01What it isQué es
Competitive intelligence in demand planning turns competitor actions — price moves, promotions, launches and stockouts — into quantified adjustments to your own forecast, using market share data, price monitoring and field input.
La inteligencia competitiva en la planeación de demanda convierte las acciones de la competencia —cambios de precio, promociones, lanzamientos y quiebres de inventario— en ajustes cuantificados al pronóstico propio, a partir de datos de participación de mercado, monitoreo de precios e información de campo.
02Why it mattersPor qué importa
Your demand history already contains your competitors' moves, but the model cannot tell them apart from noise. When a product is out of stock, a measurable share of shoppers substitutes to another item, so observed sales understate true demand and shift it across brands (Anupindi, Dada and Gupta, 1998 — Marketing Science). Modeling those substitution and price effects explicitly beats ad hoc gut-feel overrides.
El histórico de demanda ya contiene los movimientos de la competencia, pero el modelo no puede distinguirlos del ruido. Cuando un producto se agota, una proporción medible de compradores lo sustituye por otro artículo, de modo que las ventas observadas subestiman la demanda real y la trasladan entre marcas (Anupindi, Dada y Gupta, 1998 — Marketing Science). Modelar explícitamente esos efectos de sustitución y precio supera a los ajustes ad hoc por intuición.
03How it is doneCómo se hace
1
Track competitor events. Monitor competitor prices, promotions, launches and shelf gaps weekly through scraping, market share data and the sales force.
2
Estimate the response. Quantify cross-price elasticity and substitution rates per category so each event translates into a number, not an opinion.
3
Log every adjustment. Record each competitive override and compare it with what happened, to learn which events actually move demand.
1
Rastrear eventos de la competencia. Monitorear cada semana precios, promociones, lanzamientos y huecos en anaquel de los competidores mediante scraping, datos de participación de mercado y la fuerza de ventas.
2
Estimar la respuesta. Cuantificar la elasticidad precio cruzada y las tasas de sustitución por categoría, para que cada evento se traduzca en un número y no en una opinión.
3
Registrar cada ajuste. Documentar cada ajuste competitivo y compararlo con lo que ocurrió, para aprender qué eventos realmente mueven la demanda.
04The concept in depthEl concepto a fondo
Competitive intelligence in demand planning: understanding how competition affects your demand›
The demand for a product does not exist in a vacuum — it is affected by competitor actions: new product launches, promotions and price changes, stockouts (which can generate demand transfer to your product), and entry or exit from certain channels. Integrating competitive intelligence into the demand planning process allows anticipating these effects rather than reacting to them.
Competitive intelligence sources for demand planning›
(1) Competitor price and promotion web scraping: tools that monitor competitor prices and promotions on their e-commerce platforms and online retailers. (2) Retail measurement and consumer panel data (NielsenIQ, Worldpanel — formerly Kantar Worldpanel): market share and end consumer purchase behavior, segmented by channel and region. (3) Competitor sell-in and sell-out at shared retailers: if a retailer shares sell-out data for the entire category (not just the supplier), the supplier can see market share dynamics in real time. (4) Qualitative sources: sales force reports, customer interviews, and trade press publications about competitor strategic moves.
The effect of a competitor stockout on your demand›
When a competitor product runs out at the point of sale (an event detectable with category sell-out monitoring), a fraction of consumers seeking the competitor product buy the own product instead. This demand transfer effect can be significant (5–20% temporary increase) and must be explicitly modeled in the forecast.
Intermediate vs. Advanced›
Intermediate: collects and consolidates available competitive intelligence (prices, promotions, launches) for manual forecast adjustment.
Advanced: designs the competitive intelligence system integrated with the demand planning process; implements price elasticity and demand transfer models; quantifies the impact of competitor actions on the forecast.
Advanced: designs the competitive intelligence system integrated with the demand planning process; implements price elasticity and demand transfer models; quantifies the impact of competitor actions on the forecast.
Inteligencia competitiva en la planeación de demanda: entender cómo la competencia afecta tu demanda›
La demanda de un producto no existe en el vacío: la afectan las acciones de los competidores, como lanzamientos de nuevos productos, promociones y cambios de precio, quiebres de inventario (que pueden transferir demanda hacia el producto propio) y la entrada o salida de ciertos canales. Integrar la inteligencia competitiva al proceso de planeación de demanda permite anticipar estos efectos en lugar de reaccionar a ellos.
Fuentes de inteligencia competitiva para la planeación de demanda›
(1) Web scraping de precios y promociones de la competencia: herramientas que monitorean precios y promociones de los competidores en sus plataformas de e-commerce y en retailers en línea. (2) Datos de medición de retail y paneles de consumidores (NielsenIQ, Worldpanel —antes Kantar Worldpanel): participación de mercado y comportamiento de compra del consumidor final, segmentados por canal y región. (3) Sell-in y sell-out de la competencia en retailers compartidos: si un retailer comparte el sell-out de toda la categoría (no solo del proveedor), el proveedor puede ver la dinámica de participación de mercado en tiempo real. (4) Fuentes cualitativas: reportes de la fuerza de ventas, entrevistas con clientes y publicaciones de la prensa especializada sobre los movimientos estratégicos de los competidores.
El efecto de un quiebre de inventario del competidor en tu demanda›
Cuando un producto de la competencia se agota en el punto de venta (un evento detectable con el monitoreo del sell-out de la categoría), una fracción de los consumidores que buscaban ese producto compra el propio. Este efecto de transferencia de demanda puede ser significativo (aumento temporal de 5–20%) y debe modelarse explícitamente en el pronóstico.
Intermedio vs. Avanzado›
Intermedio: recopila y consolida la inteligencia competitiva disponible (precios, promociones, lanzamientos) para ajustar manualmente el pronóstico.
Avanzado: diseña el sistema de inteligencia competitiva integrado al proceso de planeación de demanda; implementa modelos de elasticidad precio y de transferencia de demanda; cuantifica el impacto de las acciones de la competencia en el pronóstico.
Avanzado: diseña el sistema de inteligencia competitiva integrado al proceso de planeación de demanda; implementa modelos de elasticidad precio y de transferencia de demanda; cuantifica el impacto de las acciones de la competencia en el pronóstico.
05In practiceEn la práctica
Competitive intelligence in the forecast requires quantitative models — not ad hoc qualitative adjustments›
A demand planner who manually adjusts the forecast by 15% because "the competitor ran a promotion" without a validated elasticity model may be over- or under-adjusting.
Retail measurement and consumer panel data (NielsenIQ, Worldpanel) is the most precise source of market share dynamics›
Consumer panel data captures the actual purchase behavior of the end consumer — including brand substitution effects that historical forecasts cannot capture.
Integrate the sales force into the competitive intelligence process›
Field salespeople are the first source of information about competitor moves (launches, promotions, price changes) in the channel. A structured process for capturing and processing sales team feedback is the fastest and lowest-cost competitive intelligence source.
Monitor weekly market share by channel — share loss predicts demand decline›
A 2 pp market share loss in the modern channel over 3 consecutive weeks is the earliest warning signal of a negative own demand trend.
La inteligencia competitiva en el pronóstico requiere modelos cuantitativos, no ajustes cualitativos ad hoc›
Un planeador de demanda que ajusta manualmente el pronóstico 15% porque "el competidor lanzó una promoción", sin un modelo de elasticidad validado, puede estar sobreajustando o quedándose corto.
Los datos de medición de retail y de paneles de consumidores (NielsenIQ, Worldpanel) son la fuente más precisa de la dinámica de participación de mercado›
Los datos de panel de consumidores capturan el comportamiento de compra real del consumidor final, incluidos los efectos de sustitución de marca que los pronósticos históricos no pueden capturar.
Integrar a la fuerza de ventas al proceso de inteligencia competitiva›
Los vendedores de campo son la primera fuente de información sobre los movimientos de la competencia (lanzamientos, promociones, cambios de precio) en el canal. Un proceso estructurado para capturar y procesar la retroalimentación del equipo de ventas es la fuente de inteligencia competitiva más rápida y de menor costo.
Monitorear semanalmente la participación de mercado por canal: perder participación anticipa una caída de la demanda›
Una pérdida de 2 pp de participación de mercado en el canal moderno durante 3 semanas consecutivas es la señal de alerta más temprana de una tendencia negativa de la demanda propia.
06Illustrative caseCaso ilustrativo
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Illustrative case: Competitive intelligence integrated in demand planning — personal care company
The company integrates 3 competitive intelligence sources into its forecast model.
The company integrates 3 competitive intelligence sources into its forecast model.
| Competitive intelligence source | Event detected | Forecast impact |
|---|---|---|
| E-commerce price web scraping (Walmart, Amazon Mexico) | Competitor A drops price of main SKU by 18% in week 8 | Elasticity model: own demand −12% in 3 weeks · Forecast adjusted downward |
| Weekly NielsenIQ market share data for the category | Competitor B launches new SKU in premium segment in week 12 | Model: loss of 1.8 pp market share in 4 weeks · Forecast adjustment |
| Competitor B sell-out monitoring at retailer X | Competitor B stockout in the modern channel for 10 days | Demand transfer model: +8% temporary own SKU demand during those 10 days |
Result: Integrating competitive intelligence reduced forecast MAPE by an additional 12% vs. the demand sensing model without CI. Highest impact: early detection of competitor A price reduction — which generated a downward forecast adjustment that prevented $1.4M MXN in excess inventory.
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Caso ilustrativo: Inteligencia competitiva integrada a la planeación de demanda — empresa de cuidado personal
La empresa integra 3 fuentes de inteligencia competitiva a su modelo de pronóstico.
La empresa integra 3 fuentes de inteligencia competitiva a su modelo de pronóstico.
| Fuente de inteligencia competitiva | Evento detectado | Impacto en el pronóstico |
|---|---|---|
| Web scraping de precios en e-commerce (Walmart, Amazon México) | El competidor A baja 18% el precio de su SKU principal en la semana 8 | Modelo de elasticidad: demanda propia −12% en 3 semanas · Pronóstico ajustado a la baja |
| Datos semanales de participación de mercado de NielsenIQ para la categoría | El competidor B lanza un nuevo SKU en el segmento premium en la semana 12 | Modelo: pérdida de 1.8 pp de participación de mercado en 4 semanas · Ajuste del pronóstico |
| Monitoreo del sell-out del competidor B en el retailer X | Quiebre de inventario del competidor B en el canal moderno durante 10 días | Modelo de transferencia de demanda: +8% de demanda temporal del SKU propio durante esos 10 días |
Resultado: Integrar la inteligencia competitiva redujo el MAPE del pronóstico un 12% adicional frente al modelo de demand sensing sin inteligencia competitiva. Mayor impacto: la detección temprana de la reducción de precio del competidor A, que generó un ajuste a la baja del pronóstico y evitó $1.4M MXN de inventario excedente.
07How it is measuredCómo se mide
Competitive Event Forecast Impact % (accuracy improvement from including competitive events in the forecast)›
Competitive Event Forecast Impact % (accuracy improvement from including competitive events in the forecast)
(MAPE of forecast without CI − MAPE of forecast with CI) / MAPE of forecast without CI × 100
Benchmark: 5–15% MAPE improvement when including relevant competitive events (launches, promotions, price changes)
⚠️ A competitive impact on the forecast <3% indicates the detected competitive events are not sufficiently relevant for the category — or the event-to-demand translation model is not correctly calibrated.
Price Elasticity Coefficient (own demand elasticity to competitor price changes)›
Price Elasticity Coefficient (own demand elasticity to competitor price changes)
% change in own demand / % change in competitor price
Benchmark: +0.3 to +0.8 cross-price elasticity for highly competitive FMCG categories (close substitutes) · ≈0 for low-substitution categories
🔑 Cross-price elasticity (the impact on own demand from a competitor price change) is the most important parameter for modeling the competitive intelligence effect on the forecast. For substitutes it is positive: an elasticity of +0.5 means that if the competitor cuts price by 10%, own demand falls 5%.
Impacto de eventos competitivos en el pronóstico % (mejora de precisión al incluir eventos competitivos en el pronóstico)›
Impacto de eventos competitivos en el pronóstico % (mejora de precisión al incluir eventos competitivos en el pronóstico)
(MAPE del pronóstico sin IC − MAPE del pronóstico con IC) / MAPE del pronóstico sin IC × 100
Benchmark: 5–15% de mejora en MAPE al incluir eventos competitivos relevantes (lanzamientos, promociones, cambios de precio)
⚠️ Un impacto competitivo en el pronóstico <3% indica que los eventos competitivos detectados no son suficientemente relevantes para la categoría, o que el modelo que traduce eventos en demanda no está bien calibrado.
Coeficiente de elasticidad precio (elasticidad de la demanda propia ante cambios de precio del competidor)›
Coeficiente de elasticidad precio (elasticidad de la demanda propia ante cambios de precio del competidor)
% de cambio en la demanda propia / % de cambio en el precio del competidor
Benchmark: Elasticidad cruzada de +0.3 a +0.8 en categorías de consumo masivo muy competidas (sustitutos cercanos) · ≈0 en categorías de baja sustitución
🔑 La elasticidad precio cruzada (el impacto en la demanda propia de un cambio de precio del competidor) es el parámetro más importante para modelar el efecto de la inteligencia competitiva en el pronóstico. Para sustitutos es positiva: una elasticidad de +0.5 significa que, si el competidor baja su precio 10%, la demanda propia cae 5%.
08What you would useQué se usa
📌 Competitive Intelligence
NielsenIQ / Worldpanel (formerly Kantar Worldpanel)›
Module: Market Share Analytics + Consumer Panel Data
Reference retail measurement, consumer panel and market share data providers. NielsenIQ and Worldpanel have presence in Mexico.
Reference retail measurement, consumer panel and market share data providers. NielsenIQ and Worldpanel have presence in Mexico.
Prisync / Price2Spy›
Module: Competitor Price Monitoring
Competitor price web scraping tools for e-commerce for real-time price dynamics monitoring.
Competitor price web scraping tools for e-commerce for real-time price dynamics monitoring.
📌 Inteligencia competitiva
NielsenIQ / Worldpanel (antes Kantar Worldpanel)›
Módulo: Market Share Analytics + Consumer Panel Data
Proveedores de referencia de medición de retail, paneles de consumidores y datos de participación de mercado. NielsenIQ y Worldpanel tienen presencia en México.
Proveedores de referencia de medición de retail, paneles de consumidores y datos de participación de mercado. NielsenIQ y Worldpanel tienen presencia en México.
Prisync / Price2Spy›
Módulo: Competitor Price Monitoring
Herramientas de web scraping de precios de la competencia en e-commerce para monitorear en tiempo real la dinámica de precios.
Herramientas de web scraping de precios de la competencia en e-commerce para monitorear en tiempo real la dinámica de precios.
The bottom lineEn corto
Watch competitors as closely as your own sales, and translate every move they make into a quantified change in your forecast.
Vigilar a la competencia tan de cerca como las ventas propias y traducir cada uno de sus movimientos en un cambio cuantificado del pronóstico.
← PreviousAnteriorConsumer behavior analytics & social listening for demand signalsAnalytics de comportamiento del consumidor y social listening para señales de demandaNextSiguiente →Statistical forecasting foundations: ETS, ARIMA & ensemble modelsFundamentos de pronóstico estadístico: ETS, ARIMA y modelos ensemble
All D10 componentsTodos los componentes de D10D10 artifactsArtifacts de D10SCRA