Glosario de supply chain

Previsión de series temporales

Una clase de métodos que prevén la demanda extrapolando el histórico de la propia referencia: qué asume cada familia y dónde deja de cumplirse.

31. august 2026

4 min

La previsión de series temporales (en inglés time series forecasting) es una clase de métodos que prevén la demanda futura extrapolando los valores pasados de la propia referencia, ordenados en el tiempo. Los métodos descomponen la serie en nivel, tendencia, estacionalidad y ruido, y asumen que el mecanismo que generó el histórico sigue vigente.

Un modelo de serie temporal lee una sola entrada: los valores pasados de la propia serie, normalmente con un calendario asociado. Ajustarlo consiste en estimar cuánto peso tienen las observaciones recientes frente a las antiguas, hasta dónde prolongar la tendencia y qué patrón repetitivo proyectar. Todo lo que el modelo sabe procede de la serie, así que un cambio ocurrido fuera de ella – un movimiento de precio, un folleto, una tienda nueva en la zona de influencia, un sustituto desreferenciado – le resulta invisible. Solo ve el salto resultante y lo atribuye al nivel, a la tendencia o a la estación.

Suavizado exponencial (ETS) – pondera más las observaciones recientes; resuelve nivel, tendencia y un perfil estacional estable, y necesita poco histórico
ARIMA – modela la autocorrelación de la serie diferenciada; exige un histórico más largo y razonablemente estable
Métodos de tipo Croston – para demanda con muchos periodos en cero; estiman por separado el tamaño y el intervalo y devuelven una tasa por periodo, no una predicción para un día concreto
Regresión sobre el tiempo y variables de calendario – el punto en el que una serie temporal pura se convierte en modelo causal, en cuanto entran el precio, la promoción o el clima

La previsión de series temporales en la práctica

El fallo recurrente no está en la aritmética, sino en un supuesto que se rompe. Un pico promocional que el modelo interpreta como desplazamiento de nivel mantiene la previsión alta semanas después de la campaña; la apertura de un competidor cercano parece una tendencia a la baja. Nada de eso está en la serie, así que no cabe esperarlo de ningún método de series temporales: la respuesta son variables causales y un histórico limpio de los eventos que lo distorsionaron, no un modelo más pesado. Lo mismo vale para la entrada: los datos de venta puros no distinguen «nadie lo quiso» de «no estaba en el lineal», de modo que los periodos con roturas de stock deben corregirse antes de ajustar cualquier modelo, o el modelo aprenderá demanda censurada.

La selección del modelo merece el mismo escepticismo. Con una biblioteca amplia de métodos candidatos y dos años de datos semanales, el que gana en error dentro de la muestra suele ser el que se ajustó al ruido; la evaluación de origen móvil (rolling origin) en la granularidad y el horizonte en los que realmente se pide es lo que separa uno del otro. Ese horizonte pesa más que el declarado: donde la previsión se evalúa a un periodo vista pero el pedido cubre el lead time más el ciclo de pedido, la cantidad la decide una extrapolación que nadie midió. Y sea cual sea el error residual, lo absorbe el stock de seguridad.

Veritico STOCK combina métodos estadísticos, machine learning y redes neuronales y selecciona, por referencia, el método con el menor error esperado de una biblioteca de unos ochenta, con parámetros ajustados por algoritmos genéticos. El histórico se limpia de extremos, roturas de stock y efectos promocionales antes del cálculo, de forma que el modelo no se entrena sobre ventas censuradas. El demand sensing compara las últimas semanas con el histórico de largo plazo y ajusta la previsión, y las series pueden construirse bottom‑up, top‑down o middle‑out, siendo esta última la vía práctica para novedades y referencias muy estacionales. La previsión resultante alimenta la reposición y asignación.