Forecast industrial: demanda, energía y señales de suministro

El forecast industrial es la estimación cuantitativa de una variable futura relevante para operaciones: cuánto se va a vender, cuánta energía va a consumir la planta o cuándo llegará realmente un pedido de material. Su valor no está en acertar el número exacto, sino en reducir la incertidumbre lo suficiente como para planificar producción, compras y contratación energética con menos colchones y menos sobresaltos. Esta guía recorre los tres frentes principales (demanda, energía y suministro), explica cómo elegir horizonte y granularidad, y dedica una sección completa a lo que casi todos los proyectos esconden: el error de predicción.

Qué es el forecast industrial y qué lo diferencia

Predecir series temporales no es nuevo. Lo que distingue al forecast en entorno industrial es que la predicción alimenta decisiones con coste físico y plazos rígidos: una orden de fabricación lanzada de más ocupa máquina, material y almacén; un contrato de suministro eléctrico mal dimensionado se paga durante un año entero. En marketing, un forecast mediocre se corrige la semana siguiente. En planta, se corrige con horas extra, urgencias de compra o stock muerto.

La segunda diferencia es la naturaleza de los datos. Un forecast industrial serio no se construye solo con el histórico de la propia variable. Combina tres familias de información: el histórico de ventas o consumo, las variables explicativas conocidas de antemano (calendario laboral, festivos, campañas, órdenes ya confirmadas, temperatura prevista) y las señales externas que anticipan cambios de régimen, como avisos de un proveedor o indicadores sectoriales. Los modelos clásicos de suavizado exponencial y la familia ARIMA siguen siendo competitivos en series estables; los modelos de aprendizaje automático con variables exógenas, del tipo gradient boosting o redes recurrentes, ganan cuando hay muchas series relacionadas y regresores ricos. La elección del modelo, en todo caso, suele importar menos que la calidad del dato y la definición del problema, un principio que desarrollamos en la página de modelos avanzados de IA.

Para aterrizar los conceptos usaremos un ejemplo continuo: una empresa de envasado de productos de alimentación con dos líneas, unas 300 referencias activas y un contrato eléctrico con discriminación horaria. Es un perfil deliberadamente corriente: sin series exóticas ni volúmenes de hiperescala, que es donde se juega la mayoría de los proyectos reales.

Forecast de demanda para planificar producción

El forecast de demanda responde a una pregunta concreta: cuántas unidades de cada referencia habrá que servir en cada periodo futuro. Su cliente natural es el plan maestro de producción (MPS) y, aguas abajo, el MRP que explosiona necesidades de material. Si el forecast por referencia y semana es razonable, el plan maestro puede nivelar carga entre líneas, agrupar cambios de formato y comprar material con el lead time del proveedor a favor en lugar de en contra.

En la práctica conviene separar las referencias por comportamiento antes de modelar nada. Una clasificación útil cruza volumen con variabilidad: las referencias A de demanda estable se predicen bien con métodos simples y merecen forecast fino; las de demanda intermitente (muchos periodos a cero y picos sueltos) requieren métodos específicos como Croston o, directamente, gestión por punto de pedido en lugar de forecast; y la cola larga de referencias marginales rara vez justifica esfuerzo de modelado individual. En nuestra envasadora, unas 40 referencias concentran el 80 % del volumen: ahí va el esfuerzo de forecast semanal por referencia, mientras el resto se agrega por familia.

Un matiz que separa los proyectos útiles de los decorativos: el forecast debe predecir demanda, no ventas registradas. Si en marzo se rompió stock de una referencia, las ventas de marzo están censuradas por debajo de la demanda real, y un modelo entrenado sobre ellas aprenderá a repetir la rotura. Reconstruir la demanda (con pedidos no servidos, o al menos marcando los periodos de rotura) es tedioso y casi siempre rentable.

También ayuda decidir qué parte de la demanda no hace falta predecir. Los pedidos en firme ya confirmados dentro del horizonte no son predicción, son dato. El forecast cubre solo el hueco entre lo confirmado y lo esperado, y ese hueco se estrecha conforme el horizonte se acorta. Tratar ambos flujos por separado simplifica el modelo y hace el resultado auditable.

Forecast de consumo energético

La segunda variable que más se predice en planta es el consumo eléctrico, por tres motivos económicos directos: la contratación de potencia y energía (acertar con la curva evita penalizaciones y sobrecostes), el desplazamiento de cargas a horas de precio bajo cuando el proceso lo permite, y la detección de desviaciones, porque un consumo real por encima de lo previsto a igualdad de producción es un síntoma de avería o de deriva de eficiencia.

El forecast energético tiene una ventaja sobre el de demanda: sus principales variables explicativas se conocen de antemano. El plan de producción de la semana que viene ya existe, la temperatura prevista se publica y el calendario de turnos está cerrado. Un modelo que relaciona consumo con producción planificada, temperatura y calendario suele explicar la mayor parte de la varianza sin necesidad de arquitecturas complejas. De hecho, es el mismo tipo de regresión con el que se construye una línea base energética según ISO 50001: la línea base predice el consumo esperado dadas las condiciones, y la diferencia con el consumo real es ahorro o desviación. Ese enfoque está desarrollado paso a paso en nuestro pilar de optimización energética industrial, que es lectura complementaria natural de esta sección.

En la envasadora del ejemplo, el forecast horario de consumo para el día siguiente se construye a partir del plan de producción por línea y franja. Con él se decide si el arranque de la segunda línea se adelanta a las horas valle y se fija el umbral de alerta: si el consumo real de una franja supera lo previsto en más de un margen definido, salta un aviso a mantenimiento. Esa mecánica de umbral sobre predicción es exactamente lo que implementa un sistema de predicción y alertas: el forecast no solo planifica, también vigila.

Señales de cadena de suministro

El tercer frente es el menos glamuroso y a menudo el más rentable: anticipar problemas de aprovisionamiento. Aquí el objetivo no suele ser predecir una serie continua, sino estimar dos cosas: el lead time real de cada proveedor (que casi nunca coincide con el pactado) y la probabilidad de que un pedido concreto llegue tarde o incompleto.

El punto de partida es medir. Con el histórico de pedidos (fecha de emisión, fecha comprometida, fecha real de recepción, cantidad pedida y servida) se puede caracterizar cada proveedor no por su lead time medio, sino por su distribución: un proveedor con media de 15 días y cola de hasta 40 exige más stock de seguridad que uno con media de 20 días y desviación de 2. Las fórmulas clásicas de stock de seguridad ya incorporan la variabilidad del lead time; lo que aporta el análisis de datos es alimentarlas con distribuciones reales y actualizadas en lugar de valores nominales pactados hace años.

Sobre esa base se añaden señales de alerta temprana: retrasos crecientes en los últimos pedidos de un proveedor, pedidos parciales que antes llegaban completos, alargamiento de los plazos de confirmación. Ninguna de estas señales exige modelos sofisticados; exigen tener los datos de compras conectados y revisados con una regla clara de disparo. En la envasadora, la señal más valiosa resultó ser la más simple: cuando el plazo de confirmación de un proveedor de film pasó de 1 a 5 días, precedió en varias semanas a los primeros retrasos de entrega, con tiempo para cualificar un segundo proveedor.

Horizonte y granularidad: la decisión previa al modelo

Antes de discutir algoritmos hay que fijar dos parámetros que determinan todo lo demás: el horizonte (hasta cuándo se predice) y la granularidad (con qué detalle temporal y de producto). La regla general es que ambos los dicta la decisión que el forecast alimenta, no la capacidad del modelo. No tiene sentido predecir por hora a seis meses vista si la decisión a seis meses es un presupuesto agregado.

Dos consecuencias prácticas. Primera: casi ninguna planta necesita un forecast, sino varios, con horizontes y granularidades distintos, y conviene que sean coherentes entre sí (el semanal agregado no debería contradecir sistemáticamente al mensual). Segunda: el error crece con el horizonte y decrece con la agregación. Predecir la familia de zumos del mes que viene es mucho más fácil que predecir la referencia de zumo de naranja de 330 ml de la semana 32. Esa asimetría se aprovecha: decidir a nivel agregado lo que se pueda y desagregar lo más tarde posible.

El error de predicción y cómo usarlo

Todo forecast se equivoca. La diferencia entre un proyecto maduro y uno ingenuo no es el tamaño del error, sino qué se hace con él: medirlo con la métrica adecuada, comunicarlo sin maquillaje y convertirlo en parámetro de decisión.

Tres prácticas concretas. Primera, comparar siempre contra un modelo ingenuo de referencia (repetir el último valor o la media estacional): si el modelo sofisticado no bate claramente al ingenuo en backtesting, no ha ganado su lugar en producción. Segunda, medir el error por horizonte, no en promedio global: saber que el WAPE a una semana es del 12 % y a ocho semanas del 30 % es información de planificación de primera; un único número medio la destruye. Tercera, vigilar el sesgo por separado, porque los incentivos organizativos (comercial que infla previsiones, planificación que las recorta) generan sesgos persistentes que ningún algoritmo corrige solo.

Y lo más importante: el error no es un residuo vergonzante, es un insumo. El stock de seguridad se dimensiona precisamente con la desviación del error de forecast durante el lead time; a mejor forecast, menos stock para el mismo nivel de servicio, y esa es la forma honesta de calcular el retorno del proyecto. Del mismo modo, los umbrales de alerta sobre consumo energético se fijan a partir de la dispersión del error del modelo, no de cifras redondas. Un equipo que conoce su error de predicción puede decidir con él; uno que lo oculta solo puede fingir certeza.

Del forecast a la decisión operativa

El último tramo es organizativo. Un forecast que vive en un cuaderno de un analista no cambia ninguna decisión. Para que la cambie hacen falta tres piezas: un flujo de datos estable (histórico limpio, regresores actualizados, recálculo automático con la frecuencia acordada), un punto de consumo claro (el plan maestro, la propuesta de compra, el umbral de alerta) y un ritual de revisión donde planificación, comercial y operaciones contrastan el forecast estadístico con lo que saben y documentan sus ajustes. Ese proceso, que la literatura de operaciones llama S&OP, importa más que el algoritmo: los ajustes humanos documentados se pueden auditar después, y con frecuencia se descubre que solo algunos tipos de ajuste añaden valor.

La secuencia razonable para empezar es corta: elegir una decisión concreta que hoy se toma con intuición, fijar horizonte y granularidad a partir de ella, montar el baseline ingenuo y medirlo, y solo entonces iterar modelos. En unas semanas se sabe si hay señal suficiente y cuánto vale capturarla, sin haber comprometido una plataforma entera.

Cuando esa secuencia se lleva a una plataforma, el trabajo se reparte entre dos módulos de Captia.ai con preguntas distintas. El módulo de forecasting proyecta la evolución futura de una variable de proceso (temperatura, potencia, nivel, presión, caudal) a partir del histórico consolidado de esa variable con sus timestamps de origen. El módulo de previsión de demanda estima la demanda que la planta tendrá que atender y combina los históricos de producción con datos integrados de ERP y MES para dimensionar producción y recursos.

Preguntas frecuentes sobre forecast industrial

Si estás valorando dónde empezar (demanda, energía o suministro), en Captia ayudamos a acotar la decisión, montar el baseline y medir el error antes de invertir en modelos. Puedes ver el enfoque completo de la unidad en Captia AI o entrar directamente por predicción y alertas.