El número de precisión del pronóstico de IA te está mintiendo

Cuando un proveedor te dice que su IA mejoró la precisión del pronóstico en un 30%, no digas "genial". Haz tres preguntas: a qué nivel de agregación, con qué desfase de pronóstico, y medido con qué métrica. El número del titular casi siempre se disuelve bajo una de ellas.

Empieza por la métrica misma. El Error Porcentual Absoluto Medio (MAPE, el estándar por defecto de la industria) se rompe en volúmenes bajos y es asimétrico. En artículos de demanda intermitente donde la mitad de los períodos son cero, pronosticar cero cada período produce el error promedio más bajo, lo cual es operativamente absurdo. Y el MAPE y su primo ponderado discrepan enormemente sobre los mismos datos: un ejemplo trabajado muestra el MAPE en 36.7% mientras el WAPE lee apenas 5.9% sobre el mismo conjunto de datos, porque un solo día de bajo volumen con 100% de error infla el promedio no ponderado mientras apenas mueve el ponderado por volumen. Un proveedor que cita "precisión" rara vez te dice cuál de las dos usa, y la elección puede cambiar el número hasta seis veces.

Luego está la agregación, de donde salen la mayoría de los números de los casos de estudio. La precisión del pronóstico a nivel SKU-CD-semana es lo que realmente impulsa los quiebres de stock y el exceso. La precisión a nivel nacional-mensual es lo que aparece en las presentaciones de los proveedores, porque la agregación promedia los errores hasta hacerlos desaparecer. Un pronóstico nacional-mensual con 95% de precisión rutinariamente esconde 50 a 60% de error en el nivel donde alguien realmente coloca un pedido de reabastecimiento.

Y luego está el sesgo, el error ante el cual el número del titular está estructuralmente ciego. Un pronóstico corriendo +20% en la mitad de tus SKU y −20% en la otra mitad puede publicar un MAPE agregado favorecedor mientras genera simultáneamente quiebres de stock en los artículos subpronosticados y sobreinventario en los sobrepronosticados. Las métricas de precisión simétricas no pueden ver esto. El sesgo positivo persistente construye silenciosamente exceso crónico; el sesgo negativo persistente construye quiebres de stock crónicos. De cualquier forma, la consecuencia de inventario es costosa y predecible, y el número de precisión no te dice nada al respecto.

El problema más profundo es el punto de referencia faltante. En un estudio de más de 300,000 pronósticos reales en ocho empresas, el 52% fue peor que un paseo aleatorio ingenuo. Mike Gilliland, de SAS, ofrece la regla práctica del practicante: si puedes reducir el error de pronóstico entre 10 y 20% frente a un modelo simple, probablemente estás haciendo más o menos lo mejor que puedes esperar. A un proveedor de IA que afirma una mejora del 30% se le debería exigir mostrar esa mejora frente a un punto de referencia ingenuo, no frente a tu proceso anterior, posiblemente destructor de valor.

Entonces, ¿qué deberías medir en su lugar? Una estructura defendible tiene cinco capas: error ponderado al nivel accionable SKU-CD, no agregado; sesgo rastreado por jerarquía, para detectar el sobre- y subpronóstico antes de que llegue al inventario; Valor Agregado del Pronóstico frente a un punto de referencia ingenuo en cada paso del proceso (motor, analista, consenso, ejecutivo); y los resultados reales, nivel de servicio y rotaciones de inventario, porque la precisión es un medio, no un fin. Una vista probabilística del pronóstico sostiene todo esto por debajo, porque las decisiones de planificación se toman bajo incertidumbre, no contra un solo número.

Cuando el proveedor de IA afirme un 30%, la respuesta correcta no es entusiasmo. Es: muéstrame el Valor Agregado del Pronóstico frente a un paseo aleatorio a nivel SKU-CD-semana, el sesgo por jerarquía, y el resultado de inventario y nivel de servicio a lo largo de cuatro ciclos de planificación completos. Ese es el conjunto de métricas que revela si la IA está agregando valor, o solo siendo medida con benevolencia.

Sources

• Morlidge, S. — cited in Gilliland, Tashman & Sglavo, Business Forecasting: Practical Problems and Solutions (Wiley, 2015).
• Gilliland, M. (2013). When do you stop trying to improve forecast accuracy? SAS Blogs.
• Gilliland, M. Forecast Value Added Analysis: Why and How. Institute of Business Forecasting (forecasters.org).
• Prospeo. (2026). Forecast Accuracy Metrics: Practitioner Guide. prospeo.io
• DemandPlan; OnePint. Forecast accuracy metrics and benchmarks. demandplan.io; onepint.ai