01What it isQué es
Demand sensing refines the short-term forecast (roughly 1–14 days) with the freshest signals available — POS, open orders, customer inventory, weather — usually through machine learning models that update daily or faster, on top of the medium-term demand plan.
El demand sensing (detección de demanda) afina el pronóstico de corto plazo (aproximadamente 1–14 días) con las señales más recientes disponibles —POS, órdenes abiertas, inventario del cliente, clima—, normalmente mediante modelos de machine learning que se actualizan a diario o con mayor frecuencia, sobre el plan de demanda de mediano plazo.
02Why it mattersPor qué importa
Emergency orders and inflated safety stock are the bill for short-horizon forecast error. In the M5 competition, machine learning methods — notably LightGBM using external and hierarchical information — outperformed traditional statistical benchmarks on retail SKU-level forecasts (Makridakis, Spiliotis and Assimakopoulos, 2022 — International Journal of Forecasting); the gain only appears when the input data is clean and the model is measured against a simple baseline.
Los pedidos de emergencia y el inventario de seguridad inflado son la factura del error de pronóstico de corto horizonte. En la competencia M5, los métodos de machine learning —en particular LightGBM con información externa y jerárquica— superaron a los referentes estadísticos tradicionales en pronósticos de retail a nivel SKU (Makridakis, Spiliotis y Assimakopoulos, 2022 — International Journal of Forecasting); la ganancia solo aparece cuando los datos de entrada están limpios y el modelo se mide contra una línea base sencilla.
03How it is doneCómo se hace
1
Clean the signals first. Raise POS and order-data coverage and quality before choosing an algorithm.
2
Benchmark against a baseline. Run the ML model next to the current statistical forecast and a naive forecast, and keep it only where it wins on 7-day MAPE.
3
Wire it into execution. Feed the sensed forecast into replenishment and production scheduling so it cuts emergency orders, not just error charts.
1
Limpiar primero las señales. Sube la cobertura y la calidad de los datos POS y de pedidos antes de elegir un algoritmo.
2
Comparar contra una línea base. Corre el modelo de ML junto al pronóstico estadístico actual y a un pronóstico ingenuo, y consérvalo solo donde gane en MAPE a 7 días.
3
Conectarlo con la ejecución. Lleva el pronóstico detectado al reabastecimiento y a la programación de producción para que reduzca pedidos de emergencia, no solo gráficas de error.
04The concept in depthEl concepto a fondo
Demand sensing: real-time short-horizon forecasting that complements demand planning›
Demand sensing is the capability to adjust the demand forecast in real time — with a short planning horizon (1–14 days) and incorporating the maximum available current demand signals (POS data, customer inventory levels, open purchase orders, online search trends, weather data). Demand sensing is not a replacement for demand planning (12–18-week horizon): it is the short-term refinement of the medium-term plan, critical for managing production schedules and emergency orders in the final 1–14 days before the replenishment cycle.
The 4 ML model families most adopted for demand sensing in supply chain›
(1) LSTM (Long Short-Term Memory): recurrent neural networks that capture complex temporal demand patterns — nested seasonality, long-term trends, product lifecycle. Best for high-SKU portfolios with complex demand patterns. (2) Prophet (Meta): the time series model developed by Meta, robust for seasonal series with special events (promotions, holidays). Its primary advantage: interpretability — the planning team can inspect and adjust the model components. (3) Gradient Boosting (XGBoost, LightGBM): among the most accurate ML models in practice for incorporating external variables (weather, economic indicators, marketing events) into the demand forecast — LightGBM-based approaches dominated the M5 forecasting competition. (4) Ensemble models: the combination of multiple models with dynamically adjusted weights based on each model’s recent error history. Often the approach with the highest production accuracy for demand sensing use cases — at the cost of higher implementation and maintenance complexity.
Selecting the right demand sensing horizon and update frequency›
Demand sensing is most valuable for short horizons (1–14 days) and high-volatility products. For 12+ week horizons, traditional statistical demand planning is sufficient. Update frequency: for high-dynamism categories (e-commerce fashion, perishable food distribution), updating the short-horizon forecast every 4–8 hours is justifiable. For lower-dynamism categories (B2B industrial distribution), daily or weekly updates are sufficient. The update frequency must be proportional to the speed of demand change in the category.
Intermediate vs. Advanced›
Intermediate: uses available demand sensing models in the planning system; understands the basic concepts of ML applied to forecasting; escalates model accuracy issues.
Advanced: designs and implements demand sensing models; manages the MLOps pipeline for forecasting models; leads the S&OP process integration with demand sensing.
Advanced: designs and implements demand sensing models; manages the MLOps pipeline for forecasting models; leads the S&OP process integration with demand sensing.
Demand sensing: pronóstico de corto horizonte en tiempo real que complementa la planeación de la demanda›
El demand sensing (detección de demanda) es la capacidad de ajustar el pronóstico de la demanda en tiempo real, con un horizonte corto (1–14 días) e incorporando el máximo de señales actuales de demanda disponibles (datos POS, niveles de inventario del cliente, órdenes de compra abiertas, tendencias de búsqueda en línea, datos del clima). No sustituye a la planeación de la demanda (horizonte de 12–18 semanas): es el refinamiento de corto plazo del plan de mediano plazo, crítico para gestionar programas de producción y pedidos de emergencia en los últimos 1–14 días antes del ciclo de reabastecimiento.
Las 4 familias de modelos de ML más adoptadas para demand sensing en supply chain›
(1) LSTM (Long Short-Term Memory): redes neuronales recurrentes que capturan patrones temporales complejos de demanda: estacionalidad anidada, tendencias de largo plazo, ciclo de vida del producto. Son las más adecuadas para portafolios con muchos SKU y patrones de demanda complejos. (2) Prophet (Meta): el modelo de series de tiempo desarrollado por Meta, robusto para series estacionales con eventos especiales (promociones, días festivos). Su ventaja principal es la interpretabilidad: el equipo de planeación puede inspeccionar y ajustar los componentes del modelo. (3) Gradient Boosting (XGBoost, LightGBM): de los modelos de ML más precisos en la práctica para incorporar variables externas (clima, indicadores económicos, eventos de marketing) al pronóstico; los enfoques basados en LightGBM dominaron la competencia de pronóstico M5. (4) Modelos ensemble: la combinación de varios modelos con pesos ajustados dinámicamente según el historial reciente de error de cada uno. Suele ser el enfoque con mayor precisión en producción para demand sensing, a cambio de mayor complejidad de implementación y mantenimiento.
Elegir el horizonte y la frecuencia de actualización adecuados para el demand sensing›
El demand sensing aporta más valor en horizontes cortos (1–14 días) y en productos de alta volatilidad. Para horizontes de 12 semanas o más, la planeación estadística tradicional de la demanda es suficiente. Frecuencia de actualización: en categorías de alto dinamismo (moda en e-commerce, distribución de alimentos perecederos) se justifica actualizar el pronóstico de corto horizonte cada 4–8 horas. En categorías de menor dinamismo (distribución industrial B2B) bastan actualizaciones diarias o semanales. La frecuencia debe ser proporcional a la velocidad con que cambia la demanda de la categoría.
Intermedio vs. Avanzado›
Intermedio: usa los modelos de demand sensing disponibles en el sistema de planeación; entiende los conceptos básicos de ML aplicado al pronóstico; escala los problemas de precisión del modelo.
Avanzado: diseña e implementa modelos de demand sensing; gestiona el pipeline de MLOps de los modelos de pronóstico; lidera la integración del demand sensing con el proceso de S&OP.
Avanzado: diseña e implementa modelos de demand sensing; gestiona el pipeline de MLOps de los modelos de pronóstico; lidera la integración del demand sensing con el proceso de S&OP.
05In practiceEn la práctica
Demand sensing complements demand planning — do not attempt to replace the medium-term plan with a short-horizon model›
Demand planning (12–18-week horizon) is required for production capacity planning, supply contract negotiations, and strategic inventory positioning. Demand sensing (1–14-day horizon) is required for daily operations management. Both are needed; neither replaces the other.
ML ensemble models outperform individual models in production but require more maintenance investment — justified mainly for large, diverse SKU portfolios›
An ensemble of 3–5 models with dynamic weights usually achieves a lower MAPE than the best individual model in the ensemble — at the cost of higher implementation and MLOps maintenance complexity. The breakeven depends on portfolio size and volatility, so pilot on the most volatile categories first.
Fix the POS data quality and coverage before building the ML model — demand sensing algorithms cannot compensate for insufficient or dirty input data›
An ensemble model running on POS data with 45% coverage and a 15% data quality error rate will generate worse 7-day forecasts than a simple ARIMA model running on 90% coverage, clean data. Data quality precedes model sophistication.
Track MAPE at 7 days weekly by product category and compare against the pre-ML baseline — the MAPE improvement is the primary demand sensing ROI metric›
A demand sensing program that cannot demonstrate MAPE improvement vs. the statistical baseline is not generating its ROI case. Weekly MAPE tracking by category identifies which product families are benefiting and which need model recalibration.
El demand sensing complementa la planeación de la demanda: no intentar sustituir el plan de mediano plazo con un modelo de corto horizonte›
La planeación de la demanda (horizonte de 12–18 semanas) es necesaria para planear la capacidad de producción, negociar contratos de suministro y posicionar estratégicamente el inventario. El demand sensing (horizonte de 1–14 días) es necesario para gestionar la operación diaria. Ambos se necesitan; ninguno sustituye al otro.
Los modelos ensemble de ML superan a los modelos individuales en producción, pero exigen más inversión en mantenimiento: se justifican sobre todo en portafolios de SKU grandes y diversos›
Un ensemble de 3–5 modelos con pesos dinámicos suele lograr un MAPE menor que el mejor modelo individual del ensemble, a cambio de mayor complejidad de implementación y de mantenimiento MLOps. El punto de equilibrio depende del tamaño y la volatilidad del portafolio, por lo que conviene hacer un piloto primero en las categorías más volátiles.
Corregir la calidad y la cobertura de los datos POS antes de construir el modelo de ML: los algoritmos de demand sensing no compensan datos de entrada insuficientes o sucios›
Un modelo ensemble que corre sobre datos POS con 45% de cobertura y 15% de errores de calidad generará pronósticos a 7 días peores que un modelo ARIMA simple que corre sobre datos limpios con 90% de cobertura. La calidad de los datos precede a la sofisticación del modelo.
Medir semanalmente el MAPE a 7 días por categoría de producto y compararlo con la línea base previa al ML: la mejora en MAPE es la métrica principal del ROI del demand sensing›
Un programa de demand sensing que no puede demostrar una mejora en MAPE frente a la línea base estadística no está generando su caso de ROI. El seguimiento semanal del MAPE por categoría identifica qué familias de producto se benefician y cuáles requieren recalibrar el modelo.
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 with ML ensemble — FMCG distributor, 3,400 SKUs
The company implements an ML ensemble demand sensing model (ARIMA + Prophet + XGBoost) for the 1–14-day horizon to replace pure statistical forecasting.
The company implements an ML ensemble demand sensing model (ARIMA + Prophet + XGBoost) for the 1–14-day horizon to replace pure statistical forecasting.
| Impact dimension | Before demand sensing (statistical forecast) | After ML ensemble demand sensing |
|---|---|---|
| MAPE at 7-day horizon (most critical for production planning and emergency orders) | MAPE at 7 days: 28% · Statistical model could not incorporate short-term demand signals (POS data, open POs, weather) | MAPE at 7 days: 14% (−14 pp) · ML ensemble incorporates last-48h POS data, open purchase orders, and weather variables (0.62 correlation with demand for certain categories) |
| Emergency order frequency (out-of-cycle replenishment orders due to unanticipated stockouts) | 18 emergency orders/week · Average emergency order cost: $12,400 MXN (urgent freight + supplier premium) | 4 emergency orders/week (−78%) · Demand sensing detects demand spikes with sufficient advance notice to order within the normal cycle |
| Safety stock for high-volatility SKUs (DIO coverage for SKUs with MAPE >30%) | 28 days average safety stock for high-volatility SKUs · High safety stock compensating for forecast imprecision | 18 days average safety stock for same SKUs (−36%) · Better 7-day MAPE accuracy allows safety stock reduction without increasing stockout risk |
Result: ML ensemble demand sensing generated: emergency order reduction from 18 to 4/week × $12,400 MXN per order × 52 weeks ≈ $9.0M MXN/year in avoided emergency costs, plus a 36% safety stock reduction × $8.4M MXN in safety stock ≈ $3.0M MXN of working capital freed (one-time).
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 con ensemble de ML — distribuidor de consumo masivo, 3,400 SKU
La empresa implementa un modelo de demand sensing con ensemble de ML (ARIMA + Prophet + XGBoost) para el horizonte de 1–14 días, en sustitución del pronóstico puramente estadístico.
La empresa implementa un modelo de demand sensing con ensemble de ML (ARIMA + Prophet + XGBoost) para el horizonte de 1–14 días, en sustitución del pronóstico puramente estadístico.
| Dimensión de impacto | Antes del demand sensing (pronóstico estadístico) | Después del demand sensing con ensemble de ML |
|---|---|---|
| MAPE a 7 días (el horizonte más crítico para la planeación de producción y los pedidos de emergencia) | MAPE a 7 días: 28% · El modelo estadístico no podía incorporar señales de demanda de corto plazo (datos POS, órdenes abiertas, clima) | MAPE a 7 días: 14% (−14 pp) · El ensemble de ML incorpora datos POS de las últimas 48 h, órdenes de compra abiertas y variables del clima (correlación de 0.62 con la demanda en ciertas categorías) |
| Frecuencia de pedidos de emergencia (pedidos de reabastecimiento fuera de ciclo por quiebres de inventario no anticipados) | 18 pedidos de emergencia/semana · Costo promedio por pedido de emergencia: $12,400 MXN (flete urgente + sobreprecio del proveedor) | 4 pedidos de emergencia/semana (−78%) · El demand sensing detecta los picos de demanda con anticipación suficiente para pedir dentro del ciclo normal |
| Inventario de seguridad de SKU de alta volatilidad (cobertura en días para SKU con MAPE >30%) | 28 días promedio de inventario de seguridad para SKU de alta volatilidad · Inventario de seguridad alto para compensar la imprecisión del pronóstico | 18 días promedio de inventario de seguridad para los mismos SKU (−36%) · La mejor precisión del MAPE a 7 días permite reducir el inventario de seguridad sin aumentar el riesgo de quiebre de inventario |
Resultado: El demand sensing con ensemble de ML generó: reducción de pedidos de emergencia de 18 a 4/semana × $12,400 MXN por pedido × 52 semanas ≈ $9.0M MXN/año en costos de emergencia evitados, más una reducción de 36% del inventario de seguridad × $8.4M MXN ≈ $3.0M MXN de capital de trabajo liberado (por única vez).
07How it is measuredCómo se mide
Demand Sensing MAPE at 7 Days (Mean Absolute Percentage Error)›
Demand Sensing MAPE at 7 Days (Mean Absolute Percentage Error)
(1/n) × Σ|Actual demand − 7-day forecast| / Actual demand × 100
Benchmark: <15% MAPE at 7 days for ML demand sensing on fast-moving SKUs · <25% for moderately variable SKUs · >30% is a signal to benchmark the model against a naive forecast and recalibrate
⚠️ MAPE at 7 days of 28% means every short-horizon forecast has an average error of 28% of actual demand. At this level of inaccuracy, the operations team cannot trust the forecast for production scheduling — leading to the emergency order pattern that demand sensing should eliminate.
Demand Sensing Model Refresh Rate (hours between model updates with the latest data)›
Demand Sensing Model Refresh Rate (hours between model updates with the latest data)
Hours between each update of the demand sensing model with the latest available demand signals (POS data, open orders, weather)
Benchmark: Every 4–24 hours for high-dynamism use cases (e-commerce fashion, perishable food) · Daily for lower-dynamism B2B distribution · Weekly is insufficient for any demand sensing application
🔑 A demand sensing model refreshed weekly is not sensing demand in real time — it is updating a medium-term statistical forecast on a slower schedule. The 4–24 hour refresh frequency is what separates demand sensing from demand planning.
MAPE de demand sensing a 7 días (error porcentual absoluto medio)›
MAPE de demand sensing a 7 días (error porcentual absoluto medio)
(1/n) × Σ|Demanda real − Pronóstico a 7 días| / Demanda real × 100
Referencia: <15% de MAPE a 7 días con demand sensing de ML en SKU de alta rotación · <25% en SKU de variabilidad moderada · >30% es la señal para comparar el modelo contra un pronóstico ingenuo y recalibrarlo
⚠️ Un MAPE a 7 días de 28% significa que cada pronóstico de corto horizonte tiene un error promedio del 28% de la demanda real. Con ese nivel de imprecisión, el equipo de operaciones no puede confiar en el pronóstico para programar la producción, lo que lleva al patrón de pedidos de emergencia que el demand sensing debería eliminar.
Frecuencia de actualización del modelo de demand sensing (horas entre actualizaciones con los datos más recientes)›
Frecuencia de actualización del modelo de demand sensing (horas entre actualizaciones con los datos más recientes)
Horas entre cada actualización del modelo de demand sensing con las señales de demanda más recientes disponibles (datos POS, órdenes abiertas, clima)
Referencia: Cada 4–24 horas en casos de alto dinamismo (moda en e-commerce, alimentos perecederos) · Diaria en distribución B2B de menor dinamismo · Semanal es insuficiente para cualquier aplicación de demand sensing
🔑 Un modelo de demand sensing que se actualiza semanalmente no está detectando la demanda en tiempo real: solo actualiza un pronóstico estadístico de mediano plazo con menor frecuencia. La actualización cada 4–24 horas es lo que separa el demand sensing de la planeación de la demanda.
08What you would useQué se usa
📌 Demand Sensing & ML Platforms
o9 Solutions Demand Sensing / Blue Yonder Demand Planning›
Module: AI-Powered Demand Sensing with ML Ensemble
o9 Solutions and Blue Yonder Demand Planning (formerly Luminate Demand) are reference platforms for enterprise demand sensing — with pre-built ML ensemble models for the 1–14-day forecasting horizon that can be deployed without a dedicated data science team.
o9 Solutions and Blue Yonder Demand Planning (formerly Luminate Demand) are reference platforms for enterprise demand sensing — with pre-built ML ensemble models for the 1–14-day forecasting horizon that can be deployed without a dedicated data science team.
DataRobot / H2O.ai AutoML›
Module: AutoML Platform for Custom Demand Sensing Models
DataRobot and H2O.ai for organizations that want to build custom demand sensing models without requiring a large team of ML specialists. Both platforms automate model selection, training, and deployment within a governed ML pipeline.
DataRobot and H2O.ai for organizations that want to build custom demand sensing models without requiring a large team of ML specialists. Both platforms automate model selection, training, and deployment within a governed ML pipeline.
📌 Plataformas de demand sensing y ML
o9 Solutions Demand Sensing / Blue Yonder Demand Planning›
Módulo: Demand sensing con IA y ensemble de ML
o9 Solutions y Blue Yonder Demand Planning (antes Luminate Demand) son plataformas de referencia para demand sensing empresarial, con modelos ensemble de ML preconstruidos para el horizonte de 1–14 días que pueden desplegarse sin un equipo dedicado de ciencia de datos.
o9 Solutions y Blue Yonder Demand Planning (antes Luminate Demand) son plataformas de referencia para demand sensing empresarial, con modelos ensemble de ML preconstruidos para el horizonte de 1–14 días que pueden desplegarse sin un equipo dedicado de ciencia de datos.
DataRobot / H2O.ai AutoML›
Módulo: Plataforma AutoML para modelos de demand sensing a la medida
DataRobot y H2O.ai son opciones para organizaciones que quieren construir modelos de demand sensing a la medida sin un gran equipo de especialistas en ML. Ambas plataformas automatizan la selección, el entrenamiento y el despliegue de modelos dentro de un pipeline de ML gobernado.
DataRobot y H2O.ai son opciones para organizaciones que quieren construir modelos de demand sensing a la medida sin un gran equipo de especialistas en ML. Ambas plataformas automatizan la selección, el entrenamiento y el despliegue de modelos dentro de un pipeline de ML gobernado.
The bottom lineEn corto
Demand sensing pays when it cuts emergency orders — if they are not falling, the model is decoration.
El demand sensing se paga cuando reduce los pedidos de emergencia; si no bajan, el modelo es decoración.
← PreviousAnteriorReal-time inventory visibility: RFID, IoT & unified inventory across all nodesVisibilidad de inventario en tiempo real: RFID, IoT e inventario unificado en todos los nodosNextSiguiente →Supply chain analytics: KPI dashboards, root cause analysis & prescriptive insightsAnalytics de SC: dashboards de KPIs, análisis de causa raíz y perspectivas prescriptivas
All D16 componentsTodos los componentes de D16D16 artifactsArtifacts de D16SCRA