01What it isQué es
Prescriptive analytics turns predictions into recommended decisions: it feeds forecasts and risk estimates into simulation and optimization models that return the specific action — how much safety stock, which production schedule, which network — that best meets cost and service targets under real constraints.
La analítica prescriptiva convierte las predicciones en decisiones recomendadas: alimenta modelos de simulación y optimización con pronósticos y estimaciones de riesgo, y devuelve la acción específica —cuánto inventario de seguridad, qué programa de producción, qué red— que mejor cumple las metas de costo y servicio con restricciones reales.
02Why it mattersPor qué importa
A forecast that nobody translates into a quantity, a date or a lane changes nothing; the money is made or lost in the decision. Using data to prescribe decisions directly, rather than first predicting and then optimizing separately, can improve decision quality in inventory problems (Bertsimas and Kallus, 2020 — Management Science). In practice the bottleneck is adoption: recommendations planners don't understand are overridden.
Un pronóstico que nadie traduce en una cantidad, una fecha o una ruta no cambia nada; el dinero se gana o se pierde en la decisión. Usar los datos para prescribir decisiones directamente, en lugar de predecir primero y optimizar por separado después, puede mejorar la calidad de las decisiones en problemas de inventario (Bertsimas and Kallus, 2020 — Management Science). En la práctica, el cuello de botella es la adopción: los planeadores anulan las recomendaciones que no entienden.
03How it is doneCómo se hace
1
Frame one recurring decision. Pick a decision made often with clear cost and service trade-offs, such as safety stock by SKU.
2
Link prediction to optimization. Feed forecast error, lead time variability and constraints into a solver that returns the recommended quantity.
3
Explain, log overrides, measure. Show the reason behind each recommendation, require a reason for every override and compare results of adopted vs. ignored advice.
1
Acota una decisión recurrente. Elige una decisión frecuente con disyuntivas claras de costo y servicio, como el inventario de seguridad por SKU.
2
Une predicción y optimización. Alimenta un solver con el error del pronóstico, la variabilidad del lead time y las restricciones para que devuelva la cantidad recomendada.
3
Explica, registra overrides y mide. Muestra la razón de cada recomendación, exige un motivo para cada override y compara los resultados de las recomendaciones adoptadas vs. ignoradas.
04The concept in depthEl concepto a fondo
Prescriptive analytics: from prediction to the optimal action›
Predictive analytics answers "what will happen?" Prescriptive analytics answers "what should you do?" In supply chain, prescriptive combines outputs of predictive models (projected demand, stockout risk, predicted supplier failure) with optimization models to generate the specific action that maximizes the desired outcome (minimize total cost, maximize fill rate, minimize risk).
Prescriptive analytics applications in supply chain›
(1) Safety stock optimization: given the forecast MAPE and supplier lead time, how much safety stock is needed to achieve the target fill rate at lowest cost? (2) Dynamic pricing: given the current inventory level and projected demand, what is the optimal price to maximize revenue? (3) Network optimization: given transport costs, demand levels by region, and storage costs, what is the optimal distribution network configuration? (4) Production scheduling optimization: given the demand plan and production capacities, what is the production schedule that minimizes total cost while maintaining the target OTIF?
The prescriptive combination: forecasting + simulation + optimization›
Prescriptive analytics for supply chain is the combination of: (1) the predictive model (demand forecast, supplier risk), (2) scenario simulation (what if demand is 20% higher than projected? if the supplier fails?), and (3) the optimizer (the algorithm that finds the lowest-cost action satisfying operational constraints across all simulated scenarios).
Intermediate vs. Advanced›
Intermediate: interprets and acts on prescriptive analytics system recommendations; reports exceptions when operational context makes the recommendation inapplicable.
Advanced: designs and implements the prescriptive analytics system; combines predictive models with optimizers; manages the feedback loop between actions taken and the model.
Advanced: designs and implements the prescriptive analytics system; combines predictive models with optimizers; manages the feedback loop between actions taken and the model.
Analítica prescriptiva: de la predicción a la acción óptima›
La analítica predictiva responde “¿qué va a pasar?”. La analítica prescriptiva responde “¿qué se debe hacer?”. En supply chain, la analítica prescriptiva combina los resultados de los modelos predictivos (demanda proyectada, riesgo de quiebre de inventario, falla predicha de un proveedor) con modelos de optimización para generar la acción específica que maximiza el resultado deseado (minimizar el costo total, maximizar el fill rate, minimizar el riesgo).
Aplicaciones de la analítica prescriptiva en supply chain›
(1) Optimización del inventario de seguridad: dados el MAPE del pronóstico y el lead time del proveedor, ¿cuánto inventario de seguridad se necesita para alcanzar el fill rate objetivo al menor costo? (2) Precios dinámicos: dados el nivel actual de inventario y la demanda proyectada, ¿cuál es el precio óptimo para maximizar el ingreso? (3) Optimización de red: dados los costos de transporte, los niveles de demanda por región y los costos de almacenamiento, ¿cuál es la configuración óptima de la red de distribución? (4) Optimización de la programación de producción: dados el plan de demanda y las capacidades de producción, ¿cuál es el programa de producción que minimiza el costo total manteniendo el OTIF objetivo?
La combinación prescriptiva: pronóstico + simulación + optimización›
La analítica prescriptiva para supply chain es la combinación de: (1) el modelo predictivo (pronóstico de demanda, riesgo de proveedores), (2) la simulación de escenarios (¿y si la demanda es 20% mayor que la proyectada? ¿y si el proveedor falla?) y (3) el optimizador (el algoritmo que encuentra la acción de menor costo que satisface las restricciones operativas en todos los escenarios simulados).
Intermedio vs. Avanzado›
Intermedio: interpreta las recomendaciones del sistema de analítica prescriptiva y actúa con base en ellas; reporta excepciones cuando el contexto operativo hace inaplicable la recomendación.
Avanzado: diseña e implementa el sistema de analítica prescriptiva; combina modelos predictivos con optimizadores; gestiona el ciclo de retroalimentación entre las acciones tomadas y el modelo.
Avanzado: diseña e implementa el sistema de analítica prescriptiva; combina modelos predictivos con optimizadores; gestiona el ciclo de retroalimentación entre las acciones tomadas y el modelo.
05In practiceEn la práctica
Prescriptive analytics only has value if the operational team trusts its recommendations and adopts them›
A prescriptive system with a 20% adoption rate (team only follows 20% of recommendations) has 20% of the potential financial impact.
Recommendation explainability is the prerequisite for adoption by the operational team›
The team receiving the recommendation "increase SKU A safety stock from 28 to 42 days" needs to understand why before acting. The explanation "SKU A MAPE increased from 15% to 28% in the last 2 months and supplier LT lengthened 5 days" generates adoption.
Design the override process with mandatory documentation when the team doesn't follow the recommendation›
When the team doesn't follow the prescriptive recommendation, the documented reason is the most valuable feedback for improving the model.
Monitor the financial impact of adopted vs. non-adopted recommendations›
This analysis quantifies the cost of non-adoption — and is the most powerful argument for increasing the operational team's trust in the prescriptive system.
La analítica prescriptiva solo tiene valor si el equipo operativo confía en sus recomendaciones y las adopta›
Un sistema prescriptivo con 20% de tasa de adopción (el equipo solo sigue 20% de las recomendaciones) obtiene 20% del impacto financiero potencial.
La explicabilidad de las recomendaciones es el prerrequisito para que el equipo operativo las adopte›
El equipo que recibe la recomendación “aumentar el inventario de seguridad del SKU A de 28 a 42 días” necesita entender por qué antes de actuar. La explicación “el MAPE del SKU A subió de 15% a 28% en los últimos 2 meses y el lead time del proveedor se alargó 5 días” genera adopción.
Diseña el proceso de override con documentación obligatoria cuando el equipo no sigue la recomendación›
Cuando el equipo no sigue la recomendación prescriptiva, la razón documentada es la retroalimentación más valiosa para mejorar el modelo.
Monitorea el impacto financiero de las recomendaciones adoptadas vs. no adoptadas›
Este análisis cuantifica el costo de no adoptar, y es el argumento más poderoso para aumentar la confianza del equipo operativo en el sistema prescriptivo.
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: Safety stock prescriptive optimization — distribution company, 1,800 active SKUs
The company implements a safety stock optimization model combining forecast MAPE with supplier lead time and the target fill rate.
The company implements a safety stock optimization model combining forecast MAPE with supplier lead time and the target fill rate.
| Prescriptive model result | Before (manual fixed SS) | After (dynamic optimized SS) |
|---|---|---|
| Safety stock inventory days (DIO of SS) for Category A SKUs | 28 days fixed SS for all Category A SKUs | Range of 12–42 days per individual SKU MAPE and LT · Average: 19 days (−32% SS capital) |
| Category A SKU stockout rate | 3.2% Category A SKU stockouts with fixed SS | 1.4% stockouts with optimized SS (−56%) · SS calibrated for 98.5% target fill rate |
| Capital tied in safety stock (Category A SKUs) | $42M MXN in Category A SS capital | $28.6M MXN (−32% = $13.4M MXN freed) |
Result: The prescriptive model simultaneously reduced SS capital by $13.4M MXN (−32%) and stockout rate by 56%. The key: the fixed 28-day SS was excessive for low-variability, short-LT Category A SKUs (which only needed 12 days) and insufficient for high-variability, long-LT SKUs (which needed 42 days). The fixed SS was an average that was wrong for every SKU.
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: optimización prescriptiva del inventario de seguridad — empresa de distribución, 1,800 SKU activos
La empresa implementa un modelo de optimización del inventario de seguridad que combina el MAPE del pronóstico con el lead time del proveedor y el fill rate objetivo.
La empresa implementa un modelo de optimización del inventario de seguridad que combina el MAPE del pronóstico con el lead time del proveedor y el fill rate objetivo.
| Resultado del modelo prescriptivo | Antes (SS fijo manual) | Después (SS dinámico optimizado) |
|---|---|---|
| Días de inventario de seguridad (DIO del SS) para SKU categoría A | 28 días de SS fijo para todos los SKU categoría A | Rango de 12–42 días según el MAPE y el lead time de cada SKU · Promedio: 19 días (−32% de capital en SS) |
| Tasa de quiebre de inventario de SKU categoría A | 3.2% de quiebres de inventario en SKU categoría A con SS fijo | 1.4% de quiebres con SS optimizado (−56%) · SS calibrado para un fill rate objetivo de 98.5% |
| Capital inmovilizado en inventario de seguridad (SKU categoría A) | $42M MXN de capital en SS categoría A | $28.6M MXN (−32% = $13.4M MXN liberados) |
Resultado: El modelo prescriptivo redujo simultáneamente el capital en SS en $13.4M MXN (−32%) y la tasa de quiebres de inventario en 56%. La clave: el SS fijo de 28 días era excesivo para los SKU categoría A de baja variabilidad y lead time corto (que solo necesitaban 12 días) e insuficiente para los SKU de alta variabilidad y lead time largo (que necesitaban 42 días). El SS fijo era un promedio que estaba equivocado para cada SKU.
07How it is measuredCómo se mide
Prescriptive Action Adoption Rate % (% of prescriptive system recommendations adopted by the operational team)›
Prescriptive Action Adoption Rate % (% of prescriptive system recommendations adopted by the operational team)
(Prescriptive system recommendations adopted / Total recommendations in the period) × 100
Benchmark: >70% recommendations adopted in mature prescriptive systems with high operational team confidence
⚠️ Adoption rate <40% indicates the operational team doesn't trust the prescriptive system recommendations — either because the model has low accuracy, recommendations lack comprehensible explanations, or the system doesn't capture important operational constraints.
Prescriptive Optimization Financial Impact (financial savings from prescriptive analytics)›
Prescriptive Optimization Financial Impact (financial savings from prescriptive analytics)
(Operational cost before prescriptive − Operational cost with prescriptive) / Operational cost before × 100
Benchmark: 5–25% operational cost reduction in processes optimized with prescriptive analytics
🔑 Prescriptive analytics financial impact is the program ROI metric. A safety stock optimization system that frees $13.4M MXN of capital with a $1.8M MXN implementation cost has a 7.4× ROI in the first year.
Tasa de adopción de acciones prescriptivas % (% de recomendaciones del sistema prescriptivo adoptadas por el equipo operativo)›
Tasa de adopción de acciones prescriptivas % (% de recomendaciones del sistema prescriptivo adoptadas por el equipo operativo)
(Recomendaciones del sistema prescriptivo adoptadas / Total de recomendaciones del periodo) × 100
Benchmark: >70% de recomendaciones adoptadas en sistemas prescriptivos maduros con alta confianza del equipo operativo
⚠️ Una tasa de adopción <40% indica que el equipo operativo no confía en las recomendaciones del sistema prescriptivo, ya sea porque el modelo tiene baja precisión, porque las recomendaciones carecen de explicaciones comprensibles o porque el sistema no captura restricciones operativas importantes.
Impacto financiero de la optimización prescriptiva (ahorro financiero por analítica prescriptiva)›
Impacto financiero de la optimización prescriptiva (ahorro financiero por analítica prescriptiva)
(Costo operativo antes de la analítica prescriptiva − Costo operativo con analítica prescriptiva) / Costo operativo antes × 100
Benchmark: 5–25% de reducción del costo operativo en procesos optimizados con analítica prescriptiva
🔑 El impacto financiero de la analítica prescriptiva es la métrica de ROI del programa. Un sistema de optimización del inventario de seguridad que libera $13.4M MXN de capital con un costo de implementación de $1.8M MXN tiene un ROI de 7.4× en el primer año.
08What you would useQué se usa
📌 Prescriptive Analytics
o9 Solutions / Kinaxis›
Module: Integrated Predictive + Prescriptive Supply Chain Planning
The most advanced supply chain planning platforms combine predictive forecasting with prescriptive optimization in a single system.
The most advanced supply chain planning platforms combine predictive forecasting with prescriptive optimization in a single system.
Python — scipy.optimize + PuLP / Pyomo›
Module: Custom Prescriptive Optimization Models
For teams with internal analytical capabilities: mathematical optimization models in Python for safety stock, production, and network design.
For teams with internal analytical capabilities: mathematical optimization models in Python for safety stock, production, and network design.
📌 Analítica prescriptiva
o9 Solutions / Kinaxis›
Módulo: Planeación integrada de supply chain predictiva + prescriptiva
Las plataformas de planeación de supply chain más avanzadas combinan el pronóstico predictivo con la optimización prescriptiva en un solo sistema.
Las plataformas de planeación de supply chain más avanzadas combinan el pronóstico predictivo con la optimización prescriptiva en un solo sistema.
Python — scipy.optimize + PuLP / Pyomo›
Módulo: Modelos de optimización prescriptiva a la medida
Para equipos con capacidades analíticas internas: modelos de optimización matemática en Python para inventario de seguridad, producción y diseño de red.
Para equipos con capacidades analíticas internas: modelos de optimización matemática en Python para inventario de seguridad, producción y diseño de red.
The bottom lineEn corto
Prediction tells you what may happen; prescription tells you what to order today — and it only pays if people follow it.
La predicción dice qué puede pasar; la prescripción dice qué pedir hoy, y solo rinde frutos si la gente la sigue.
← PreviousAnteriorDemand forecasting with ML: external signals, NLP & ensemble methodsPronóstico de demanda con ML: señales externas, NLP y métodos ensembleNextSiguiente →Supply chain control towers: real-time visibility dashboardsControl towers de SC: dashboards de visibilidad en tiempo real
All D12 componentsTodos los componentes de D12D12 artifactsArtifacts de D12SCRA