Promotional & event-driven forecasting · D02 Supply Chain Planning · SCRA

01What it isQué es

Promotional forecasting separates baseline demand from event lift — cleansing history of past promotions, modeling uplift per mechanic (price reduction, display, feature), and accounting for cannibalization and the post-promo dip — instead of layering a flat percentage on a contaminated base.

El pronóstico de promociones separa la demanda base del lift del evento — limpiando la historia de promociones pasadas, modelando el uplift por mecánica (reducción de precio, exhibición, feature) y considerando canibalización y el valle post-promoción — en lugar de apilar un porcentaje plano sobre una base contaminada.

02Why it mattersPor qué importa

Fildes & Goodwin (Fildes & Goodwin, 2007 — peer-reviewed) showed that judgmental promotional adjustments are systematically optimistic and almost never tracked, so error compounds unchecked. If past promo spikes are left in the baseline, the statistical model reads them as level and over-forecasts the non-promo weeks; the new promo lift is then stacked on top, double-counting the spike. Add the ignored post-promo trough — pantry loading borrows demand from future weeks — and substitute cannibalization, and promo-period error of 40–60% is routine, landing as both promo stockouts (lost lift) and post-promo markdown (lost margin).

Fildes & Goodwin (Fildes & Goodwin, 2007 — peer-reviewed) mostraron que los ajustes promocionales por juicio son sistemáticamente optimistas y casi nunca se rastrean, así que el error se compone sin control. Si los picos de promociones pasadas quedan en la base, el modelo estadístico los lee como nivel y sobre-pronostica las semanas sin promoción; luego el nuevo lift se apila encima, duplicando la cuenta del pico. Suma el valle post-promoción ignorado — el pantry loading toma prestada demanda de semanas futuras — y la canibalización de sustitutos, y un error de periodo promocional de 40–60% es rutinario, aterrizando como stockouts de promoción (lift perdido) y markdown post-promoción (margen perdido).

03How it is doneCómo se hace

Cleanse the baseline first. Flag every historical promo period, remove the spike, interpolate the underlying baseline, and store the promotions as a separate event series. A baseline contaminated by old promos poisons every forecast built on it.

Model lift per mechanic, not as one number. A temporary price reduction, an end-cap display, and a feature ad have different multipliers and different decay. Estimate each from history; a single blended uplift averages away the levers you actually pull.

Model cannibalization explicitly. When SKU A goes on promo, substitutes B and C dip. Forecast the category, then split — promoting A in isolation over-forecasts A and starves the replenishment of B and C.

Model the post-promo dip. Pantry loading pulls demand forward; the weeks after a promo run below baseline. Size the trough or you over-replenish straight into it and create the next markdown.

Lock the promo calendar into the forecast on a fixed cadence. Late promo entry is the single largest source of promo error — supply cannot react to a promotion it learns about two weeks out. Freeze the calendar at the planning horizon.

Track promo FVA. Compare the promoted forecast against the cleansed baseline forecast and against actuals. Promotions whose forecast does not beat baseline accuracy are being managed by hope; FVA exposes them.

Worked example — illustrativeA grocery retailer forecast promos as +35% flat on a non-cleansed baseline — baseline: promo-week MAPE 52%, stockouts on 18% of promo events, $1.4M/quarter post-promo markdown. It cleansed history, modeled lift per mechanic, and added cannibalization and dip. Results: promo-week MAPE 52% → 29% (-44%), promo stockouts 18% → 9% of events, markdown $1.4M → $0.9M/qtr (-36%) — the cleansed baseline alone removed half the error before any promo modeling.

Limpia la base primero. Marca cada periodo promocional histórico, remueve el pico, interpola la base subyacente y guarda las promociones como una serie de eventos separada. Una base contaminada por promociones viejas envenena cada pronóstico construido sobre ella.

Modela el lift por mecánica, no como un número. Una reducción temporal de precio, una exhibición en cabecera y un anuncio feature tienen multiplicadores y decaimientos distintos. Estima cada uno de la historia; un uplift mezclado único promedia a la nada las palancas que de verdad jalas.

Modela la canibalización explícitamente. Cuando el SKU A entra en promoción, los sustitutos B y C caen. Pronostica la categoría, luego divide — promover A en aislamiento sobre-pronostica A y hambrea el reabasto de B y C.

Modela el valle post-promoción. El pantry loading adelanta demanda; las semanas tras una promoción corren debajo de la base. Dimensiona el valle o sobre-reabasteces directo dentro de él y creas el siguiente markdown.

Fija el calendario promocional en el pronóstico con cadencia fija. La entrada tardía de promociones es la mayor fuente individual de error promocional — el suministro no puede reaccionar a una promoción que conoce dos semanas antes. Congela el calendario al horizonte de planeación.

Rastrea el FVA promocional. Compara el pronóstico promovido contra el pronóstico de base limpia y contra los reales. Las promociones cuyo pronóstico no le gana a la precisión de base se están gestionando por esperanza; el FVA las expone.

Ejemplo trabajado — ilustrativoUn retailer de abarrotes pronosticaba promociones como +35% plano sobre una base no limpia — base: MAPE de semana promocional 52%, stockouts en 18% de los eventos, $1.4M/trimestre de markdown post-promoción. Limpió la historia, modeló el lift por mecánica y agregó canibalización y valle. Resultados: MAPE de semana promocional 52% → 29% (-44%), stockouts de promoción 18% → 9% de los eventos, markdown $1.4M → $0.9M/trim (-36%) — la base limpia por sí sola removió la mitad del error antes de cualquier modelado de promociones.

04The concept in depthEl concepto a fondo

🧼Baseline cleansing›

The foundational step almost everyone skips. Past promotions, stockouts, and one-off events must be flagged and removed before the baseline is fit, with the underlying demand interpolated. An uncleansed baseline reads old spikes as structural level — every downstream forecast inherits the contamination.

🎚️Lift per mechanic›

Different promotional vehicles produce different lifts: a deep TPR, a display, a feature ad, a multi-buy each have distinct multipliers, distinct elasticities, and distinct decay profiles. Estimating a uplift library per mechanic — from clean history — is what makes a promo forecast a model rather than a guess.

🔄Cannibalization and the post-promo dip›

A promotion moves demand in two directions it is easy to ignore: sideways (cannibalizing substitutes in the same category) and forward (pantry loading that depresses the weeks after). Model both, or you over-forecast the promoted SKU and over-replenish into the trough.

🧼Limpieza de la base›

El paso fundacional que casi todos saltan. Promociones pasadas, stockouts y eventos únicos deben marcarse y removerse antes de ajustar la base, con la demanda subyacente interpolada. Una base sin limpiar lee los picos viejos como nivel estructural — cada pronóstico downstream hereda la contaminación.

🎚️Lift por mecánica›

Distintos vehículos promocionales producen distintos lifts: un TPR profundo, una exhibición, un anuncio feature, una multicompra tienen multiplicadores, elasticidades y perfiles de decaimiento distintos. Estimar una biblioteca de uplift por mecánica — de historia limpia — es lo que convierte un pronóstico promocional en un modelo en vez de una adivinanza.

🔄Canibalización y el valle post-promoción›

Una promoción mueve demanda en dos direcciones fáciles de ignorar: lateral (canibalizando sustitutos de la misma categoría) y adelante (pantry loading que deprime las semanas posteriores). Modela ambas, o sobre-pronosticas el SKU promovido y sobre-reabasteces dentro del valle.

05In practiceEn la práctica

📅Promo calendar lock cadence›

Agree a hard cut-off after which the promo calendar is frozen into the forecast — typically one full supply lead time out. Promotions added inside that window are run at risk, on existing stock, with no forecast adjustment. Late entry is the dominant cause of promo stockout.

🗂️Category-then-split forecasting›

Forecast total category demand for the promo period, then split across SKUs. This captures cannibalization automatically — the promoted SKU gains share within a roughly conserved category total — instead of treating each SKU as if it lived alone.

📊Promo FVA tracking›

Maintain a post-event scorecard: planned lift vs actual lift, by mechanic and by category. Over time this becomes the uplift library and the evidence base for which promotions are worth running — and which are repeatedly over-forecast.

📚Uplift libraries by mechanic and seasonality›

Build and maintain a structured library of historical lifts indexed by mechanic, depth, category, and season. A new promotion is forecast by matching it to the library, not by a planner's memory of the last one — turning institutional knowledge into a reusable model.

📅Cadencia de cierre del calendario promocional›

Acuerda un corte duro tras el cual el calendario promocional se congela en el pronóstico — típicamente un lead time de suministro completo de anticipación. Las promociones agregadas dentro de esa ventana se corren a riesgo, sobre stock existente, sin ajuste de pronóstico. La entrada tardía es la causa dominante del stockout promocional.

🗂️Pronóstico categoría-luego-división›

Pronostica la demanda total de la categoría para el periodo promocional, luego divide entre SKUs. Esto captura la canibalización automáticamente — el SKU promovido gana participación dentro de un total de categoría aproximadamente conservado — en vez de tratar a cada SKU como si viviera solo.

📊Rastreo de FVA promocional›

Mantén un scorecard post-evento: lift planeado vs lift real, por mecánica y por categoría. Con el tiempo esto se convierte en la biblioteca de uplift y la base de evidencia de qué promociones vale la pena correr — y cuáles se sobre-pronostican repetidamente.

📚Bibliotecas de uplift por mecánica y estacionalidad›

Construye y mantén una biblioteca estructurada de lifts históricos indexada por mecánica, profundidad, categoría y temporada. Una nueva promoción se pronostica emparejándola con la biblioteca, no por la memoria del planeador de la última — convirtiendo el conocimiento institucional en un modelo reutilizable.

06What you would useQué se usa

📌 PROMOTIONAL / TRADE-PROMO FORECASTING

🟦SAP IBP + TPM / o9 — enterprise tier-1›

Promotional demand modeling integrated with trade-promotion management and the full S&OP plan, with baseline cleansing and lift decomposition. (SAP, o9 — vendor) The choice when promo planning must reconcile with financial and supply plans.

🟩RELEX / Blue Yonder — strong in grocery/retail›

Retail-native promotional forecasting with mature baseline cleansing, cannibalization, and store-level lift modeling. (RELEX, Blue Yonder — vendor) The fit when promotions are frequent, store-specific, and the replenishment loop is tight.

🟥Trade-promotion optimization specialists›

Dedicated TPO engines that model promotion ROI and lift at depth. (specialized TPO vendors — vendor) The vertical option for CPG manufacturers where trade spend is a top-three P&L line.

⬜For operations that don't need a platform›

A cleansed-baseline workbook plus a lift-multiplier table indexed by mechanic, with a manual cannibalization and dip adjustment. The decomposition discipline — separate base, separate lift — matters far more than the tool that holds it.

📌 PRONÓSTICO PROMOCIONAL / TRADE-PROMO

🟦SAP IBP + TPM / o9 — enterprise tier-1›

Modelado de demanda promocional integrado con gestión de trade-promotion y el plan S&OP completo, con limpieza de base y descomposición de lift. (SAP, o9 — vendor) La opción cuando la planeación promocional debe reconciliar con los planes financiero y de suministro.

🟩RELEX / Blue Yonder — fuertes en grocery/retail›

Pronóstico promocional retail-nativo con limpieza de base, canibalización y modelado de lift a nivel tienda maduros. (RELEX, Blue Yonder — vendor) El ajuste cuando las promociones son frecuentes, específicas por tienda, y el loop de reabasto es ajustado.

🟥Especialistas en optimización de trade-promotion›

Motores TPO dedicados que modelan ROI y lift de promociones a profundidad. (vendors TPO especializados — vendor) La opción vertical para fabricantes de consumo donde el trade spend es una línea top-tres del P&L.

⬜Para operaciones que no necesitan plataforma›

Un workbook de base limpia más una tabla de multiplicadores de lift indexada por mecánica, con un ajuste manual de canibalización y valle. La disciplina de descomposición — base aparte, lift aparte — importa mucho más que la herramienta que la sostiene.

The bottom lineEn corto

Operations that decompose baseline from lift price the promotion before they run it; operations that stack a flat percentage on a dirty baseline pay twice — stockout during the lift, markdown after it. The flat-percentage uplift is the most common promo forecast and the most expensive — it ignores the mechanic, the cannibalization, and the trough, then quietly poisons next quarter's baseline. A promotion you cannot forecast cleanly is a promotion you are running on faith.

Las operaciones que descomponen base de lift le ponen precio a la promoción antes de correrla; las que apilan un porcentaje plano sobre una base sucia pagan dos veces — stockout durante el lift, markdown después. El uplift de porcentaje plano es el pronóstico promocional más común y el más caro — ignora la mecánica, la canibalización y el valle, y luego envenena en silencio la base del próximo trimestre. Una promoción que no puedes pronosticar limpio es una promoción que corres por fe.

← PreviousAnteriorDemand sensing & real-time signal integrationDemand sensing e integración de señales en tiempo real NextSiguiente →NPI demand forecastingPronóstico de demanda en NPI

All D02 componentsTodos los componentes de D02 D02 artifactsArtifacts de D02 SCRA