La previsión de demanda es la estimación de cuántas unidades de cada producto vas a vender en un periodo concreto, calculada a partir de tu histórico de ventas, la estacionalidad y las acciones comerciales previstas. En un ecommerce sirve para una decisión muy concreta: cuánto comprar y cuándo, sin quedarte sin stock ni inmovilizar dinero en almacén.
En esta guía verás cómo calcular el stock de seguridad y el punto de pedido con un ejemplo, cuándo compensa pasar de reglas fijas a un modelo predictivo y cómo llevarlo a WooCommerce, Shopify y Odoo. Lo explicamos desde los proyectos de desarrollo ecommerce e integración con ERP que hacemos en Inprofit, donde el inventario suele ser el punto en el que la tienda online y la operación chocan.
Qué es la previsión de demanda y por qué en ecommerce afecta al margen
Prever la demanda no es adivinar las ventas totales del año. Es responder, SKU a SKU, cuántas unidades vas a necesitar entre hoy y la llegada del próximo pedido a tu proveedor. Ese horizonte, el plazo de reaprovisionamiento, es el que manda.
Una tienda online sufre los errores de previsión por los dos lados. Si te quedas corto, la rotura de stock no solo pierde la venta: también pausa campañas de Google Ads o Meta que estaban funcionando y deja fichas de producto sin disponibilidad. Si te pasas, el exceso de inventario se come la tesorería y acaba en descuentos que reducen el margen.
Conviene distinguir tres términos que se usan como sinónimos y no lo son:
| Concepto | Qué responde | Quién lo usa |
|---|---|---|
| Forecast de ventas | Cuánto vamos a facturar (en euros) por periodo | Dirección y finanzas |
| Previsión de demanda | Cuántas unidades de cada producto se van a pedir | Compras y operaciones |
| Demand planning | Qué hacemos con esa previsión: compras, stock, promociones y producción | Compras, marketing y operaciones en conjunto |
Un ecommerce necesita las tres, pero la que evita roturas de stock es la segunda, trabajada por producto y no por categoría.
Stock de seguridad y punto de pedido: fórmulas y ejemplo
Antes de hablar de inteligencia artificial hay que dominar las dos cifras que cualquier sistema de inventario necesita, ya sea una hoja de cálculo, un plugin o un ERP.
Stock de seguridad
El stock de seguridad es el colchón de unidades que mantienes para absorber la variabilidad de la demanda durante el plazo de entrega del proveedor. La fórmula más utilizada cuando el plazo es estable es:
Stock de seguridad = Z × σ × √L
- Z: factor del nivel de servicio que quieres garantizar. Con distribución normal, un 90 % equivale a 1,28; un 95 %, a 1,65; un 98 %, a 2,05, y un 99 %, a 2,33.
- σ: desviación típica de la demanda diaria del producto.
- L: plazo de reaprovisionamiento en días, desde que lanzas el pedido hasta que el stock está disponible para vender.
Punto de pedido
El punto de pedido es el nivel de stock en el que debes lanzar la compra para que la mercancía llegue antes de agotar las existencias:
Punto de pedido = demanda media diaria × L + stock de seguridad
Ejemplo ilustrativo
Imagina un producto que vende de media 20 unidades al día, con una desviación típica de 6 unidades, y un proveedor que tarda 9 días en servir. Si quieres un nivel de servicio del 95 %:
- Stock de seguridad = 1,65 × 6 × √9 = 1,65 × 6 × 3 ≈ 30 unidades.
- Punto de pedido = 20 × 9 + 30 = 210 unidades.
Cuando el stock disponible baje de 210 unidades, toca pedir. Fíjate en que el stock de seguridad crece con la raíz del plazo: si el proveedor pasa de 9 a 16 días, el colchón sube un tercio (de √9 a √16) aunque la demanda no cambie.
El límite de este cálculo está en sus supuestos: da por hecho que la demanda media es estable. En un ecommerce no lo es. Black Friday, una campaña de email o un cambio de precio desplazan la media de golpe, y ahí la fórmula estática se queda corta.
De las reglas min/max a la previsión de demanda con IA: cuándo compensa
La mayoría de tiendas gestionan el inventario con reglas fijas: un mínimo y un máximo por producto que alguien calculó una vez. Funciona mientras el catálogo es pequeño y la demanda, regular. El salto a un modelo predictivo consiste en que esos mínimos y máximos se recalculen solos a partir de la demanda prevista, no de la pasada.
| Enfoque | Cómo decide | Encaja cuando… | Se queda corto cuando… |
|---|---|---|---|
| Alertas de stock bajo | Avisa al llegar a un umbral fijo | Pocos SKUs y proveedores rápidos | Hay estacionalidad o plazos largos |
| Reglas min/max | Pide hasta el máximo al bajar del mínimo | Demanda estable y catálogo controlado | Los mínimos quedan desfasados tras cada campaña |
| Fórmula de punto de pedido | Calcula mínimo y colchón con media y variabilidad | Quieres criterio homogéneo para todo el catálogo | La media cambia por promociones o temporada |
| Modelo predictivo | Estima la demanda futura por SKU con histórico, estacionalidad y calendario comercial, y recalcula mínimos | Cientos de SKUs, campañas frecuentes, varios canales | No hay histórico suficiente o los datos están sucios |
En nuestra experiencia, el modelo predictivo empieza a compensar cuando se cumplen dos o más de estas condiciones: tienes un catálogo de varios cientos de referencias activas, vendes en más de un canal (web, marketplace, tienda física, B2B), tus campañas mueven la demanda de forma visible o trabajas con proveedores de plazo largo. Si no se da ninguna, una buena fórmula de punto de pedido revisada cada trimestre suele ser suficiente.
Qué datos necesitas para prever la demanda
Un modelo de previsión es tan bueno como los datos que recibe. Antes de elegir herramienta, comprueba que puedes extraer esto de forma fiable:
- Ventas diarias por SKU de todos los canales, idealmente con al menos un ciclo anual completo para captar la estacionalidad.
- Días sin stock: si un producto estuvo agotado, sus ventas cero no significan demanda cero. Sin este dato el modelo aprende a pedir menos justo de lo que más falta.
- Calendario comercial: promociones, campañas de paid media, envíos de email y cambios de precio, pasados y previstos.
- Plazos reales de proveedor, no los teóricos de la ficha, y su variabilidad.
- Devoluciones, sobre todo en moda y calzado, donde parte de lo vendido vuelve al almacén.
El dato de días sin stock es el que más se olvida y el que más distorsiona. Es uno de los motivos por los que recomendamos que el inventario viva en un único sistema, como explicamos en cómo la automatización del eCommerce aprende a predecir.
Previsión de demanda en WooCommerce, Shopify y Odoo
Ninguna de las tres plataformas trae de serie un modelo estadístico de previsión de demanda por SKU. Lo que sí ofrecen son las piezas sobre las que montarlo. Esto es lo que hay en cada una:
| Plataforma | Qué trae de serie | Qué falta para prever la demanda |
|---|---|---|
| WooCommerce | Control de stock por producto y umbral de stock bajo global o por producto, con aviso por email | Cálculo de demanda, punto de pedido y generación de pedidos a proveedor |
| Shopify | Informes de inventario como días de inventario restantes y análisis ABC | Proyección hacia delante: los informes miran la venta media pasada |
| Odoo | Reglas de reabastecimiento min/max sobre stock previsto, informe de reabastecimiento y pedidos de compra automáticos o manuales | Cálculo dinámico de los mínimos y máximos a partir de la demanda futura |
WooCommerce
WooCommerce gestiona existencias y avisa cuando un producto cae por debajo del umbral, pero ese umbral es un número fijo que tú decides. La opción práctica es calcular el punto de pedido fuera (con un script, un modelo o una herramienta de planificación) y volcarlo como umbral de stock bajo de cada producto mediante la API REST. Así el aviso deja de ser arbitrario y pasa a reflejar la demanda prevista.
Shopify
Shopify incluye en sus informes de analítica el indicador de días de inventario restantes, que divide el stock que te queda entre la venta media diaria del periodo. Es útil para detectar productos en riesgo, pero mira hacia atrás: si la próxima semana lanzas una campaña, el informe no lo sabe. Para pasar a previsión necesitas exportar las ventas a un modelo y devolver las cantidades sugeridas a tu proceso de compra. Si aún dudas entre plataformas, en nuestra comparativa Shopify vs WooCommerce con IA y automatización analizamos cuál se integra mejor con este tipo de flujos.
Odoo
Odoo es la plataforma mejor preparada de las tres porque compras, inventario y ventas comparten base de datos. Sus reglas de reabastecimiento mantienen el stock previsto por encima de un mínimo y generan solicitudes de presupuesto al proveedor de forma automática, o las dejan en el informe de reabastecimiento para que compras las revise. El matiz importante es qué entiende Odoo por «previsto»: el stock actual más lo que va a entrar menos lo que ya está comprometido en pedidos confirmados. No estima lo que todavía no te han pedido.
Por eso el enfoque que mejor nos funciona es conservar las reglas de Odoo como motor de ejecución y alimentar sus mínimos y máximos con la previsión. El modelo calcula el punto de pedido y el stock de seguridad de cada SKU y actualiza las reglas periódicamente. Si estás valorando el ERP, en nuestra página de partner Odoo en España explicamos cómo planteamos estas implantaciones, y en la guía de configuraciones clave de Odoo 19 tienes la parte de marketing y datos.
Automatizar el reaprovisionamiento con n8n
El modelo de previsión no sirve de nada si su resultado se queda en una hoja de cálculo que alguien tiene que mirar. La pieza que cierra el circuito es un flujo de automatización. Con n8n, un esquema habitual tiene cuatro pasos:
- Extracción programada: cada noche, el flujo lee pedidos, stock y devoluciones de WooCommerce, Shopify u Odoo por API.
- Cálculo: envía los datos al modelo de previsión (un script en Python o un servicio de forecasting) junto con el calendario de campañas.
- Escritura: actualiza el umbral de stock bajo en WooCommerce o los mínimos y máximos de las reglas de Odoo.
- Aviso con contexto: notifica a compras por email o Slack solo los SKUs que cruzan su punto de pedido, con la cantidad sugerida y el motivo.
Recomendamos mantener una persona validando las compras al principio. Un pedido automático basado en un pico de demanda anómalo puede salir caro, y la confianza en el modelo se construye viendo sus aciertos durante varias semanas. Si te interesa cómo combinar Odoo y n8n más allá del inventario, lo desarrollamos en Odoo + n8n como alternativa a HubSpot para pymes.
Errores frecuentes al prever la demanda en una tienda online
- Usar el mismo nivel de servicio para todo el catálogo. Los productos que más facturan merecen un colchón mayor que la cola larga. Cruzar la previsión con un análisis ABC evita inmovilizar dinero donde no rinde.
- Confundir ventas con demanda. Las semanas con rotura de stock infravaloran la demanda real si no se corrigen.
- Ignorar a marketing. Si compras no conoce el calendario de campañas, la previsión llega tarde a cada promoción.
- Calcular una vez y olvidarse. Los mínimos fijados hace un año ya no reflejan ni tu demanda ni los plazos actuales de tus proveedores.
- Empezar por la herramienta. Sin datos limpios y un único sistema de stock, cualquier modelo dará previsiones poco fiables.
Cómo empezar y qué inversión supone
El orden que proponemos es progresivo. Primero, unifica el stock y limpia el histórico. Después, aplica la fórmula de punto de pedido a los productos A para tener una referencia. Solo entonces tiene sentido entrenar un modelo predictivo y automatizar la actualización de mínimos, empezando por una familia de producto y midiendo roturas y stock inmovilizado antes y después.
El coste depende sobre todo de la plataforma de partida, del número de canales y de la calidad de los datos, más que del propio modelo. Como referencia de la parte de plataforma, puedes revisar cuánto cuesta un ecommerce en WooCommerce, Shopify u Odoo. Los resultados que obtengas en roturas y stock dependerán de tu catálogo y de tus proveedores, por lo que conviene fijarlos como objetivos medibles desde el inicio.
Preguntas frecuentes sobre la previsión de demanda en ecommerce
La fórmula más habitual es Z × σ × √L, donde Z es el factor del nivel de servicio (1,65 para un 95 %), σ la desviación típica de la demanda diaria y L el plazo de reaprovisionamiento en días. El resultado son las unidades extra que mantienes para cubrir picos de demanda mientras llega el pedido.
El stock de seguridad es el colchón para absorber la variabilidad de la demanda. El punto de pedido es el nivel de stock en el que debes comprar, y se calcula sumando la demanda media durante el plazo de entrega más ese stock de seguridad.
El forecast de ventas estima la facturación en euros y lo usa sobre todo dirección y finanzas. La previsión de demanda estima unidades por producto y es la que necesitan compras y operaciones para decidir cuánto y cuándo reponer.
Como orientación, al menos un ciclo anual completo de ventas diarias por producto, para que el modelo detecte la estacionalidad. Con menos histórico es preferible empezar con la fórmula de punto de pedido e ir incorporando el modelo a medida que se acumulan datos.
Odoo gestiona el reabastecimiento con reglas de mínimo y máximo sobre el stock previsto, que incluye pedidos confirmados de clientes y proveedores. No estima por sí mismo la demanda futura que aún no se ha pedido, por lo que lo habitual es calcular esos mínimos con un modelo de previsión y actualizarlos en las reglas.
Sí. Las ventas y el stock se extraen por API, se calcula la previsión fuera de la tienda y se devuelven el umbral de stock bajo o las cantidades sugeridas mediante una automatización. Un ERP simplifica el proceso cuando hay varios canales o almacenes, pero no es imprescindible para empezar.
Conclusión: prever para comprar mejor
La previsión de demanda en ecommerce no empieza con un algoritmo, sino con dos cifras bien calculadas por producto: stock de seguridad y punto de pedido. La inteligencia artificial aporta valor cuando esas cifras tienen que recalcularse solas porque el catálogo, los canales y las campañas cambian más rápido de lo que nadie puede revisar a mano. Lo que marca la diferencia es conectar la previsión con la plataforma que ejecuta las compras.
Si quieres valorar cómo aplicarlo a tu tienda, en Inprofit combinamos análisis predictivo, integración con Odoo y automatización con n8n, y empezamos por un diagnóstico de tus datos dentro de nuestra consultoría de IA para pymes. Cuéntanos tu caso y te diremos por dónde empezar.
Marketing tecnológico en vena. Fanático de las tecnologías Martech que rompen moldes: IA generativa, blockchain, no-code, metaverso, automatización extrema… Convencido de que el futuro no se espera, se construye (y se vende muy bien).
Responsable del marketing más disruptivo y tecnológico.
