01What it isQué es
Demand sensing uses near-real-time downstream signals — point-of-sale data, e-commerce activity, weather, events — to correct the short-term forecast (days to two weeks out) before those signals show up as customer orders.
El demand sensing (detección de demanda) usa señales aguas abajo casi en tiempo real —datos de punto de venta, actividad de e-commerce, clima, eventos— para corregir el pronóstico de corto plazo (de días a dos semanas) antes de que esas señales aparezcan como pedidos del cliente.
02Why it mattersPor qué importa
Orders are a delayed, distorted copy of consumer demand: every link that batches and buffers them amplifies variability upstream. Sharing point-of-sale information is one of the core remedies for that distortion (Lee, Padmanabhan and Whang, 1997 — Management Science). The earlier the real signal reaches the planner, the less safety stock is needed to cover the guess.
Los pedidos son una copia tardía y distorsionada de la demanda del consumidor: cada eslabón que los agrupa y amortigua amplifica la variabilidad aguas arriba. Compartir la información de punto de venta es uno de los remedios centrales contra esa distorsión (Lee, Padmanabhan y Whang, 1997 — Management Science). Mientras antes llegue la señal real al planeador, menos inventario de seguridad se necesita para cubrir la suposición.
03How it is doneCómo se hace
1
Map the signals. List the downstream sources available per category — retailer POS, e-commerce, weather, events — and how quickly each one arrives.
2
Test their predictive power. Keep only signals that reduce 1–14 day forecast error out of sample; drop the ones that only add noise.
3
Wire signal to action. Set rules that automatically adjust short-term replenishment when a signal deviates beyond a threshold, within 24 hours.
1
Mapear las señales. Listar las fuentes aguas abajo disponibles por categoría —POS del retailer, e-commerce, clima, eventos— y qué tan rápido llega cada una.
2
Probar su poder predictivo. Conservar solo las señales que reducen el error de pronóstico a 1–14 días fuera de muestra y descartar las que solo agregan ruido.
3
Conectar señal con acción. Definir reglas que ajusten automáticamente el reabastecimiento de corto plazo cuando una señal se desvía más allá de un umbral, en menos de 24 horas.
04The concept in depthEl concepto a fondo
Demand sensing: reading real demand before it arrives as an order›
Demand sensing is the ability to capture demand signals in real time — from point-of-sale systems, IoT sensors, web traffic, and social media data — to adjust the short-term forecast (1–14 days) well before formal customer orders arrive in the system. Unlike traditional statistical forecasting (which looks backward), demand sensing looks at the present: what is happening in the market right now?
Demand sensing signal sources›
(1) Real-time POS: sales at each point of sale, updated daily or even hourly. The most direct signal of what the end consumer is actually buying. (2) E-commerce clickstream: customer search and browsing behavior on digital platforms — product searches before they convert to purchases. (3) IoT and field sensors: level sensors in industrial customer tanks, sensors in smart retailer fridges. (4) Social media and Google Trends data: product mentions, search volumes, viral trends. (5) Weather and event data: weather, sporting events, and holidays have a predictable impact on demand in certain categories.
The value of demand sensing vs. statistical forecasting›
Traditional statistical forecasting generates the demand plan 4–12 weeks ahead based on historical data. Demand sensing adjusts that plan 1–14 days ahead based on current market signals. Companies that integrate downstream signals typically report a meaningful reduction in short-term forecast error versus statistical forecasting alone — translating directly into lower safety stock and lower last-mile inefficiency costs.
Intermediate vs. Advanced›
Intermediate: collects and consolidates available demand signals (POS, customer sell-out, web data) for manual short-term forecast adjustment.
Advanced: designs the demand sensing architecture with the correct sources for the category; implements ML models that integrate real-time signals; quantifies the impact of demand sensing on forecast error and inventory levels.
Advanced: designs the demand sensing architecture with the correct sources for the category; implements ML models that integrate real-time signals; quantifies the impact of demand sensing on forecast error and inventory levels.
Demand sensing: leer la demanda real antes de que llegue como pedido›
El demand sensing (detección de demanda) es la capacidad de capturar señales de demanda en tiempo real —de sistemas de punto de venta, sensores IoT, tráfico web y redes sociales— para ajustar el pronóstico de corto plazo (1–14 días) mucho antes de que los pedidos formales del cliente lleguen al sistema. A diferencia del pronóstico estadístico tradicional (que mira hacia atrás), el demand sensing mira el presente: ¿qué está pasando en el mercado ahora mismo?
Fuentes de señal para demand sensing›
(1) POS en tiempo real: ventas en cada punto de venta, actualizadas a diario o incluso por hora; es la señal más directa de lo que el consumidor final realmente compra. (2) Clickstream de e-commerce: comportamiento de búsqueda y navegación en plataformas digitales —las búsquedas de producto antes de convertirse en compra. (3) IoT y sensores en campo: sensores de nivel en tanques de clientes industriales, sensores en refrigeradores inteligentes de minoristas. (4) Redes sociales y Google Trends: menciones del producto, volúmenes de búsqueda, tendencias virales. (5) Clima y eventos: el clima, los eventos deportivos y los días festivos tienen un impacto predecible en la demanda de ciertas categorías.
El valor del demand sensing frente al pronóstico estadístico›
El pronóstico estadístico tradicional genera el plan de demanda con 4–12 semanas de anticipación a partir de datos históricos. El demand sensing ajusta ese plan con 1–14 días de anticipación a partir de señales actuales del mercado. Las empresas que integran señales de demanda aguas abajo suelen reportar una reducción relevante del error de pronóstico de corto plazo frente al pronóstico estadístico por sí solo, lo que se traduce directamente en menor inventario de seguridad y menores costos por ineficiencias en la última milla.
Intermedio vs. Avanzado›
Intermedio: recopila y consolida las señales de demanda disponibles (POS, sell-out del cliente, datos web) para ajustar manualmente el pronóstico de corto plazo.
Avanzado: diseña la arquitectura de demand sensing con las fuentes correctas para la categoría; implementa modelos de ML que integran señales en tiempo real; cuantifica el impacto del demand sensing en el error de pronóstico y en los niveles de inventario.
Avanzado: diseña la arquitectura de demand sensing con las fuentes correctas para la categoría; implementa modelos de ML que integran señales en tiempo real; cuantifica el impacto del demand sensing en el error de pronóstico y en los niveles de inventario.
05In practiceEn la práctica
Daily retailer POS is the highest-value demand sensing signal for FMCG›
Actual point-of-sale data is the most direct signal of what the end consumer is buying — and arrives 1–3 weeks before the retailer's replenishment order reaches the supplier. Access to retailer POS is the most valuable demand sensing asset an FMCG supplier can negotiate.
Weather data has a quantifiable impact on demand for many categories — model it explicitly›
In Mexico, extreme heat has a direct and quantifiable correlation with beverage, ice cream, and air conditioning product sales. This correlation must be in the demand sensing model as an explicit explanatory variable.
Demand sensing complements statistical forecasting — it does not replace it›
Statistical forecasting 4–12 weeks ahead is needed for production and inventory planning. Demand sensing 1–14 days ahead is needed to adjust the short-term replenishment plan. The two models operate in different horizons and complement each other.
Negotiate access to major retailer POS as part of the commercial agreement›
The reduction in forecast error (and therefore safety stock) generated by retailer POS has a quantifiable financial value for the supplier that can be used as a negotiation argument for data access.
El POS diario del retailer es la señal de demand sensing de mayor valor en consumo masivo (FMCG)›
El dato real de punto de venta es la señal más directa de lo que compra el consumidor final, y llega 1–3 semanas antes de que el pedido de reabastecimiento del retailer llegue al proveedor. El acceso al POS del retailer es el activo de demand sensing más valioso que un proveedor de consumo masivo puede negociar.
El clima tiene un impacto cuantificable en la demanda de muchas categorías: hay que modelarlo explícitamente›
En México, el calor extremo tiene una correlación directa y cuantificable con las ventas de bebidas, helados y equipos de aire acondicionado. Esa correlación debe estar en el modelo de demand sensing como variable explicativa explícita.
El demand sensing complementa al pronóstico estadístico, no lo reemplaza›
El pronóstico estadístico a 4–12 semanas se necesita para planear producción e inventario. El demand sensing a 1–14 días se necesita para ajustar el plan de reabastecimiento de corto plazo. Ambos modelos operan en horizontes distintos y se complementan.
Negociar el acceso al POS de los grandes retailers como parte del acuerdo comercial›
La reducción del error de pronóstico (y, por lo tanto, del inventario de seguridad) que genera el POS del retailer tiene un valor financiero cuantificable para el proveedor, que puede usarse como argumento de negociación para acceder a los datos.
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: Demand sensing for FMCG — beverage company, summer launch
The company has a weekly statistical forecast. Demand sensing is implemented for the peak summer period.
The company has a weekly statistical forecast. Demand sensing is implemented for the peak summer period.
| Demand sensing signal | Update frequency | Plan action |
|---|---|---|
| Daily POS from 3,200 stores (actual sell-out vs. forecast) | Daily · Direct EDI/API integration with the retailer | Automatic replenishment plan adjustment for SKUs with >15% deviation vs. forecast |
| Google Trends + product name searches in the region | Weekly · Google Trends API | Week 3: unexpected search spike in CDMX → +22% added to week 4 forecast |
| Weather data (projected temperature >32°C) | Daily · Weather API | Historical correlation: each day with T>32°C in CDMX = +8% sales of main SKU |
Result: Short-term forecast error reduction (1–7 days): from 28% MAPE to 14% MAPE (−50%). Summer peak stockout reduction: from 6.2% to 1.8%. Highest-impact data: daily retailer POS — which showed real demand exceeding forecast by 18% from week 1, enabling adjustment before the stockout.
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: Demand sensing en consumo masivo — empresa de bebidas, lanzamiento de verano
La empresa tiene un pronóstico estadístico semanal. Se implementa demand sensing para el pico de la temporada de verano.
La empresa tiene un pronóstico estadístico semanal. Se implementa demand sensing para el pico de la temporada de verano.
| Señal de demand sensing | Frecuencia de actualización | Acción en el plan |
|---|---|---|
| POS diario de 3,200 tiendas (sell-out real vs. pronóstico) | Diaria · Integración directa EDI/API con el retailer | Ajuste automático del plan de reabastecimiento para SKUs con desviación >15% vs. pronóstico |
| Google Trends + búsquedas del nombre del producto en la región | Semanal · API de Google Trends | Semana 3: pico inesperado de búsquedas en CDMX → +22% al pronóstico de la semana 4 |
| Datos de clima (temperatura proyectada >32 °C) | Diaria · API de clima | Correlación histórica: cada día con T>32 °C en CDMX = +8% de ventas del SKU principal |
Resultado: Reducción del error de pronóstico de corto plazo (1–7 días): de 28% a 14% de MAPE (−50%). Reducción de quiebres de inventario en el pico de verano: de 6.2% a 1.8%. El dato de mayor impacto fue el POS diario del retailer, que mostró desde la semana 1 una demanda real 18% superior al pronóstico y permitió ajustar antes del quiebre de inventario.
07How it is measuredCómo se mide
Short-Term Forecast Error % (1–7 day MAPE with demand sensing)›
Short-Term Forecast Error % (1–7 day MAPE with demand sensing)
MAPE of the demand-sensing-adjusted forecast for the 1–7 day horizon
Benchmark: <12% MAPE for mature demand sensing operations in FMCG · <18% for categories with high seasonal variability
⚠️ A short-term MAPE >25% with demand sensing indicates signals are not being integrated correctly — or available signals are insufficiently predictive for the category.
Signal-to-Action Latency (hours from signal capture to plan adjustment)›
Signal-to-Action Latency (hours from signal capture to plan adjustment)
Average hours from when the demand sensing data is available to when the replenishment plan is adjusted
Benchmark: <24 hours for automated demand sensing · <4 hours for real-time demand sensing with automatic adjustment
🔑 High signal-to-action latency (more than 48 hours) negates the benefit of demand sensing — a signal captured today that is processed in 3 days arrives too late to prevent tomorrow's stockout.
Error de pronóstico de corto plazo % (MAPE a 1–7 días con demand sensing)›
Error de pronóstico de corto plazo % (MAPE a 1–7 días con demand sensing)
MAPE del pronóstico ajustado con demand sensing para el horizonte de 1–7 días
Benchmark: <12% de MAPE en operaciones maduras de demand sensing en consumo masivo · <18% en categorías con alta variabilidad estacional
⚠️ Un MAPE de corto plazo >25% con demand sensing indica que las señales no se están integrando correctamente, o que las señales disponibles no son suficientemente predictivas para la categoría.
Latencia señal-acción (horas desde la captura de la señal hasta el ajuste del plan)›
Latencia señal-acción (horas desde la captura de la señal hasta el ajuste del plan)
Horas promedio desde que el dato de demand sensing está disponible hasta que se ajusta el plan de reabastecimiento
Benchmark: <24 horas para demand sensing automatizado · <4 horas para demand sensing en tiempo real con ajuste automático
🔑 Una latencia señal-acción alta (más de 48 horas) anula el beneficio del demand sensing: una señal capturada hoy que se procesa en 3 días llega tarde para evitar el quiebre de inventario de mañana.
08What you would useQué se usa
📌 Demand Sensing
o9 Solutions / Kinaxis Maestro›
Module: Real-Time Demand Sensing + Signal Integration
Reference demand sensing platforms. o9 Solutions offers a broad external-signal architecture (POS, weather, social, IoT).
Reference demand sensing platforms. o9 Solutions offers a broad external-signal architecture (POS, weather, social, IoT).
SAP Integrated Business Planning (IBP)›
Module: SAP IBP Demand Sensing Module
The SAP IBP demand sensing module integrates retailer POS with the statistical forecast model for automatic short-term plan adjustment.
The SAP IBP demand sensing module integrates retailer POS with the statistical forecast model for automatic short-term plan adjustment.
📌 Demand Sensing
o9 Solutions / Kinaxis Maestro›
Módulo: Real-Time Demand Sensing + Signal Integration
Plataformas de referencia para demand sensing. o9 Solutions ofrece una arquitectura amplia de señales externas (POS, clima, redes sociales, IoT).
Plataformas de referencia para demand sensing. o9 Solutions ofrece una arquitectura amplia de señales externas (POS, clima, redes sociales, IoT).
SAP Integrated Business Planning (IBP)›
Módulo: SAP IBP Demand Sensing Module
El módulo de demand sensing de SAP IBP integra el POS del retailer con el modelo de pronóstico estadístico para ajustar automáticamente el plan de corto plazo.
El módulo de demand sensing de SAP IBP integra el POS del retailer con el modelo de pronóstico estadístico para ajustar automáticamente el plan de corto plazo.
The bottom lineEn corto
The fastest way to a better short-term forecast is to look at what consumers bought yesterday, not at what the model predicted last month.
La forma más rápida de mejorar el pronóstico de corto plazo es ver lo que los consumidores compraron ayer, no lo que el modelo predijo el mes pasado.
All D10 componentsTodos los componentes de D10D10 artifactsArtifacts de D10SCRA