El paradigma predict-then-optimize
Por qué AInventory primero predice la demanda y luego optimiza la decisión de orden, en lugar de aplicar una fórmula única a todos los productos.
El problema con la fórmula única
La gestión de inventario tradicional aplica reglas fijas: un punto de reorden calculado con la demanda promedio, una desviación estándar asumida y un factor de seguridad estándar. Ese enfoque tiene un supuesto silencioso: que todos los productos se comportan de la misma manera estadística. En la práctica, un producto de venta estable y un producto estacional con alta variabilidad no tienen la misma "firma de incertidumbre", y tratarlos igual produce excedentes en unos y roturas de stock en otros.
AInventory rompe ese supuesto implementando el paradigma predict-then-optimize: primero proyecta la demanda futura respetando el comportamiento propio de cada SKU y luego traduce esa proyección en una decisión de orden que balancea el costo de quedarse corto contra el costo de acumular inventario.
El flujo en tres pasos
1. Escuchar al producto
Antes de pronosticar, el motor analiza el historial de errores de pronóstico de cada SKU e identifica qué patrón estadístico lo describe mejor. Cada producto tiene su propia firma de incertidumbre: la distribución de sus errores pasados revela si la demanda es estable, intermitente, estacional, sesgada o con colas pesadas. Este paso no impone un modelo desde afuera; deja que la serie de tiempo revele su naturaleza.
2. Simular el futuro
Con el patrón identificado, el motor genera miles de escenarios de demanda coherentes con la incertidumbre real de ese SKU. Esta simulación reemplaza la rigidez de una fórmula cerrada (que asume distribución normal y parámetros fijos) por una representación flexible de lo que podría ocurrir. El resultado es una nube de futuros posibles, no un único número puntual.
Para el detalle técnico de cómo se construyen estos escenarios, consulta Simulación Monte Carlo.
3. Elegir la mejor decisión
Sobre esos mismos escenarios simulados, el motor evalúa distintas políticas de reabastecimiento y elige la que minimiza el costo total esperado, ponderando el costo de excedente contra el costo de faltante. La decisión final viene acompañada de una justificación completa: qué patrón estadístico se identificó, qué política ganó y por qué superó a las alternativas.
Para entender las políticas disponibles y cómo se evalúan, consulta Políticas de reabastecimiento.
Por qué importa la separación de los dos pasos
Separar la predicción de la optimización tiene una ventaja clave: cada paso puede mejorar de forma independiente. Un modelo de pronóstico más preciso alimenta la misma lógica de optimización y produce mejores órdenes sin cambiar la estructura. Y si cambian las condiciones del negocio (un nuevo costo de almacenamiento, un cambio en el nivel de servicio objetivo), la política de optimización se recalibra sin necesidad de reentrenar el modelo de demanda.
Cuando el Demand Planner ajusta manualmente un pronóstico, ese ajuste entra al paso de optimización con la misma lógica. El sistema siempre optimiza sobre la demanda que se le presenta, ya sea generada por el modelo o modificada por el equipo.
Relación con el glosario
Los términos predict-then-optimize, firma de incertidumbre, política de reabastecimiento y costo de faltante tienen entrada en el glosario bilingüe.