01What it isQué es
Statistical forecasting projects future demand from a product's own history using time-series models — exponential smoothing (ETS), ARIMA, Croston for intermittent demand — and combinations of them, chosen to fit each SKU's pattern.
El pronóstico estadístico proyecta la demanda futura a partir del propio histórico del producto mediante modelos de series de tiempo —suavizamiento exponencial (ETS), ARIMA, Croston para demanda intermitente— y combinaciones de ellos, elegidos según el patrón de cada SKU.
02Why it mattersPor qué importa
These models still forecast the bulk of most portfolios, and they set the baseline any machine learning model must beat. A state space framework lets exponential smoothing models be selected automatically per series with sound statistical criteria (Hyndman, Koehler, Snyder and Grose, 2002 — International Journal of Forecasting). Getting model choice right by demand pattern is often worth more than adding complexity.
Estos modelos siguen pronosticando la mayor parte de casi cualquier portafolio y fijan la línea base que cualquier modelo de machine learning debe superar. Un marco de espacio de estados permite seleccionar automáticamente modelos de suavizamiento exponencial para cada serie con criterios estadísticos sólidos (Hyndman, Koehler, Snyder y Grose, 2002 — International Journal of Forecasting). Acertar en la elección del modelo según el patrón de demanda suele valer más que agregar complejidad.
03How it is doneCómo se hace
1
Classify demand patterns. Tag each SKU as trend-seasonal, smooth, intermittent or new before choosing any model.
2
Let models compete. Run ETS, ARIMA, Croston and simple ensembles on a holdout period and keep the winner per SKU.
3
Recalibrate on a cadence. Re-run the model selection quarterly so each SKU's model keeps pace with changes in its demand.
1
Clasificar los patrones de demanda. Etiquetar cada SKU como tendencia-estacional, estable, intermitente o nuevo antes de elegir cualquier modelo.
2
Poner a competir los modelos. Correr ETS, ARIMA, Croston y ensembles simples sobre un periodo de prueba y quedarse con el ganador por SKU.
3
Recalibrar con una cadencia fija. Repetir la selección de modelo cada trimestre para que el modelo de cada SKU siga el ritmo de los cambios en su demanda.
04The concept in depthEl concepto a fondo
Statistical forecasting foundations: the models every demand planner must master›
Before discussing AI and ML in forecasting, it is essential to master the classical statistical models that form the basis of professional forecasting — and that remain the reference models for most SKUs in most companies.
The most widely used statistical forecasting models›
ETS (Error, Trend, Seasonality): the most complete exponential smoothing model. Automatically manages the trend and seasonality of the time series. It is the reference model for SKUs with clear trend and seasonality patterns. ARIMA/SARIMA: the autoregressive integrated moving average model for time series. SARIMA adds the seasonal component. More flexible than ETS for complex-pattern series. Requires more expertise for parameter selection. Ensemble models: the combination of multiple models (ETS + ARIMA + regression) whose weighted average typically has better accuracy than any individual model. Standard practice in advanced forecasting.
Automatic selection of the best model by SKU›
Advanced forecasting platforms (SAP IBP, o9, Kinaxis) automatically select the best model for each SKU based on its historical series characteristics (trend presence, seasonality, irregular patterns) and the historical error of each model for that SKU. This automatic selection generates a more accurate forecast than a single model applied to all SKUs.
Intermediate vs. Advanced›
Intermediate: understands the assumptions and limitations of main statistical models (ETS, ARIMA); correctly interprets forecasting system outputs.
Advanced: selects and configures the correct model for each SKU category; implements the ensemble model; evaluates model accuracy with the correct KPIs.
Advanced: selects and configures the correct model for each SKU category; implements the ensemble model; evaluates model accuracy with the correct KPIs.
Fundamentos del pronóstico estadístico: los modelos que todo planeador de demanda debe dominar›
Antes de hablar de IA y ML en el pronóstico, es indispensable dominar los modelos estadísticos clásicos que forman la base del pronóstico profesional, y que siguen siendo los modelos de referencia para la mayoría de los SKUs en la mayoría de las empresas.
Los modelos de pronóstico estadístico más utilizados›
ETS (Error, Trend, Seasonality): el modelo de suavizamiento exponencial más completo. Maneja automáticamente la tendencia y la estacionalidad de la serie de tiempo. Es el modelo de referencia para SKUs con patrones claros de tendencia y estacionalidad. ARIMA/SARIMA: el modelo autorregresivo integrado de media móvil para series de tiempo. SARIMA agrega el componente estacional. Es más flexible que ETS para series con patrones complejos, pero requiere más experiencia para seleccionar sus parámetros. Modelos ensemble: la combinación de varios modelos (ETS + ARIMA + regresión) cuyo promedio ponderado suele tener mejor precisión que cualquier modelo individual. Es práctica estándar en el pronóstico avanzado.
Selección automática del mejor modelo por SKU›
Las plataformas avanzadas de pronóstico (SAP IBP, o9, Kinaxis) seleccionan automáticamente el mejor modelo para cada SKU según las características de su serie histórica (presencia de tendencia, estacionalidad, patrones irregulares) y el error histórico de cada modelo para ese SKU. Esta selección automática genera un pronóstico más preciso que un solo modelo aplicado a todos los SKUs.
Intermedio vs. Avanzado›
Intermedio: entiende los supuestos y limitaciones de los principales modelos estadísticos (ETS, ARIMA); interpreta correctamente los resultados del sistema de pronóstico.
Avanzado: selecciona y configura el modelo correcto para cada categoría de SKU; implementa el modelo ensemble; evalúa la precisión de los modelos con los KPIs correctos.
Avanzado: selecciona y configura el modelo correcto para cada categoría de SKU; implementa el modelo ensemble; evalúa la precisión de los modelos con los KPIs correctos.
05In practiceEn la práctica
The forecasting model must be selected based on the SKU historical series characteristics — not operational convenience›
Using the same model for all SKUs is convenient but suboptimal. Intermittent demand SKUs need the Croston method, not ETS.
The model ensemble has better accuracy than any individual model — use it for highest-value SKUs›
Combining 3–5 models into a weighted-average final forecast typically yields lower error than the best individual model — forecast combination is one of the most consistent findings in forecasting research. The additional computational cost is justified for highest-value SKUs.
Evaluate model accuracy with MAPE, WMAPE, and Bias — not just MAPE›
MAPE measures average error. WMAPE weights error by the financial value of each SKU (penalizes more for higher-value SKU errors). Bias measures whether the model systematically over- or underestimates.
Review and recalibrate forecasting model parameters quarterly›
Demand patterns change. A model calibrated 12 months ago may have significantly worse accuracy if the time series has changed its behavior.
El modelo de pronóstico debe elegirse según las características de la serie histórica del SKU, no por conveniencia operativa›
Usar el mismo modelo para todos los SKUs es cómodo, pero subóptimo. Los SKUs con demanda intermitente necesitan el método de Croston, no ETS.
El ensemble de modelos tiene mejor precisión que cualquier modelo individual: usarlo en los SKUs de mayor valor›
Combinar 3–5 modelos en un pronóstico final de promedio ponderado suele dar un error menor que el del mejor modelo individual; la combinación de pronósticos es uno de los hallazgos más consistentes de la investigación en pronósticos. El costo computacional adicional se justifica en los SKUs de mayor valor.
Evaluar la precisión del modelo con MAPE, WMAPE y sesgo, no solo con MAPE›
El MAPE mide el error promedio. El WMAPE pondera el error por el valor financiero de cada SKU (penaliza más los errores en SKUs de mayor valor). El sesgo (bias) mide si el modelo sobreestima o subestima de forma sistemática.
Revisar y recalibrar trimestralmente los parámetros de los modelos de pronóstico›
Los patrones de demanda cambian. Un modelo calibrado hace 12 meses puede tener una precisión significativamente peor si la serie de tiempo cambió su comportamiento.
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: Forecasting model selection — FMCG company, 3,800 active SKUs
The company uses a single ETS model for all SKUs. The team analyzes if differentiation by SKU type improves accuracy.
The company uses a single ETS model for all SKUs. The team analyzes if differentiation by SKU type improves accuracy.
| SKU type | Current model (single ETS) | Optimized model |
|---|---|---|
| SKUs with strong trend + seasonality (42% of portfolio) | MAPE: 18% with ETS | ETS: MAPE 14% (−22% error) — the correct model for this type |
| Intermittent demand SKUs (28% of portfolio) | MAPE: 38% with ETS | Croston method: MAPE 22% (−42% error) |
| SKUs with trend breaks and complex patterns (18% of portfolio) | MAPE: 26% with ETS | Ensemble (ETS+ARIMA+XGBoost): MAPE 16% (−38% error) |
| New SKUs without history (<6 months, 12% of portfolio) | MAPE: 48% — insufficient history for ETS | Analogy + expert judgment: MAPE 28% (−42% error) |
Result: Global company MAPE: 24% → 18% (−25%) with model differentiation by SKU type. Biggest improvement: intermittent demand SKUs — representing 28% of the portfolio but being modeled with ETS designed for continuous demand.
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: Selección de modelos de pronóstico — empresa de consumo masivo, 3,800 SKUs activos
La empresa usa un solo modelo ETS para todos los SKUs. El equipo analiza si diferenciar por tipo de SKU mejora la precisión.
La empresa usa un solo modelo ETS para todos los SKUs. El equipo analiza si diferenciar por tipo de SKU mejora la precisión.
| Tipo de SKU | Modelo actual (ETS único) | Modelo optimizado |
|---|---|---|
| SKUs con tendencia + estacionalidad marcadas (42% del portafolio) | MAPE: 18% con ETS | ETS: MAPE de 14% (−22% de error) — el modelo correcto para este tipo |
| SKUs con demanda intermitente (28% del portafolio) | MAPE: 38% con ETS | Método de Croston: MAPE de 22% (−42% de error) |
| SKUs con quiebres de tendencia y patrones complejos (18% del portafolio) | MAPE: 26% con ETS | Ensemble (ETS+ARIMA+XGBoost): MAPE de 16% (−38% de error) |
| SKUs nuevos sin historia (<6 meses, 12% del portafolio) | MAPE: 48% — historia insuficiente para ETS | Analogía + juicio experto: MAPE de 28% (−42% de error) |
Resultado: MAPE global de la empresa: 24% → 18% (−25%) al diferenciar el modelo por tipo de SKU. La mayor mejora: los SKUs de demanda intermitente, que representan 28% del portafolio pero se modelaban con ETS, diseñado para demanda continua.
07How it is measuredCómo se mide
MAPE by SKU Category (forecast error by SKU category)›
MAPE by SKU Category (forecast error by SKU category)
MAPE of forecast for each SKU category (trend+seasonality, intermittent, new, mature)
Benchmark: <15% MAPE for high-turnover SKUs with clear patterns · <30% for intermittent demand SKUs
⚠️ A global MAPE that mixes all SKU categories can hide that intermittent demand SKUs have a systematically high forecast error that is not being addressed.
Model Selection Accuracy % (% of SKUs with optimal model assigned)›
Model Selection Accuracy % (% of SKUs with optimal model assigned)
(SKUs with the model generating the lowest historical MAPE / Total SKUs with an assigned model) × 100
Benchmark: >80% of SKUs with the optimal model assigned in systems with automatic model selection
🔑 Automatic optimal model selection by SKU is the highest-value feature in advanced forecasting platforms. A system with automatic selection typically achieves a materially lower MAPE than a system with a single model for all SKUs.
MAPE por categoría de SKU (error de pronóstico por categoría de SKU)›
MAPE por categoría de SKU (error de pronóstico por categoría de SKU)
MAPE del pronóstico para cada categoría de SKU (tendencia+estacionalidad, intermitente, nuevo, maduro)
Benchmark: <15% de MAPE para SKUs de alta rotación con patrones claros · <30% para SKUs de demanda intermitente
⚠️ Un MAPE global que mezcla todas las categorías de SKU puede ocultar que los SKUs de demanda intermitente tienen un error de pronóstico sistemáticamente alto que no se está atendiendo.
Precisión en la selección de modelo % (% de SKUs con el modelo óptimo asignado)›
Precisión en la selección de modelo % (% de SKUs con el modelo óptimo asignado)
(SKUs con el modelo que genera el menor MAPE histórico / Total de SKUs con modelo asignado) × 100
Benchmark: >80% de los SKUs con el modelo óptimo asignado en sistemas con selección automática de modelo
🔑 La selección automática del modelo óptimo por SKU es la funcionalidad de mayor valor en las plataformas avanzadas de pronóstico. Un sistema con selección automática suele lograr un MAPE sensiblemente menor que un sistema con un solo modelo para todos los SKUs.
08What you would useQué se usa
📌 Forecasting Platforms
SAP IBP — Statistical Forecasting›
Module: ETS + ARIMA + Ensemble Forecasting in SAP IBP
SAP IBP automatically generates statistical forecasts for all SKUs using automatic best-model selection.
SAP IBP automatically generates statistical forecasts for all SKUs using automatic best-model selection.
Kinaxis Maestro / o9 Solutions›
Module: Advanced Statistical Forecasting + ML Models
Advanced forecasting platforms with automatic model selection, ensemble, and integrated ML capabilities.
Advanced forecasting platforms with automatic model selection, ensemble, and integrated ML capabilities.
📌 Plataformas de pronóstico
SAP IBP — Statistical Forecasting›
Módulo: ETS + ARIMA + Ensemble Forecasting in SAP IBP
SAP IBP genera automáticamente pronósticos estadísticos para todos los SKUs mediante la selección automática del mejor modelo.
SAP IBP genera automáticamente pronósticos estadísticos para todos los SKUs mediante la selección automática del mejor modelo.
Kinaxis Maestro / o9 Solutions›
Módulo: Advanced Statistical Forecasting + ML Models
Plataformas avanzadas de pronóstico con selección automática de modelo, ensemble y capacidades de ML integradas.
Plataformas avanzadas de pronóstico con selección automática de modelo, ensemble y capacidades de ML integradas.
The bottom lineEn corto
Match the model to the demand pattern of each SKU; one model for everything is convenient and costly.
Ajustar el modelo al patrón de demanda de cada SKU; un solo modelo para todo es cómodo, pero caro.
← PreviousAnteriorCompetitive intelligence & market share dynamics in demand planningInteligencia competitiva y dinámica de market share en planeación de demandaNextSiguiente →Machine learning forecasting: XGBoost, neural networks & gradient boostingPronóstico con ML: XGBoost, redes neuronales y gradient boosting
All D10 componentsTodos los componentes de D10D10 artifactsArtifacts de D10SCRA