Labs — Experiment 09 · ForecastLabs — Experimento 09 · Pronosticar

Demand Forecast Studio

How accurate is your demand forecast — and would AI actually improve it?¿Qué tan preciso es tu pronóstico de demanda — y realmente lo mejoraría la IA?

Run a forecast on your data in seconds, get accuracy metrics scored on a real holdout, and understand the statistical baseline that AI platforms must beat. No login. No data uploaded.Corre un pronóstico sobre tus datos en segundos, obtén métricas de exactitud calculadas sobre un holdout real, y entiende la baseline estadísta que las plataformas de IA deben superar. Sin login. Sin subir datos.

MethodsMétodos

100%

In-browserEn navegador

Data sentDatos enviados

💡How to use this toolCómo usar esta herramientaStart hereEmpieza aquí

Choose a datasetElige un dataset

Pick one of the four sample profiles — or upload a CSV with weekly/monthly demand numbers.Selecciona uno de los cuatro perfiles de ejemplo — o sube un CSV con números de demanda semanal/mensual.

Select method & horizonSelecciona método y horizonte

Try Holt-Winters first (best for seasonal demand). Adjust the slider to how far ahead you need to plan.Prueba Holt-Winters primero (mejor para demanda estacional). Ajusta el slider al horizonte que necesitas planear.

Read the MAPELee el MAPE

Green (≤10%) = reliable. Amber (10–25%) = manageable. Red (>25%) = the model needs help. That number is the bar any AI tool must beat on your data.Verde (≤10%) = confiable. Ámbar (10–25%) = manejable. Rojo (>25%) = el modelo necesita ayuda. Ese número es la vara que cualquier herramienta de IA debe superar en tus datos.

🎯

This is the statistical baseline, not an AI model. These are transparent, classical methods — the benchmark every machine-learning or AI forecast has to beat. The accuracy you see here is the bar; AI-native platforms (RELEX, o9, SAP IBP, Blue Yonder) earn their keep only by improving on it. See where AI adds value in the Demand Forecasting reference. Esta es la baseline estadística, no un modelo de IA. Son métodos clásicos y transparentes — el benchmark que todo pronóstico de machine learning o IA debe superar. La exactitud que ves aquí es la vara; las plataformas AI-native (RELEX, o9, SAP IBP, Blue Yonder) justifican su costo solo si la mejoran. Mira dónde aporta la IA en la referencia Pronóstico de Demanda.

Forecast vs. actualsPronóstico vs. reales

History (train)Historia (train)

Holdout actualsReales holdout

ForecastPronóstico

95% confidence bandBanda de confianza 95%

How these methods workCómo funcionan estos métodos

The active method is highlighted. Choose by SKU profile, not by fashion — matching the method to the demand pattern matters more than the algorithm's sophistication.El método activo está resaltado. Elige por perfil de SKU, no por moda — emparejar el método al patrón de demanda importa más que la sofisticación del algoritmo.

Forecast detailDetalle del pronóstico

Holdout rows show actual vs. forecast; future rows show the forward forecast with bounds.Las filas de holdout muestran real vs. pronóstico; las filas futuras muestran el pronóstico con límites.

About this tool. The Studio runs entirely in your browser — no data is uploaded or stored. The models are transparent, classical implementations (Holt-Winters triple exponential smoothing, simple moving average, additive seasonal decomposition) intended to teach the workflow and let you sanity-check a demand series, not to replace a production forecasting platform such as RELEX, SAP IBP, o9, Kinaxis or Blue Yonder. MAPE, bias and WMAPE are computed on a held-out tail of the series so the accuracy figures reflect out-of-sample performance. Sobre esta herramienta. El Estudio corre completamente en tu navegador — no se sube ni se almacena ningún dato. Los modelos son implementaciones clásicas y transparentes (suavizamiento exponencial triple de Holt-Winters, promedio móvil simple, descomposición estacional aditiva) pensadas para enseñar el flujo y permitirte validar una serie de demanda, no para reemplazar una plataforma de pronóstico productiva como RELEX, SAP IBP, o9, Kinaxis o Blue Yonder. El MAPE, sesgo y WMAPE se calculan sobre una cola reservada de la serie para que las cifras de exactitud reflejen desempeño fuera de muestra.