Es perfectamente posible construir un forecast más preciso y no mejorar inventario, nivel de servicio o capacidad. La explicación suele ser incómoda porque obliga a separar dos preguntas que a menudo se mezclan: “¿predice mejor el modelo?” y “¿decide mejor la empresa?”. La primera se responde con error estadístico; la segunda, con impacto operativo. Cuando ambas preguntas se tratan como si fueran equivalentes, el proyecto puede declarar una victoria técnica y seguir sin mover el resultado de negocio. Un modelo puede reducir WAPE y, al mismo tiempo, alimentar exactamente la misma política de reposición que antes. Si el proceso de decisión no absorbe la mejora, la accuracy se queda dentro del modelo.
Dónde se rompe la cadena
La cadena típica tiene cuatro pasos: datos, forecast, decisión y ejecución. El error puede disminuir en el segundo paso y seguir existiendo en el tercero. Por ejemplo, un equipo puede generar mejores previsiones semanales, pero compras seguir lanzando órdenes mensuales con reglas fijas. En ese caso, gran parte de la nueva señal llega demasiado tarde o se agrega antes de convertirse en acción.
También puede ocurrir lo contrario: el forecast se actualiza con mucha frecuencia, pero la operación no puede cambiar. Un proveedor exige confirmar el pedido con semanas de antelación, una plantilla se cierra antes del inicio del turno o la capacidad de una máquina ya está comprometida. La calidad de una previsión depende también de si llega antes del punto de no retorno de la decisión. La primera comprobación, por tanto, no debería ser otra métrica de modelo. Debería ser el mapa entre forecast y acción: quién lo recibe, cuándo, con qué restricciones y qué parte de la decisión todavía puede modificar.
El coste no es simétrico
Las métricas habituales suelen resumir magnitud de error, pero el negocio puede sufrir de forma muy distinta según la dirección. Quedarse corto en un producto crítico puede provocar una venta perdida o una parada; pasarse puede generar stock. En otro contexto, el exceso puede ser peor porque el producto caduca o pierde valor rápidamente. Un error de +10 y uno de -10 no necesariamente cuestan lo mismo. Esto cambia cómo evaluar modelos. Si la operación tiene costes asimétricos, optimizar una métrica simétrica puede premiar el comportamiento equivocado. No significa que MAE o RMSE dejen de servir; significa que deben convivir con una función de coste que represente la decisión.
La misma lógica se aplica a horizontes. El error que importa es el que llega al momento de decidir. Un forecast a nueve meses puede ser menos preciso que uno a una semana y seguir siendo útil para capacidad estratégica. Compararlos con la misma tolerancia puede castigar el modelo que está resolviendo la decisión más difícil.
El problema del agregado
Otra fuente frecuente de falsas mejoras es el promedio. Un WAPE total puede bajar porque los productos de mayor volumen mejoran, mientras referencias de baja rotación pero alto margen o alta criticidad empeoran. El agregado describe el sistema, pero puede esconder justo los segmentos donde el error es más caro. Algo parecido ocurre con la jerarquía. Un forecast puede ser excelente a nivel de categoría y poco útil a nivel de SKU, ubicación o cliente. Si la compra se decide por SKU y almacén, una buena previsión nacional no elimina el problema operativo.
La solución no es multiplicar métricas sin límite. Es definir segmentos por decisión: criticidad, margen, lead time, volatilidad o nivel de servicio. La evaluación debe tener la misma granularidad que la acción que pretende mejorar. Solo entonces el equipo puede saber dónde el modelo crea valor y dónde necesita otra política.
Diseñar de atrás hacia delante
La forma más robusta de construir forecasting para operaciones es empezar por la decisión. Primero se define qué hay que decidir, con qué frecuencia y bajo qué restricciones. Después se determina qué información futura ayudaría. Solo entonces se eligen horizonte, granularidad, métrica y modelo. Este orden evita sobreoptimizar el predictor. No siempre merece la pena perseguir el último punto de accuracy si la política de reposición, el lead time o la capacidad contractual dominan el resultado. A veces la mejora más rentable está en cambiar una regla, no en cambiar el algoritmo.
Un buen sistema de forecasting debería poder responder tres preguntas: qué error estadístico reduce, qué decisión modifica y qué coste operativo mejora. Si solo puede responder la primera, todavía no es un sistema de decisión. La precisión es una condición útil; el impacto es la prueba final.