el agente puede comparar la semana parcial contra el mismo tramo de semanas anteriores (por ejemplo, los mismos días o el mismo grupo de tiendas), lo que da una lectura más justa del avance.
4. Excluir la semana parcial del modelo de pronóstico
Las semanas incompletas no entran al entrenamiento ni a la proyección como si fueran datos finales. Se esperan hasta que la fuente las complete, y entonces se incorporan.
5. Reaccionar a los reprocesos
Si la fuente vuelve a publicar una semana con cifras distintas, el agente lo detecta, actualiza sus cálculos y deja registro del cambio. Así se evita que convivan dos versiones de la verdad en distintos reportes.
No es un detalle técnico, es una decisión de negocio
Podría parecer que todo esto es un tema para el equipo de datos. No lo es. Cada vez que un reporte muestra una caída falsa, la empresa pierde tiempo en reuniones, genera desconfianza en los datos y, en el peor caso, toma decisiones de inventario o de promoción basadas en algo que no ocurrió.
Y lo contrario también es un riesgo: si el equipo se acostumbra a que "la última semana siempre sale baja", puede ignorar una caída que sí es real. La única forma de evitar ambos errores es que el sistema distinga, de manera explícita y consistente, entre datos completos y datos parciales.
Qué preguntar antes de confiar en un pronóstico
Si su empresa ya usa reportes automáticos o modelos de pronóstico sobre datos de cadenas de retail, vale la pena hacer estas preguntas:
- ¿Sabemos con qué frecuencia y en qué días se cargan los datos de cada fuente?
- ¿El reporte indica si la última semana está completa?
- ¿Las variaciones semanales se calculan contra la última semana cerrada?
- ¿El modelo de pronóstico excluye semanas incompletas?
- ¿Qué pasa cuando una fuente corrige datos ya publicados?
Si la respuesta a varias de estas preguntas es "no sabemos", es probable que algunas de las alarmas recientes hayan sido falsas.
Conclusión
Un buen pronóstico de demanda empieza mucho antes del modelo estadístico: empieza por entender cómo llegan los datos y qué tan completos están. Un agente de IA bien construido no solo proyecta números; revisa, advierte y compara contra la referencia correcta.
En Sistemas Consultores construimos agentes de inteligencia comercial que trabajan con los datos de sell-out de fabricantes y distribuidores, con estas validaciones incorporadas desde el diseño. Conozca más sobre nuestra inteligencia comercial.