Métricas de forecast de demanda en retail: cuáles mienten y cuáles importan

El problema con obsesionarse con la precisión del forecast

Un equipo de planeación puede tener un MAPE del 12%, recibir felicitaciones en la reunión mensual y, al mismo tiempo, estar generando millones en inventario inmovilizado que nadie en la sala está midiendo.

Eso no es un escenario hipotético. Es la operación diaria de buena parte del retail latinoamericano.

El problema no es que el MAPE sea una mala métrica. El problema es que responde a la pregunta equivocada. Cuando le preguntas a tu scorecard "¿qué tan lejos estuvo el forecast del resultado real?", obtienes una respuesta estadística. Cuando deberías estar preguntando "¿cuánta plata me costó ese error?", te quedas en silencio.

Sobre cómo la precisión del forecast puede convertirse en una trampa ya existe una discusión de fondo. Aquí el objetivo es más específico: desmontar las métricas de forecast de demanda en retail una por una, mostrar cuándo cada una miente, y construir un scorecard que conecte el error estadístico con su consecuencia real en el balance.

Qué mide realmente el MAPE (y qué ignora por completo)

El MAPE (Mean Absolute Percentage Error) mide el promedio del error absoluto como porcentaje de la demanda real. Eso es todo. No mide en qué dirección fallaste. No mide si fallaste en un producto de $800 pesos o en uno de $12. No distingue entre un error en temporada alta y uno en semana muerta.

Cuando tu MAPE dice 12%, te está diciendo que, en promedio, el forecast se alejó un 12% de lo que realmente ocurrió. Nada más.

Por qué un número 'bueno' puede esconder un negocio en problemas

Imagina que tienes 10,000 SKUs. Los 9,500 de baja rotación tienen un MAPE del 8%. Los 500 productos top — los que representan el 70% de tus ventas — tienen un MAPE del 38%. Tu MAPE promedio reporta 9.9%. Aplausos en la sala.

Y mientras tanto, estás quizá con quiebres sistemáticos en lo que más vende, o con exceso de stock en lo que nadie compra. El número se ve bien. El negocio, no tanto.

Para entender por qué esto ocurre con tanta frecuencia, el artículo Forecast de Demanda Retail: ¿Y si el Problema No es el Pronóstico? da el contexto más amplio. Aquí vamos directo a la anatomía del error.

---

MAPE vs WMAPE vs Bias: anatomía de las tres métricas principales

Las métricas de forecast de demanda en retail más usadas son tres. Cada una captura algo diferente. Y cada una puede darte una lectura falsa si no sabes en qué condiciones distorsiona.

MAPE: la métrica popular que castiga los SKUs de bajo volumen

El MAPE trata todos los SKUs como iguales. Un error de 2 unidades en un producto que vende 3 al mes genera un error del 66%. El mismo error absoluto en un producto que vende 1,000 unidades genera un error del 0.2%. El promedio de esos dos números no te dice nada útil.

En categorías con cola larga de surtido — que es prácticamente todo el retail — el MAPE se infla artificialmente por los SKUs de bajo volumen, donde cualquier variación pequeña produce errores porcentuales enormes.

El MAPE castiga más al planeador que trabaja con SKUs intermitentes que al que trabaja con commodities de alta rotación. Si usas MAPE como métrica de desempeño personal, estás incentivando a tu equipo a abandonar los productos difíciles.

WMAPE: más justa, pero tampoco infalible

El WMAPE (Weighted Mean Absolute Percentage Error) corrige el problema anterior ponderando cada error por el volumen o valor del SKU. Un error en un producto de alta rotación pesa más que uno en un producto de nicho. Eso lo hace más representativo del impacto real en el negocio.

Pero tiene su propio punto ciego: como promedia los errores ponderados, puede ocultar un desempeño catastrófico en una categoría completa si el resto del portafolio está bien. Un WMAPE del 15% puede incluir una familia de producto estratégica con 45% de error — y ese número nunca va a aparecer en el reporte si no segmentas.

Bias: el indicador que nadie monitorea y que destruye el inventario

El bias de pronóstico mide si el modelo sistemáticamente sobreestima o subestima la demanda. No es el error absoluto — es la dirección del error acumulada en el tiempo.

Un modelo con bias positivo siempre pronostica más de lo que se vende. Resultado: sobre-inventario crónico. Un modelo con bias negativo siempre pronostica menos. Resultado: quiebres recurrentes en los mismos productos.

Lo grave del bias no es su magnitud en un período puntual. Es que se acumula silenciosamente durante semanas hasta que el daño en inventario ya es difícil de revertir. Y la mayoría de los scorecards de demand planning en retail no lo monitorean con la misma frecuencia que el MAPE.

---

Cuándo cada métrica te miente: casos concretos en retail

El efecto de los zeros: por qué el MAPE explota con SKUs intermitentes

Un SKU que vende 0 unidades en semanas alternas hace que el MAPE sea matemáticamente inestable — dividir entre cero es indefinido, y muchos sistemas simplemente excluyen esas semanas del cálculo. El resultado: el MAPE reportado es artificialmente bajo porque eliminaste los períodos donde el modelo falló más.

En el artículo Errores de datos en demand planning retail que arruinan tu forecast esto se desarrolla con más detalle. La conclusión práctica es que necesitas una política explícita para tratar los zeros antes de calcular cualquier métrica de error.

Temporadas y picos: cuando el WMAPE subestima el daño real

Durante el Buen Fin, el 11/11 o Semana Santa — dependiendo de tu mercado — la demanda puede multiplicarse por 3x o 5x en ciertos productos. Si el WMAPE promedia ese pico con 51 semanas normales, el error durante los 3 días más críticos del año queda diluido en el número anual.

Un retailer que falla en el pico de Navidad no falla un 8% del año. Falla en el momento donde cada punto de quiebre cuesta más. El WMAPE anual no te cuenta eso.

Bias sistemático: cuando el modelo siempre falla en la misma dirección

Si tu modelo de forecast consistentemente pronostica 20% más de lo que vende una categoría de electrodomésticos todos los meses de enero a marzo, tienes un bias estructural. El MAPE puede ser "aceptable". El WMAPE puede parecer razonable. Pero estás acumulando inventario inmovilizado todos los años en el mismo período, en la misma categoría, por la misma razón.

---

Fórmulas que puedes aplicar hoy en tu scorecard

Fórmula MAPE y cuándo excluir outliers

MAPE = (1/n) × Σ |( Real − Forecast ) / Real| × 100

Excluye del cálculo: períodos con demanda real = 0, períodos con ventas distorsionadas por faltante de inventario (no puedes medir el error del forecast si nunca tuviste producto para vender), y outliers documentados como eventos únicos (cierre de tienda, calamidad, ruptura de proveedor).

Si no tienes esa política documentada, tu MAPE no es comparable entre períodos ni entre analistas.

Fórmula WMAPE paso a paso con ejemplo numérico

WMAPE = Σ |Real − Forecast| / Σ Real × 100

Ejemplo con 3 SKUs en una semana:

1. SKU A: Real = 500 u, Forecast = 450 u → Error absoluto = 50 u

2. SKU B: Real = 80 u, Forecast = 110 u → Error absoluto = 30 u

3. SKU C: Real = 20 u, Forecast = 35 u → Error absoluto = 15 u

• Suma de errores absolutos = 95 u

• Suma de demanda real = 600 u

• WMAPE = 95 / 600 × 100 = 15.8%

El MAPE simple de estos tres SKUs sería: (10% + 37.5% + 75%) / 3 = 40.8%. La diferencia es lo que el WMAPE corrige al ponderar por volumen.

Cómo calcular y monitorear el Bias acumulado por familia de producto

Bias acumulado = Σ (Forecast − Real) / Σ Real × 100

• Resultado positivo → el modelo sobreestima → riesgo de sobre-inventario.

• Resultado negativo → el modelo subestima → riesgo de quiebre.

Calcula este número por familia de producto, por canal y por período estacional — no solo en agregado. Un bias de +3% en el total puede ocultar un bias de +28% en una categoría y -22% en otra, que se cancelan entre sí.

Umbrales de referencia: ¿qué es un buen error según el tipo de SKU?

No existe un número universal. Lo que sí existe son rangos razonables según el tipo de producto:

• Commodities de alta rotación (lácteos, bebidas, snacks): WMAPE < 10%, Bias entre -3% y +3%

• Productos de rotación media (cuidado personal, limpieza): WMAPE < 18%, Bias entre -5% y +5%

• SKUs estacionales o promocionales: WMAPE < 30% en pico, Bias entre -8% y +8%

• Cola larga / SKUs intermitentes: el WMAPE pierde sentido — usa métricas de disponibilidad y fill rate en su lugar

---

El scorecard que conecta el error de forecast al costo de inventario

De la exactitud estadística al impacto en pesos: el puente que falta

La exactitud estadística te dice si el modelo funciona. El costo del error te dice si la operación es rentable. Son preguntas distintas y la mayoría de los scorecards solo responden la primera.

El concepto de capital inmovilizado en inventario es el puente que falta. Cuando sobreestimas la demanda, el exceso de inventario no es un dato estadístico — es plata atrapada, pagando tasa de costo de capital todos los días que no rota.

Costo financiero del error de forecast =

Inventario de exceso ($) × Tasa de costo de capital × Días de exceso / 365

Si tienes USD 800,000 en inventario de exceso generado por bias positivo sostenido, con una tasa de capital del 14% anual y 90 días de exceso, el costo financiero es USD 27,616 — solo en el costo del dinero, sin contar el espacio en bodega, el riesgo de obsolescencia ni la pérdida de capacidad para comprar lo que sí rota.

Cómo ponderar el error según el margen del producto

Un error del 20% en un producto con margen bruto del 48% duele más que el mismo error en uno con margen del 12%. Tu scorecard debería ponderar el WMAPE por margen de contribución, no solo por volumen de ventas.

Error ponderado por margen = Σ (|Error absoluto| × Margen $) / Σ (Demanda real × Margen $) × 100

Esto prioriza la precisión donde realmente importa, en lugar de promediar indiscriminadamente.

Ejemplo de scorecard completo con métricas híbridas

Un scorecard funcional para demand planning en retail combina al menos estas cinco métricas:

1. WMAPE por familia de producto, calculado semanalmente con política de exclusión documentada.

2. Bias acumulado mensual por categoría, con alerta automática cuando supera ±7%.

3. Fill rate por SKU estratégico, que conecta el error del forecast con la disponibilidad real.

4. Costo financiero del exceso de inventario, calculado mensualmente por segmento ABC.

5. Venta perdida estimada por quiebre, usando el método de demanda implícita cuando no hay datos directos.

Para construir ese quinto número sin datos perfectos, el enfoque en Herramientas de Demand Planning para Retail: Cuál te Conviene ofrece metodologías aplicables.

---

Por qué el bias importa más que el MAPE en decisiones de reposición

El MAPE alto en un período puntual es ruido. El bias sostenido durante 8 semanas es una decisión de compra mal tomada repetida en loop.

Bias positivo vs negativo: cuál duele más al negocio

El bias positivo genera sobre-inventario. El costo es visible: días de inventario más altos, capital inmovilizado, riesgo de vencimiento o liquidación. Duele, pero lo puedes ver en el balance.

El bias negativo genera quiebres. El costo es invisible: la venta que nunca ocurrió, el cliente que fue a D1 o a Jumbo y no volvió. Para un retailer con $200M USD en ventas anuales que opera con bias negativo del 4% en sus top 300 SKUs, la venta perdida puede superar los $2.4M al año — y ese número nunca aparece en ningún reporte porque técnicamente no existió.

El bias negativo es la hemorragia silenciosa. El MAPE no la detecta porque no está midiendo la dirección del error, solo su magnitud.

Cómo detectar bias en tu modelo actual antes de que se convierta en inventario muerto

Calcula el bias acumulado de los últimos 12 períodos, segmentado por familia de producto. Si más del 30% de tus familias tienen bias consistentemente positivo o negativo durante 6 semanas o más, el problema no es ruido estadístico — es una falla estructural en los parámetros del modelo que está generando decisiones de reposición incorrectas de forma sistemática.

---

Lo que el scorecard de forecast no puede resolver solo

La brecha entre un forecast preciso y un pedido ejecutado a tiempo

Un forecast con WMAPE del 9% no sirve de nada si el pedido se genera 72 horas tarde, si el proveedor tiene un lead time que varía entre 3 y 11 días, o si la lógica de reposición no ajusta el pedido al inventario real en tienda.

La precisión del forecast es una condición necesaria. No es suficiente.

Cuando el inventario atrapado no es un problema de datos sino de proceso

En muchos retailers latinoamericanos, el inventario excesivo no nace de un mal forecast — nace de un proceso de reposición que no ejecuta la señal correctamente. El comprador redondea el pedido. El sistema no considera el inventario en tránsito. La tienda recibe más de lo que pidió porque el proveedor envió por caja completa.

Ahí es donde la planeación de demanda para retail conecta el dato con la acción. Medir bien el error es el primer paso. Ejecutar el pedido correcto a partir de esa medición es el que genera el resultado en el balance.

---

¿Estás midiendo para sentirte bien o para tomar mejores decisiones?

Hay equipos de planeación que llevan tres años mejorando su MAPE y llevan tres años con los mismos días de inventario. No es una paradoja. Es la consecuencia natural de optimizar la métrica en lugar de optimizar la decisión.

La pregunta que deberías hacerte al revisar tu scorecard no es "¿mejoró el MAPE este mes?". La pregunta es: "¿los errores que estoy midiendo están generando menos inventario inmovilizado y menos quiebres que hace seis meses?".

Si la respuesta no está en tu reporte, el reporte está midiendo la cosa equivocada.

Audita tu scorecard hoy con esta sola prueba: toma el error de forecast del último trimestre y calcula cuánto costó — en pesos, no en puntos porcentuales. Si no puedes hacer ese cálculo en menos de 30 minutos con los datos que tienes, ahí está el problema real.

---

Preguntas frecuentes

¿Cuál es la diferencia entre MAPE y WMAPE en retail?

El MAPE calcula el promedio simple del error porcentual de todos los SKUs, lo que hace que los productos de bajo volumen distorsionen el resultado hacia arriba. El WMAPE pondera cada error por el volumen o valor de la demanda real, dando más peso a los productos que más impactan el negocio. En retail con catálogos extensos y cola larga, el WMAPE es sistemáticamente más representativo del desempeño real del equipo de planeación.

¿Qué es el bias de pronóstico y por qué importa más que el MAPE?

El bias de pronóstico mide si el modelo sobreestima o subestima la demanda de forma consistente. Un bias positivo acumulado genera sobre-inventario crónico; un bias negativo genera quiebres recurrentes. A diferencia del MAPE, que mide la magnitud del error, el bias mide su dirección — y es la dirección la que determina si terminas con inventario muerto o con ventas perdidas.

¿Qué MAPE es aceptable en retail?

Depende del tipo de SKU. Para productos de alta rotación como lácteos o bebidas, un WMAPE por encima del 10% es señal de alerta. Para productos estacionales o promocionales, valores hasta el 30% pueden ser razonables durante los picos. Para cola larga con demanda intermitente, el MAPE pierde validez — es mejor usar métricas de disponibilidad como fill rate o nivel de servicio.

¿Cómo conecto el error de forecast con el costo real en el negocio?

La fórmula base es: Inventario de exceso ($) × Tasa de costo de capital × Días de exceso / 365. Para la venta perdida por bias negativo, multiplica las unidades de quiebre estimadas por el margen de contribución del producto. Ambos números deberían aparecer en cualquier scorecard de demand planning que pretenda conectarse con resultados financieros.

¿Con qué frecuencia debo revisar el bias acumulado?

Semanalmente para categorías estratégicas de alta rotación, mensualmente para el resto del portafolio. El umbral de alerta recomendado es un bias acumulado que supere ±7% durante tres semanas consecutivas en la misma familia de producto — ese es el momento de revisar los parámetros del modelo, no de esperar a fin de mes para reportar.