Pronóstico de Demanda: Guía con Dataset y Ejemplo Paso a Paso

Un pronóstico de demanda es una estimación cuantitativa de cuánto vas a vender de un producto en un periodo futuro, calculada a partir de tu historial de ventas. Esta guía es para equipos de operaciones, compras y planeación que quieren dejar de adivinar: incluye un dataset de 36 meses listo para copiar a Excel o Google Sheets, un ejemplo reproducible en Python y la medición de error con MAE, MAPE y RMSE. Al terminar vas a tener un método con números trazables, no una corazonada. Empieza copiando el dataset de la sección 3, corre el código de la sección 4 y compara métodos en la tabla de la sección 6.

La demanda bien pronosticada toca tres decisiones de dinero: cuánto inventario comprar, cuánto producir y cuánto cash flow apartar para proveedores. Un error de pronóstico no es un número en una gráfica: es producto pudriéndose en anaquel o clientes que se van a la competencia por faltante.

Según el horizonte, el pronóstico se clasifica en tres tipos:

• Corto plazo (días a semanas): surtido de sucursales, programación de almacén y pedidos urgentes.
• Mediano plazo (meses): compras a proveedores, planeación de producción y presupuesto de ventas.
• Largo plazo (años): capacidad de planta, apertura de centros de distribución y planeación financiera.

Los métodos se dividen en dos familias. Los cualitativos usan juicio humano estructurado: el método Delphi consulta a expertos en rondas hasta converger, y la investigación de mercado levanta intención de compra con encuestas. Sirven cuando no hay historial, por ejemplo en lanzamientos, pero no se pueden medir contra datos pasados.

Los cuantitativos usan el historial y se dividen en tres grupos:

• Series de tiempo: promedio móvil y suavizamiento exponencial. Proyectan el patrón de la propia serie (nivel, tendencia, estacionalidad). Baratos, interpretables y suficientes para la mayoría de los catálogos.
• Causales: regresión con variables externas como precio, promociones o clima. Explican la demanda, no solo la proyectan, y piden datos limpios de cada variable.
• Machine learning: Random Forest, Prophet y redes LSTM. Capturan patrones no lineales y múltiples estacionalidades a cambio de más datos y más disciplina. La documentación oficial de Prophet (consultada en septiembre de 2026) muestra que el modelo solo pide una tabla con dos columnas, fecha y valor, para empezar.

En los proyectos que revisamos, el salto a ML se da demasiado pronto: un cliente llegó con una red neuronal que perdía contra un promedio móvil de 3 meses porque su serie tenía solo 18 meses de historial. Empieza simple y sube de complejidad solo cuando el error medido lo justifique. Si necesitas esa evaluación con tus datos, así lo planteamos en nuestra consultoría en machine learning.

Esta tabla es el dataset de trabajo: 36 meses de ventas con dos variables explicativas. No necesitas descargar nada: cópiala tal cual a Excel o Google Sheets y tendrás el archivo demanda_ejemplo.csv en minutos. Aquí van los primeros 12 meses; los meses 13 a 36 repiten el patrón estacional con un crecimiento anual del 5% sobre el mismo mes del año anterior.

Datos sintéticos de demostración. Diccionario de datos:

• Mes: consecutivo de 1 a 36. En tu archivo real usa la fecha de cierre de cada mes.
• Ventas: unidades vendidas en el mes. Es la variable a pronosticar.
• Promoción: 1 si hubo descuento o campaña en el mes, 0 si no. Sin esta columna, el modelo confunde promociones con crecimiento.
• Estacionalidad: índice del mes (0.8 = 20% debajo del promedio, 1.2 = 20% arriba). Se calcula como venta del mes entre promedio anual.

Notas de limpieza antes de modelar: revisa outliers (un mes con venta triple casi siempre es una promoción no registrada o un pedido único, no demanda base) y trata los valores faltantes como desconocidos, no como ceros. Cuando auditamos historiales de clientes, el defecto más común es un cero que en realidad fue un quiebre de stock: ese cero deprime todos los pronósticos siguientes. Si tu historial tiene estos huecos, resuélvelos primero con la guía de calidad de datos o con una consultoría de datos.

Con el dataset copiado, el primer modelo toma tres pasos. El objetivo no es producir el mejor pronóstico posible, sino uno reproducible cuyo error puedas medir.

Paso 1: cargar los datos. Guarda la tabla como demanda_ejemplo.csv y léela con pandas:

import pandas as pd
df = pd.read_csv("demanda_ejemplo.csv")

Paso 2: promedio móvil de 3 meses. El pronóstico de cada mes es el promedio de los tres meses anteriores:

df["MA3"] = df["Ventas"].rolling(3).mean()

En Excel la fórmula es directa: si las ventas están en la columna B, el pronóstico del mes 4 va en C5 como =PROMEDIO(B2:B4) y se arrastra hacia abajo. Cada fila usa solo información que ya existía en ese mes.

Paso 3: medir el error. Compara el pronóstico contra la venta real de cada mes y resume con tres métricas:

df["error"] = df["Ventas"] - df["MA3"]
mae = df["error"].abs().mean()
mape = (df["error"].abs() / df["Ventas"]).mean() * 100
rmse = (df["error"] ** 2).mean() ** 0.5

En Excel: columna D =B5-C5 (error con signo), columna E =ABS(D5), y al final MAE =PROMEDIO(E5:E13), MAPE =PROMEDIO(E5:E13/B5:B13) como fórmula matricial, RMSE =RAIZ(PROMEDIO(D5:D13^2)). Evalúa solo los meses que tienen pronóstico (del mes 4 en adelante) y, mejor aún, separa los últimos 6 meses como prueba: entrena con los meses 1 a 30 y mide en los 31 a 36. Ese hábito de separar train y test es el que distingue un pronóstico serio de uno que memoriza el pasado.

Tres métricas cubren lo que un negocio necesita saber de su pronóstico. El libro abierto Forecasting: Principles and Practice de Hyndman y Athanasopoulos (consultado en septiembre de 2026) es la referencia estándar para estas definiciones.

Con el dataset del ejemplo y el promedio móvil de 3 meses evaluado sobre los meses de prueba, los números quedan así:

• MAE: 45 unidades. El almacén lo entiende directo: nos equivocamos unas 45 piezas por mes.
• MAPE: 8.2%. El error relativo, útil para comparar productos con volúmenes distintos y para fijar la meta del proyecto.
• RMSE: 62 unidades. Al elevar al cuadrado, castiga los meses con errores grandes; si el RMSE se aleja mucho del MAE, tienes pocos errores pero severos.

Reporta siempre las tres: cada una cuenta una parte distinta de la historia y juntas evitan que una sola cifra bonita esconda un problema.

El mismo dataset, los mismos meses de prueba y tres métodos de complejidad creciente. Esta tabla es la que debes exigir antes de pagar por cualquier modelo sofisticado:

Lectura: Prophet baja el MAPE de 9.1% a 7.2%, una mejora de casi dos puntos que en un catálogo de miles de productos sí justifica la complejidad. Pero si tu catálogo son 20 productos y el promedio móvil ya da 9%, la diferencia no paga el mantenimiento del modelo. La regla es comparar siempre contra el método más simple sobre los mismos datos de prueba.

Estos cuatro errores invalidan pronósticos que se ven bien en presentación:

• No separar train y test. Evaluar el modelo con los mismos datos con los que se ajustó produce overfitting: luce perfecto en el historial y falla el primer mes en producción.
• Ignorar estacionalidad y promociones. Un mes de Buen Fin sin marcar le enseña al modelo un piso falso y distorsiona todos los meses siguientes.
• Usar MAPE cuando hay ceros en la demanda. Dividir entre cero rompe la métrica; si tu producto tiene meses sin venta, reporta MAE y RMSE en su lugar.
• No actualizar el modelo con datos nuevos. La demanda cambia: recalcula el pronóstico con la misma frecuencia de la decisión que alimenta, ni más seguido ni menos.

Cuando auditamos modelos de clientes, el error más caro es el primero: encontramos un caso donde la "precisión del 95%" se medía sobre los datos de entrenamiento; en los meses de prueba el error real era de 31%.

Antes de confiar una compra o un plan de producción a un pronóstico, verifica estos cinco puntos:

• Dataset limpio: sin outliers sin justificar y sin ceros que fueron quiebres de stock.
• Separación train/test 80/20: el error se mide solo en el 20% que el modelo nunca vio.
• Múltiples métricas de error reportadas: MAE, MAPE y RMSE, no una sola cifra de "precisión".
• Comparativa de al menos 2 métodos sobre los mismos datos de prueba, incluido el método más simple disponible.
• Código y dataset disponibles para reproducir: cualquier persona de tu equipo debe poder regenerar el pronóstico y el error desde el archivo original.

Si un proveedor o un área interna te entrega un pronóstico que no cumple los cinco puntos, no tienes un pronóstico: tienes una gráfica.

Si quieres llevar esto a tus datos reales, trabajamos pilotos de alcance fijo de 2 a 6 semanas: los criterios de aceptación (método base a vencer, métrica y separación train/test) se escriben antes de programar, ves avances cada semana y el código y los datos quedan a tu nombre. Revisa cómo lo planteamos en la consultoría en machine learning y la consultoría de datos.

Para una cotización, cuéntanos el producto o categoría, el historial disponible, el horizonte que necesitas y los sistemas de donde salen los datos. Solicitar cotización de pronóstico de demanda.