01What it isQué es
Customer demand pattern analysis segments customers by how they buy — order frequency, size variability, seasonality and channel — and assigns each segment the forecasting method and service policy that fits its behavior.
El análisis de patrones de demanda del cliente segmenta a los clientes según cómo compran — frecuencia de pedido, variabilidad del tamaño, estacionalidad y canal — y asigna a cada segmento el método de pronóstico y la política de servicio que corresponden a su comportamiento.
02Why it mattersPor qué importa
Revenue (ABC) tells you who matters; demand pattern tells you how to forecast them, and applying one model to every customer guarantees large errors in the irregular tail. The standard demand categorization uses order interval and size variability to decide when Croston-type methods outperform conventional smoothing (Syntetos, Boylan and Croston, 2005 — Journal of the Operational Research Society).
El ingreso (ABC) indica quién importa; el patrón de demanda indica cómo pronosticarlo, y aplicar un mismo modelo a todos los clientes garantiza errores grandes en la cola irregular. La categorización de demanda de referencia usa el intervalo entre pedidos y la variabilidad del tamaño para decidir cuándo los métodos tipo Croston superan al suavizamiento convencional (Syntetos, Boylan y Croston, 2005 — Journal of the Operational Research Society).
03How it is doneCómo se hace
1
Profile every customer. Compute order frequency, ADI, CV², seasonality and channel mix from at least 24 months of order history.
2
Cluster and assign methods. Group customers into smooth, seasonal, intermittent and lumpy segments, each with its own forecast model and review frequency.
3
Watch for pattern shifts. Re-run the segmentation monthly and move customers whose buying pattern has changed.
1
Perfila a cada cliente. Calcula frecuencia de pedido, ADI, CV², estacionalidad y mezcla de canales con al menos 24 meses de historial de pedidos.
2
Agrupa y asigna métodos. Agrupa a los clientes en segmentos estables, estacionales, intermitentes y erráticos, cada uno con su modelo de pronóstico y frecuencia de revisión.
3
Vigila los cambios de patrón. Repite la segmentación cada mes y reasigna a los clientes cuyo patrón de compra cambió.
04The concept in depthEl concepto a fondo
Customer demand pattern analysis: from SKU to customer behavior›
Supply chain demand is not just a number of SKUs per period — it is the result of millions of individual customers making purchase decisions. Customer demand pattern analysis connects the SKU forecast with customer behavior — identifying customer segments with distinct demand patterns and using those patterns to improve the forecast.
The most relevant customer demand patterns for the forecast›
(1) Purchase frequency: how often does the customer buy? A decrease in active customer purchase frequency is the earliest warning signal of a demand change. (2) Average ticket: is it growing or falling? A falling ticket may indicate trading down or channel shift. (3) SKU mix: is the customer migrating toward premium or value? (4) Purchase channel: is the customer migrating from physical to digital? Channel shift has implications for channel-level forecasting.
Demand segmentation by customer behavior›
Customer behavior clusters (identified with K-means or similar algorithms) allow designing differentiated forecasting strategies by segment: customers who buy monthly have a different demand pattern than those who buy weekly, and both groups need different replenishment models.
Intermediate vs. Advanced›
Intermediate: analyzes purchase patterns of assigned customers and reports trends relevant to the forecast.
Advanced: designs the customer demand pattern analysis framework; implements clustering models; connects customer behavior analysis to the forecast process.
Advanced: designs the customer demand pattern analysis framework; implements clustering models; connects customer behavior analysis to the forecast process.
Análisis de patrones de demanda del cliente: del SKU al comportamiento del cliente›
La demanda de la cadena de suministro no es solo un número de SKU por periodo — es el resultado de millones de clientes individuales que toman decisiones de compra. El análisis de patrones de demanda del cliente conecta el pronóstico por SKU con el comportamiento del cliente: identifica segmentos de clientes con patrones de demanda distintos y usa esos patrones para mejorar el pronóstico.
Los patrones de demanda del cliente más relevantes para el pronóstico›
(1) Frecuencia de compra: ¿cada cuánto compra el cliente? Una caída en la frecuencia de compra de los clientes activos es la señal de alerta más temprana de un cambio en la demanda. (2) Ticket promedio: ¿crece o cae? Un ticket a la baja puede indicar trading down o cambio de canal. (3) Mezcla de SKU: ¿el cliente migra hacia premium o hacia valor? (4) Canal de compra: ¿el cliente migra de lo físico a lo digital? El cambio de canal tiene implicaciones para el pronóstico por canal.
Segmentación de la demanda por comportamiento del cliente›
Los clústeres de comportamiento del cliente (identificados con K-means o algoritmos similares) permiten diseñar estrategias de pronóstico diferenciadas por segmento: los clientes que compran mensualmente tienen un patrón de demanda distinto al de quienes compran cada semana, y ambos grupos necesitan modelos de reabastecimiento diferentes.
Intermedio vs. Avanzado›
Intermedio: analiza los patrones de compra de los clientes asignados y reporta las tendencias relevantes para el pronóstico.
Avanzado: diseña el marco de análisis de patrones de demanda del cliente; implementa modelos de clustering; conecta el análisis del comportamiento del cliente con el proceso de pronóstico.
Avanzado: diseña el marco de análisis de patrones de demanda del cliente; implementa modelos de clustering; conecta el análisis del comportamiento del cliente con el proceso de pronóstico.
05In practiceEn la práctica
Segment the customer portfolio by demand pattern — not just by revenue (ABC)›
ABC revenue classification tells how much a customer is worth. Demand pattern analysis tells how their purchase behavior works. Both together determine the correct forecasting strategy for each segment.
Demand variability (CV²) and the average interval between orders (ADI) per customer are the first indicators for choosing the forecasting method›
The Syntetos–Boylan classification uses the average inter-demand interval (ADI, cut-off 1.32) and the squared coefficient of variation of demand size (CV², cut-off 0.49): smooth demand suits standard statistical models, while intermittent and lumpy demand calls for Croston-type methods (e.g., SBA). Calculate both before assigning a model to each customer.
Connect customer demand pattern analysis to the customer service segmentation process›
Customers with intermittent demand frequently require a different customer service strategy (higher safety stock, more flexible lead times) in addition to a different forecasting strategy.
Monitor customer demand pattern changes monthly›
A customer who changes their purchase pattern from monthly to quarterly (or vice versa) needs an updated forecasting strategy. Without pattern monitoring, the statistical model adapts slowly — generating forecast errors during the transition period.
Segmentar la cartera de clientes por patrón de demanda — no solo por ingreso (ABC)›
La clasificación ABC por ingreso dice cuánto vale un cliente. El análisis de patrones de demanda dice cómo funciona su comportamiento de compra. Juntos determinan la estrategia de pronóstico correcta para cada segmento.
La variabilidad de la demanda (CV²) y el intervalo promedio entre pedidos (ADI) por cliente son los primeros indicadores para elegir el método de pronóstico›
La clasificación de Syntetos–Boylan usa el intervalo promedio entre demandas (ADI, punto de corte 1.32) y el coeficiente de variación al cuadrado del tamaño de la demanda (CV², punto de corte 0.49): la demanda estable se ajusta a modelos estadísticos estándar, mientras que la demanda intermitente y errática requiere métodos tipo Croston (p. ej., SBA). Calcula ambos antes de asignar un modelo a cada cliente.
Conectar el análisis de patrones de demanda con el proceso de segmentación del servicio al cliente›
Los clientes con demanda intermitente con frecuencia requieren una estrategia de servicio distinta (mayor inventario de seguridad, lead times más flexibles), además de una estrategia de pronóstico diferente.
Monitorear cada mes los cambios en los patrones de demanda de los clientes›
Un cliente que cambia su patrón de compra de mensual a trimestral (o al revés) necesita una estrategia de pronóstico actualizada. Sin monitoreo de patrones, el modelo estadístico se adapta lentamente y genera errores de pronóstico durante la transición.
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: Customer demand pattern analysis — B2B distribution company, 1,800 active customers
The team analyzes demand patterns by customer segment to improve the forecast.
The team analyzes demand patterns by customer segment to improve the forecast.
| Customer segment by demand pattern | % of active customers | Forecasting strategy |
|---|---|---|
| Regular customers (stable monthly purchase, CV <0.3) | 42% of customers · 68% of revenue | ETS statistical forecast · Monthly review · Low safety stock |
| Seasonal customers (clear seasonality pattern, CV 0.3–0.7) | 28% of customers · 22% of revenue | ETS + seasonality · Events calendar · Seasonally adjusted SS |
| Intermittent customers (irregular purchase, CV >0.7) | 30% of customers · 10% of revenue | Croston + expert judgment · Weekly review · High SS |
Result: Demand pattern analysis by segment revealed that 30% of customers (intermittent) were being modeled with the same ETS model as regular customers — generating 38% MAPE for that segment vs. 12% for regular customers. Migration to Croston for intermittent customers: MAPE 38% → 22% (−42% error) in that segment.
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: Análisis de patrones de demanda del cliente — empresa de distribución B2B, 1,800 clientes activos
El equipo analiza los patrones de demanda por segmento de clientes para mejorar el pronóstico.
El equipo analiza los patrones de demanda por segmento de clientes para mejorar el pronóstico.
| Segmento de clientes por patrón de demanda | % de clientes activos | Estrategia de pronóstico |
|---|---|---|
| Clientes regulares (compra mensual estable, CV <0.3) | 42% de los clientes · 68% del ingreso | Pronóstico estadístico ETS · Revisión mensual · Inventario de seguridad bajo |
| Clientes estacionales (patrón de estacionalidad claro, CV 0.3–0.7) | 28% de los clientes · 22% del ingreso | ETS + estacionalidad · Calendario de eventos · SS ajustado por temporada |
| Clientes intermitentes (compra irregular, CV >0.7) | 30% de los clientes · 10% del ingreso | Croston + juicio experto · Revisión semanal · SS alto |
Resultado: El análisis por segmento reveló que el 30% de los clientes (intermitentes) se modelaba con el mismo ETS que los clientes regulares — lo que generaba 38% de MAPE en ese segmento vs. 12% en los regulares. Migración a Croston para los clientes intermitentes: MAPE 38% → 22% (−42% de error) en ese segmento.
07How it is measuredCómo se mide
Customer Demand Pattern Stability %›
Customer Demand Pattern Stability %
(Customers with stable demand CV (<20% year-over-year change) / Total active customers) × 100
Benchmark: >60% of the customer base with stable demand patterns · <50% indicates demand being impacted by behavioral or competitive changes
⚠️ A customer base with increasingly unstable demand patterns requires more dynamic forecast models and a more active demand sensing process.
Customer Segment Forecast Accuracy (MAPE by customer segment)›
Customer Segment Forecast Accuracy (MAPE by customer segment)
MAPE of forecast by customer segment (regular, seasonal, intermittent)
Benchmark: <15% MAPE for regular customers · <25% for seasonal customers · <35% for intermittent customers
🔑 MAPE by customer segment reveals whether the differentiated forecasting strategy by segment is working. Similar MAPE across all segments may indicate the same strategy is applied to all — incorrect for segments with very different demand patterns.
Customer Demand Pattern Stability % (estabilidad del patrón de demanda del cliente)›
Customer Demand Pattern Stability % (estabilidad del patrón de demanda del cliente)
(Clientes con CV de demanda estable (<20% de cambio año contra año) / Total de clientes activos) × 100
Benchmark: >60% de la base de clientes con patrones de demanda estables · <50% indica que la demanda está siendo afectada por cambios de comportamiento o competitivos
⚠️ Una base de clientes con patrones de demanda cada vez más inestables requiere modelos de pronóstico más dinámicos y un proceso de demand sensing más activo.
Customer Segment Forecast Accuracy (MAPE por segmento de clientes)›
Customer Segment Forecast Accuracy (MAPE por segmento de clientes)
MAPE del pronóstico por segmento de clientes (regulares, estacionales, intermitentes)
Benchmark: <15% de MAPE en clientes regulares · <25% en estacionales · <35% en intermitentes
🔑 El MAPE por segmento revela si la estrategia de pronóstico diferenciada está funcionando. Un MAPE similar en todos los segmentos puede indicar que se aplica la misma estrategia a todos — lo cual es incorrecto para segmentos con patrones de demanda muy distintos.
08What you would useQué se usa
📌 Customer Analytics
Python — K-means / DBSCAN›
Module: Customer Demand Pattern Clustering
Clustering algorithms in Python for customer segmentation by demand pattern (frequency, variability, seasonality).
Clustering algorithms in Python for customer segmentation by demand pattern (frequency, variability, seasonality).
Salesforce Analytics / Tableau›
Module: Customer Demand Behavior Analytics
Analytics platforms for customer purchase pattern analysis with CRM and order history connection.
Analytics platforms for customer purchase pattern analysis with CRM and order history connection.
📌 Analítica de clientes
Python — K-means / DBSCAN›
Módulo: Clustering de patrones de demanda del cliente
Algoritmos de clustering en Python para segmentar clientes por patrón de demanda (frecuencia, variabilidad, estacionalidad).
Algoritmos de clustering en Python para segmentar clientes por patrón de demanda (frecuencia, variabilidad, estacionalidad).
Salesforce Analytics / Tableau›
Módulo: Analítica del comportamiento de demanda del cliente
Plataformas de analítica para estudiar los patrones de compra de los clientes, conectadas al CRM y al historial de pedidos.
Plataformas de analítica para estudiar los patrones de compra de los clientes, conectadas al CRM y al historial de pedidos.
The bottom lineEn corto
Forecast customers the way they actually buy — one model for everyone fits no one.
Pronostica a cada cliente según cómo compra realmente — un solo modelo para todos no le queda a nadie.
← PreviousAnteriorDemand planning KPI framework & continuous improvementMarco de KPIs de planeación de demanda y mejora continuaNextSiguiente →Demand forecasting for customer OTIF & service level commitmentsPronóstico de demanda para compromisos de OTIF y nivel de servicio al cliente
All D10 componentsTodos los componentes de D10D10 artifactsArtifacts de D10SCRA