El demand sensing no arreglará un pronóstico en el que nadie confía
La tecnología es real y las ganancias de precisión son creíbles. También son irrelevantes si tu organización de todos modos anula el mejor pronóstico, algo que la evidencia dice que probablemente hará.
Todo proveedor de demand sensing vende la misma aritmética: error de pronóstico a corto plazo abajo entre un 30 y un 50 por ciento, stock de seguridad abajo, nivel de servicio arriba. La tecnología es genuinamente real: usa datos de punto de venta, pedidos abiertos, clima y señales web con machine learning para refinar el pronóstico de cero a doce semanas. Los números no están mal. El encuadre sí.
Las afirmaciones son fáciles de encontrar. e2open declara que su demand sensing mejora la precisión del pronóstico a corto plazo entre un 30 y un 40% en comparación con los métodos tradicionales. Arkieva sitúa la reducción del error de pronóstico a corto plazo en hasta un 40-50%, con la precisión de inventario arriba entre un 15 y un 20%. Estos rangos son creíbles en condiciones de piloto. También son irrelevantes para el problema real de la mayoría de las empresas, porque una mejora de demand sensing solo importa si el pronóstico resultante se confía y se usa.
Aquí están los datos que deberían replantear toda la conversación.
En el estudio de Steve Morlidge sobre más de 300.000 pronósticos reales en ocho empresas de cadena de suministro, el 52% fue peor que un pronóstico de paseo aleatorio ingenuo, es decir, peor que simplemente usar el real del período anterior. Un trabajo de seguimiento en más de veinte empresas encontró que entre el 30 y el 50% de los pronósticos de bajo nivel eran rutinariamente peores que el ingenuo.
Detente un momento en eso. Si la mitad de tus pronósticos ya está perdiendo contra "usa el número de la semana pasada", entonces una mejora de demand sensing del 30 al 40% está recuperando terreno que nunca debiste haber cedido. Es tratar un síntoma.
Y el síntoma tiene una causa que ningún algoritmo aborda. En catorce años he visto exactamente cuatro causas raíz de fallas de pronóstico, ninguna de ellas estadística:
- Ningún dueño único del número. Ventas, finanzas, marketing y cadena de suministro mantienen cada uno su propio pronóstico y litigan las diferencias en una reunión que no resuelve nada.
- Incentivos desalineados con la precisión. Ventas cobra por cumplir la cuota, finanzas por cumplir el presupuesto, cadena de suministro por cumplir el servicio. Ninguno cobra por predecir la realidad.
- Ajuste discrecional que destruye valor. Este es el asesino, y es medible.
- Sin ciclo de retroalimentación. La mayoría de las empresas nunca rastrea qué paso (el motor, el analista, la reunión de consenso, el ejecutivo) degradó el pronóstico, así que no pueden arreglarlo.
Sobre el tercer punto, la investigación es brutal. Un estudio de 2024 en el International Journal of Forecasting encontró que los ajustes discrecionales mejoraron la precisión en apenas poco más de la mitad de las unidades de referencia (SKU), y que los ajustes positivos tenían más probabilidad de empeorar el desempeño. El demand sensing produce un mejor pronóstico estadístico. Si tu organización no confía en los pronósticos estadísticos, también anulará el mejor, y la evidencia dice que probablemente lo empeorará.
Así que antes de comprar demand sensing, corre un análisis de Valor Agregado del Pronóstico (Forecast Value Added). Mide cada paso de tu proceso contra ese punto de referencia ingenuo. Si tu proceso actual está destruyendo valor en relación con un paseo aleatorio (una probabilidad cercana a cara o cruz según la evidencia de Morlidge), la inversión correcta no es un mejor algoritmo. Es una propiedad clara del número, incentivos ligados a la precisión, anulaciones monitoreadas por FVA y la disciplina de eliminar la anulación ejecutiva que destruye valor de forma consistente.
Compra demand sensing después de haber hecho eso. No antes. Un pronóstico más preciso entregado a una organización que no confía en los pronósticos es una manera cara de generar un número que la gente igual va a ignorar.
Sources
- Morlidge, S. FVA and the Limits of Forecastability, IBF Amsterdam — cited in Gilliland, Tashman & Sglavo, Business Forecasting: Practical Problems and Solutions (Wiley, 2015).
- Fildes, R. et al. (2024). Forecast value added in demand planning. International Journal of Forecasting. sciencedirect.com
- e2open. Demand Sensing Software. e2open.com
- Arkieva. 6 Ways You Can Improve Forecast Accuracy with Demand Sensing. blog.arkieva.com
- Kinaxis. What is demand sensing? kinaxis.com