01What it isQué es
Demand planning data architecture defines which data feed the forecast — sales history, master data, events, external and sensing signals — and the rules that keep them clean, current and consistent before any model runs.
La arquitectura de datos de planeación de demanda define qué datos alimentan el pronóstico — historial de ventas, datos maestros, eventos, señales externas y de sensing — y las reglas que los mantienen limpios, vigentes y consistentes antes de correr cualquier modelo.
02Why it mattersPor qué importa
Uncleaned outliers, stale hierarchies and misdated returns bias every model equally, so a better algorithm cannot recover what bad history hides — and planners end up correcting the same errors by hand each cycle. Data quality management is formalized as a repeatable process of planning, control, assurance and improvement in the international data quality standard (ISO 8000-61, 2016 — International Organization for Standardization).
Los outliers sin limpiar, las jerarquías desactualizadas y las devoluciones mal fechadas sesgan a todos los modelos por igual, así que un mejor algoritmo no puede recuperar lo que oculta un mal historial — y los planeadores terminan corrigiendo los mismos errores a mano en cada ciclo. La norma internacional de calidad de datos formaliza su gestión como un proceso repetible de planeación, control, aseguramiento y mejora (ISO 8000-61, 2016 — International Organization for Standardization).
03How it is doneCómo se hace
1
Map the data flows. Document every source feeding the forecast — ERP sales, returns, hierarchy, events, POS — with owner and refresh frequency.
2
Automate the quality checks. Flag outliers, inactive SKUs and misdated returns automatically before each forecasting run.
3
Audit every quarter. Measure a data quality score by SKU and quantify how much MAPE is lost to data rather than to the model.
1
Mapea los flujos de datos. Documenta cada fuente que alimenta el pronóstico — ventas del ERP, devoluciones, jerarquía, eventos, POS — con responsable y frecuencia de actualización.
2
Automatiza las validaciones. Marca automáticamente outliers, SKU inactivos y devoluciones mal fechadas antes de cada corrida del pronóstico.
3
Audita cada trimestre. Mide un data quality score por SKU y cuantifica cuánto MAPE se pierde por los datos y no por el modelo.
04The concept in depthEl concepto a fondo
Demand planning system architecture: the right data in the right place›
Forecast accuracy depends as much on data quality as on model quality. A deficient data architecture — with clean but outdated sales data, incorrect product hierarchy, or incomplete events calendar — generates systematically incorrect forecasts regardless of model sophistication.
Demand planning system architecture components›
(1) Historical demand data: the sales historical series by SKU, channel, customer, and period. The foundation of the statistical model. (2) Master data: the product hierarchy, SKU attributes, and the commercial events calendar. (3) External data: retailer POS, weather, events, competitor data. (4) Demand sensing data: short-term signals updated daily or in real time. (5) Forecasting system: the platform where models are run and demand planning team adjustments are managed.
The most frequent data quality problems in demand planning›
(1) Unidentified sales data outliers: a one-time sale of 10,000 units for an SKU that normally sells 200 units/week permanently inflates the statistical model if not identified as an outlier. (2) Stale product hierarchy: discontinued SKUs still in the hierarchy generate forecasts for products that no longer exist. (3) Returns data not separated: product returns deducted from the receipt period (not the original sales period) generate negative or erratic historical demand series.
Intermediate vs. Advanced›
Intermediate: identifies and reports data quality issues; manages necessary data adjustments.
Advanced: designs the demand planning system architecture with correct data requirements; implements the data quality management process; manages integration with source systems (ERP, CRM, TMS).
Advanced: designs the demand planning system architecture with correct data requirements; implements the data quality management process; manages integration with source systems (ERP, CRM, TMS).
Arquitectura del sistema de planeación de demanda: los datos correctos en el lugar correcto›
La precisión del pronóstico depende tanto de la calidad de los datos como de la calidad del modelo. Una arquitectura de datos deficiente — con datos de venta limpios pero desactualizados, una jerarquía de producto incorrecta o un calendario de eventos incompleto — genera pronósticos sistemáticamente incorrectos, sin importar qué tan sofisticado sea el modelo.
Componentes de la arquitectura del sistema de planeación de demanda›
(1) Datos históricos de demanda: la serie histórica de ventas por SKU, canal, cliente y periodo; la base del modelo estadístico. (2) Datos maestros: la jerarquía de producto, los atributos de SKU y el calendario de eventos comerciales. (3) Datos externos: POS de retailers, clima, eventos, datos de la competencia. (4) Datos de demand sensing: señales de corto plazo actualizadas diariamente o en tiempo real. (5) Sistema de pronóstico: la plataforma donde se corren los modelos y se gestionan los ajustes del equipo de planeación de demanda.
Los problemas de calidad de datos más frecuentes en planeación de demanda›
(1) Outliers de venta no identificados: una venta única de 10,000 unidades en un SKU que normalmente vende 200 unidades/semana infla permanentemente el modelo estadístico si no se identifica como outlier. (2) Jerarquía de producto desactualizada: los SKU descontinuados que siguen en la jerarquía generan pronósticos para productos que ya no existen. (3) Devoluciones no separadas: las devoluciones descontadas en el periodo de recepción (y no en el periodo de venta original) generan series históricas negativas o erráticas.
Intermedio vs. Avanzado›
Intermedio: identifica y reporta problemas de calidad de datos; gestiona los ajustes de datos necesarios.
Avanzado: diseña la arquitectura del sistema de planeación de demanda con los requerimientos de datos correctos; implementa el proceso de gestión de calidad de datos; gestiona la integración con los sistemas fuente (ERP, CRM, TMS).
Avanzado: diseña la arquitectura del sistema de planeación de demanda con los requerimientos de datos correctos; implementa el proceso de gestión de calidad de datos; gestiona la integración con los sistemas fuente (ERP, CRM, TMS).
05In practiceEn la práctica
Data quality is the forecast accuracy prerequisite — invest in data before investing in the model›
A sophisticated ML model trained with poor-quality data generates worse results than a simple statistical model trained with clean data.
Implement an automated outlier detection process for historical demand series›
Demand outliers must be detected and treated automatically before running the forecasting model — not manually by the planner who discovers them after the forecast is already generated.
The product hierarchy must be synchronized with the ERP in real time›
A stale product hierarchy in the forecasting system generates forecasts for SKUs that don't exist and missing forecasts for new SKUs not yet in the system.
Perform a quarterly data quality audit of the demand planning system›
Data quality degrades over time. Quarterly audits detect and correct problems before they impact forecast accuracy.
La calidad de datos es el prerrequisito de la precisión del pronóstico — invierte en datos antes que en el modelo›
Un modelo de ML sofisticado entrenado con datos de mala calidad da peores resultados que un modelo estadístico simple entrenado con datos limpios.
Implementar un proceso automatizado de detección de outliers en las series históricas de demanda›
Los outliers de demanda deben detectarse y tratarse automáticamente antes de correr el modelo — no manualmente por el planeador que los descubre cuando el pronóstico ya se generó.
La jerarquía de producto debe sincronizarse con el ERP en tiempo real›
Una jerarquía de producto desactualizada en el sistema de pronóstico genera pronósticos para SKU que no existen y deja sin pronóstico a SKU nuevos que todavía no están en el sistema.
Realizar una auditoría trimestral de calidad de datos del sistema de planeación de demanda›
La calidad de los datos se degrada con el tiempo. Las auditorías trimestrales detectan y corrigen los problemas antes de que afecten la precisión del pronóstico.
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: Data quality assessment — FMCG company, demand planning system audit
The company detects global MAPE improved from 28% to 22% with the new forecasting system — but not to the expected 18%. The team performs a data quality assessment.
The company detects global MAPE improved from 28% to 22% with the new forecasting system — but not to the expected 18%. The team performs a data quality assessment.
| Data quality problem detected | % of SKUs affected | MAPE impact |
|---|---|---|
| Unclean historical sales outliers: atypical demand spikes from special events without flags | 38% of SKUs have at least 1 unidentified outlier in the last 24 months | +2.4 pp MAPE increase from uncleaned outliers |
| SKUs discontinued >6 months ago still active in the forecasting system | 142 discontinued SKUs · 12% of total portfolio | 0 MAPE impact but generates report noise and consumes system capacity |
| Returns data deducted from the receipt period instead of the sales period | 18% of SKUs with returns have distorted historical series | +1.8 pp MAPE increase from returns-distorted historical series |
Result: After cleaning the 3 data quality problems: MAPE 22% → 17%. 50% of the gap between expected MAPE (18%) and actual MAPE (22%) was a data quality problem — not a forecasting model problem.
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: Evaluación de calidad de datos — empresa de consumo masivo, auditoría del sistema de planeación de demanda
La empresa detecta que el MAPE global mejoró de 28% a 22% con el nuevo sistema de pronóstico — pero no al 18% esperado. El equipo realiza una evaluación de calidad de datos.
La empresa detecta que el MAPE global mejoró de 28% a 22% con el nuevo sistema de pronóstico — pero no al 18% esperado. El equipo realiza una evaluación de calidad de datos.
| Problema de calidad de datos detectado | % de SKU afectados | Impacto en MAPE |
|---|---|---|
| Outliers históricos de venta sin limpiar: picos atípicos de demanda por eventos especiales sin marcar | 38% de los SKU tienen al menos 1 outlier no identificado en los últimos 24 meses | +2.4 pp de aumento en MAPE por outliers sin limpiar |
| SKU descontinuados hace más de 6 meses que siguen activos en el sistema de pronóstico | 142 SKU descontinuados · 12% del portafolio total | 0 impacto en MAPE, pero generan ruido en los reportes y consumen capacidad del sistema |
| Devoluciones descontadas en el periodo de recepción en lugar del periodo de venta | 18% de los SKU con devoluciones tienen series históricas distorsionadas | +1.8 pp de aumento en MAPE por series históricas distorsionadas por devoluciones |
Resultado: Después de limpiar los 3 problemas de calidad de datos: MAPE 22% → 17%. El 50% de la brecha entre el MAPE esperado (18%) y el real (22%) era un problema de calidad de datos — no del modelo de pronóstico.
07How it is measuredCómo se mide
Data Quality Score for Demand Planning›
Data Quality Score for Demand Planning
Evaluation of % of SKUs with clean historical sales data, updated product hierarchy, and complete events calendar
Benchmark: >95% of SKUs with data of sufficient quality for the forecasting model · <5% of SKUs with unidentified outliers or distorted historical series
⚠️ A data quality score <85% guarantees the forecasting model will have a systematically worse MAPE than it could achieve with clean data — regardless of model sophistication.
Outlier Detection Rate % (% of historical series outliers identified and cleaned)›
Outlier Detection Rate % (% of historical series outliers identified and cleaned)
(Historical series outliers identified and treated / Total outliers detected by the outlier detection system) × 100
Benchmark: >95% of outliers identified and treated (removed or flagged) before running the forecasting model
🔑 An unidentified demand outlier can permanently inflate the statistical model level — generating systematic excess inventory for that SKU until the outlier is identified and cleaned.
Data Quality Score para planeación de demanda›
Data Quality Score para planeación de demanda
Evaluación del % de SKU con datos históricos de venta limpios, jerarquía de producto actualizada y calendario de eventos completo
Benchmark: >95% de los SKU con datos de calidad suficiente para el modelo de pronóstico · <5% de los SKU con outliers no identificados o series distorsionadas
⚠️ Un data quality score <85% garantiza que el modelo tendrá un MAPE sistemáticamente peor del que podría lograr con datos limpios — sin importar qué tan sofisticado sea.
Outlier Detection Rate % (% de outliers de las series históricas identificados y limpiados)›
Outlier Detection Rate % (% de outliers de las series históricas identificados y limpiados)
(Outliers de las series históricas identificados y tratados / Total de outliers detectados por el sistema de detección) × 100
Benchmark: >95% de los outliers identificados y tratados (eliminados o marcados) antes de correr el modelo de pronóstico
🔑 Un outlier de demanda no identificado puede inflar permanentemente el nivel del modelo estadístico — generando exceso sistemático de inventario de ese SKU hasta que el outlier se identifique y limpie.
08What you would useQué se usa
📌 Data Quality Management
SAP MDG — Master Data Governance›
Module: Data Quality + Hierarchy Management for SAP IBP
SAP MDG manages the quality and consistency of master data in the SAP IBP demand planning system.
SAP MDG manages the quality and consistency of master data in the SAP IBP demand planning system.
Python — Great Expectations / Pandas›
Module: Data Quality Automation for Demand Planning Data
Python tools for automating data quality checks in the demand planning system.
Python tools for automating data quality checks in the demand planning system.
📌 Gestión de calidad de datos
SAP MDG — Master Data Governance›
Módulo: Calidad de datos + gestión de jerarquías para SAP IBP
SAP MDG gestiona la calidad y consistencia de los datos maestros en el sistema de planeación de demanda SAP IBP.
SAP MDG gestiona la calidad y consistencia de los datos maestros en el sistema de planeación de demanda SAP IBP.
Python — Great Expectations / Pandas›
Módulo: Automatización de calidad de datos de planeación de demanda
Herramientas de Python para automatizar las validaciones de calidad de datos en el sistema de planeación de demanda.
Herramientas de Python para automatizar las validaciones de calidad de datos en el sistema de planeación de demanda.
The bottom lineEn corto
Clean the history before you buy a smarter model — garbage in is still garbage out.
Limpia el historial antes de comprar un modelo más inteligente — si entra basura, sale basura.
← PreviousAnteriorDemand planning cadence: weekly, monthly & S&OP integrationCadencia de planeación de demanda: semanal, mensual e integración con S&OPNextSiguiente →Forecast override management & human judgment integrationGestión de overrides al pronóstico e integración del juicio humano
All D10 componentsTodos los componentes de D10D10 artifactsArtifacts de D10SCRA