01What it isQué es
Demand sensing uses near-real-time signals — POS sell-through, promotions actually executed, weather, orders — to correct the statistical forecast over the next days to two weeks, before the change shows up as orders upstream.
El demand sensing (detección de demanda) usa señales casi en tiempo real — sell-through en POS, promociones realmente ejecutadas, clima, pedidos — para corregir el pronóstico estadístico de los próximos días a dos semanas, antes de que el cambio llegue como pedidos aguas arriba.
02Why it mattersPor qué importa
Orders are a delayed, distorted copy of consumer demand, and each tier that plans from orders alone amplifies the noise. Sharing sell-through data across tiers is a core countermeasure to the bullwhip effect (Lee, Padmanabhan and Whang, 1997 — Management Science). Sensing pays off on volatile and promoted SKUs; on stable ones it adds cost without accuracy.
Los pedidos son una copia retrasada y distorsionada de la demanda del consumidor, y cada nivel que planea solo con pedidos amplifica el ruido. Compartir datos de sell-through entre niveles es una de las contramedidas centrales contra el efecto látigo (Lee, Padmanabhan y Whang, 1997 — Management Science). El sensing se paga en SKU volátiles y promocionados; en los estables agrega costo sin ganar precisión.
03How it is doneCómo se hace
1
Segment where sensing pays. Apply it to the top SKUs by revenue and volatility, and leave stable C items on the statistical baseline.
2
Secure POS data first. Get daily sell-through from key retail partners before adding weather or social signals.
3
Wire it to replenishment. Feed proven short-horizon corrections directly into replenishment triggers instead of a weekly forecast review.
1
Segmentar dónde paga. Aplicarlo a los SKU principales por ingreso y volatilidad, y dejar los artículos C estables en la línea base estadística.
2
Asegurar primero el POS. Obtener sell-through diario de los socios minoristas clave antes de agregar señales de clima o redes sociales.
3
Conectarlo al reabastecimiento. Llevar las correcciones de corto plazo probadas directamente a los disparadores de reabastecimiento, no a una revisión semanal del pronóstico.
04The concept in depthEl concepto a fondo
What demand sensing is — and why it is different from demand forecasting›
Demand forecasting generates a statistical baseline for medium-to-long term planning (weeks to months ahead). Demand sensing detects demand signals in the immediate horizon (days to 2 weeks) using real-time data — POS sell-through, weather, social media sentiment, web search trends, and promotional execution data — to correct the statistical forecast before the demand signal reaches the supply chain as an order. The goal is to eliminate the lag between demand change and supply response.
The 5 demand sensing signal types used in SC operations›
(1) POS/sell-through data: actual consumer purchases at point of sale — the most direct and leading demand signal for CPG and retail. (2) Weather data: temperature, precipitation, and seasonal anomalies that drive demand for weather-sensitive categories. (3) Promotional execution data: actual promotional display and pricing execution vs. planned — demand lifts only materialize when promotions are executed correctly. (4) Web and social signals: search trend data, social media mentions, and e-commerce browse-to-purchase ratios — leading indicators for new product demand. (5) Supply chain event data: competitor stockouts, promotional activity, and retail buyer behavior that shift demand between brands.
The demand sensing accuracy improvement: typical results vs. statistical forecast›
Demand sensing is commonly reported to improve short-horizon forecast accuracy (1–2 week horizon) meaningfully vs. pure statistical methods, though results vary widely by category and signal quality. The improvement is largest for: high-volatility SKUs, promotional periods, seasonal transitions, and new product introduction phases. For stable, low-volatility SKUs, the improvement is minimal — sensing adds complexity without proportional benefit.
Intermediate vs. Advanced›
Intermediate: works with demand sensing model outputs; interprets short-horizon adjustments; provides promotional and event data inputs to the sensing model.
Advanced: selects and configures the demand sensing engine; defines the signal hierarchy; governs the continuous improvement of sensing accuracy; connects sensing outputs to automated replenishment triggers.
Advanced: selects and configures the demand sensing engine; defines the signal hierarchy; governs the continuous improvement of sensing accuracy; connects sensing outputs to automated replenishment triggers.
Qué es el demand sensing — y por qué es distinto del pronóstico de la demanda›
El pronóstico de la demanda genera una línea base estadística para la planeación de mediano y largo plazo (semanas a meses). El demand sensing (detección de demanda) capta señales de demanda en el horizonte inmediato (días a 2 semanas) con datos en tiempo real — sell-through en punto de venta (POS), clima, sentimiento en redes sociales, tendencias de búsqueda web y datos de ejecución promocional — para corregir el pronóstico estadístico antes de que la señal llegue a la cadena como pedido. El objetivo es eliminar el rezago entre el cambio en la demanda y la respuesta del suministro.
Los 5 tipos de señal de demand sensing que se usan en las operaciones›
(1) Datos de POS/sell-through: compras reales del consumidor en el punto de venta — la señal de demanda más directa y anticipada para consumo masivo y retail. (2) Datos de clima: temperatura, precipitación y anomalías estacionales que mueven la demanda de categorías sensibles al clima. (3) Datos de ejecución promocional: exhibición y precio promocional realmente ejecutados vs. lo planeado — el alza de demanda solo se materializa cuando la promoción se ejecuta bien. (4) Señales web y de redes sociales: tendencias de búsqueda, menciones en redes y tasas de navegación-a-compra en e-commerce — indicadores anticipados de demanda para productos nuevos. (5) Datos de eventos del mercado: quiebres de inventario de la competencia, actividad promocional y comportamiento de compradores minoristas que desplazan la demanda entre marcas.
La mejora en precisión del demand sensing: resultados típicos vs. el pronóstico estadístico›
Se reporta con frecuencia que el demand sensing mejora de forma significativa la precisión del pronóstico de corto plazo (1–2 semanas) frente a los métodos puramente estadísticos, aunque los resultados varían mucho según la categoría y la calidad de las señales. La mejora es mayor en SKU de alta volatilidad, periodos promocionales, transiciones de temporada y fases de lanzamiento de productos nuevos. En SKU estables y de baja volatilidad la mejora es mínima: el sensing agrega complejidad sin un beneficio proporcional.
Intermedio vs. Avanzado›
Intermedio: trabaja con los resultados del modelo de demand sensing; interpreta los ajustes de corto plazo; aporta al modelo los datos de promociones y eventos.
Avanzado: selecciona y configura el motor de demand sensing; define la jerarquía de señales; gobierna la mejora continua de la precisión; conecta los resultados del sensing con disparadores automáticos de reabastecimiento.
Avanzado: selecciona y configura el motor de demand sensing; define la jerarquía de señales; gobierna la mejora continua de la precisión; conecta los resultados del sensing con disparadores automáticos de reabastecimiento.
05In practiceEn la práctica
Apply demand sensing only to SKUs where signal quality justifies the complexity — not the entire portfolio›
Demand sensing adds model complexity, data integration cost, and governance overhead. For stable, low-volatility C-class SKUs, the accuracy improvement is negligible. Focus sensing investment on the top 20% of SKUs by revenue and volatility — where the accuracy improvement generates material operational and financial benefit.
POS data is the highest-value sensing signal for CPG — prioritize it over social and weather signals›
The hierarchy of sensing signal quality for CPG: (1) POS sell-through data from retail partners (highest signal quality — direct demand measurement). (2) Order-to-delivery confirmation data (confirms demand realization). (3) Weather and event data (indirect demand driver). (4) Social and web signals (highest latency, lowest precision). Start with POS; add signals only if they demonstrably improve accuracy.
Connect demand sensing outputs directly to replenishment triggers — not just to the forecast review›
Demand sensing that updates the statistical forecast in the planning system but requires a planner to manually convert it into a replenishment order loses 24–48 hours of response time. The highest-value architecture connects sensing signals directly to automated replenishment triggers for the SKUs where sensing accuracy is proven.
Aplicar demand sensing solo a los SKU donde la calidad de la señal justifica la complejidad — no a todo el portafolio›
El demand sensing agrega complejidad de modelo, costo de integración de datos y carga de gobierno. En SKU clase C estables y de baja volatilidad, la mejora en precisión es despreciable. La inversión debe enfocarse en el 20% de SKU con mayor ingreso y volatilidad, donde la mejora genera un beneficio operativo y financiero relevante.
Los datos de POS son la señal de mayor valor en consumo masivo — priorizarlos sobre las señales sociales y de clima›
La jerarquía de calidad de señales en consumo masivo: (1) Sell-through de POS de los socios minoristas (la señal de mayor calidad: medición directa de la demanda). (2) Datos de confirmación pedido-entrega (confirman la realización de la demanda). (3) Datos de clima y eventos (impulsores indirectos de la demanda). (4) Señales sociales y web (mayor latencia, menor precisión). Conviene empezar con POS y agregar señales solo si mejoran la precisión de forma demostrable.
Conectar los resultados del demand sensing directamente a los disparadores de reabastecimiento — no solo a la revisión del pronóstico›
Un demand sensing que actualiza el pronóstico en el sistema de planeación pero requiere que un planeador lo convierta a mano en una orden de reabastecimiento pierde 24–48 horas de tiempo de respuesta. La arquitectura de mayor valor conecta las señales directamente con disparadores automáticos de reabastecimiento en los SKU donde la precisión del sensing está probada.
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 implementation — CPG company, Mexico 2023
| Metric | Before sensing | After sensing (6 months) |
|---|---|---|
| 1-week MAPE (promotional SKUs) | 38% | 22% (−42% improvement) |
| Emergency replenishment orders (promotional periods) | 47/month average | 18/month (−62%) |
| Fill rate during promotional launches | 89.3% | 94.7% (+5.4pp) |
Result: Demand sensing on the top 200 promotional SKUs reduced short-horizon MAPE by 42% and emergency orders by 62% during promotional periods. The financial benefit was concentrated in reduced emergency freight cost ($1.4M/year) and reduced stockout credits to retail customers ($2.1M/year).
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: Implementación de demand sensing — empresa de consumo masivo, México 2023
| Métrica | Antes del sensing | Después del sensing (6 meses) |
|---|---|---|
| MAPE a 1 semana (SKU promocionales) | 38% | 22% (mejora de −42%) |
| Órdenes de reabastecimiento de emergencia (periodos promocionales) | 47/mes en promedio | 18/mes (−62%) |
| Fill rate en lanzamientos promocionales | 89.3% | 94.7% (+5.4 pp) |
Resultado: El demand sensing en los 200 SKU promocionales principales redujo 42% el MAPE de corto plazo y 62% las órdenes de emergencia durante periodos promocionales. El beneficio financiero se concentró en menor costo de flete de emergencia ($1.4M/año) y menores notas de crédito por quiebres de inventario a clientes minoristas ($2.1M/año).
07How it is measuredCómo se mide
Demand Sensing Accuracy Lift % (improvement vs. statistical baseline at 1-week horizon)›
Demand Sensing Accuracy Lift % (improvement vs. statistical baseline at 1-week horizon)
((MAPE_statistical − MAPE_sensing) / MAPE_statistical) × 100 — measured at 1-week forecast horizon by SKU class
Benchmark: >20% MAPE improvement vs. statistical baseline on high-volatility SKUs · <10% improvement suggests sensing signals are low quality or the statistical model is already well-calibrated
🔑 Demand sensing lift below 10% on high-volatility SKUs indicates either poor signal quality (garbage in, garbage out) or that the statistical model is already capturing the patterns the sensing engine is trying to detect.
Mejora de precisión por demand sensing % (mejora vs. la línea base estadística a 1 semana)›
Mejora de precisión por demand sensing % (mejora vs. la línea base estadística a 1 semana)
((MAPE_estadístico − MAPE_sensing) / MAPE_estadístico) × 100 — medido a un horizonte de 1 semana por clase de SKU
Referencia: >20% de mejora en MAPE vs. la línea base estadística en SKU de alta volatilidad · <10% de mejora sugiere señales de baja calidad o un modelo estadístico ya bien calibrado
🔑 Una mejora menor a 10% en SKU de alta volatilidad indica mala calidad de señales (basura entra, basura sale) o que el modelo estadístico ya captura los patrones que el motor de sensing intenta detectar.
08What you would useQué se usa
📌 Demand Sensing Platforms
o9 Solutions / Blue Yonder›
Module: AI-Powered Demand Sensing
o9 Solutions and Blue Yonder embed demand sensing within the demand planning workflow — combining statistical forecasting with real-time signal ingestion and ML-based short-horizon correction.
o9 Solutions and Blue Yonder embed demand sensing within the demand planning workflow — combining statistical forecasting with real-time signal ingestion and ML-based short-horizon correction.
RELEX Solutions›
Module: Demand Sensing for Retail & CPG
RELEX Solutions is a leading platform for demand sensing in fresh food and seasonal retail — combining POS data, weather signals, and promotional execution data to generate short-horizon forecasts.
RELEX Solutions is a leading platform for demand sensing in fresh food and seasonal retail — combining POS data, weather signals, and promotional execution data to generate short-horizon forecasts.
Crisp / NielsenIQ Omnisales›
Module: POS Data Integration for Demand Sensing
Crisp and NielsenIQ provide real-time POS data aggregation from retail partners — the primary data source for CPG demand sensing models.
Crisp and NielsenIQ provide real-time POS data aggregation from retail partners — the primary data source for CPG demand sensing models.
📌 Plataformas de demand sensing
o9 Solutions / Blue Yonder›
Módulo: Demand sensing con IA
o9 Solutions y Blue Yonder integran el demand sensing en el flujo de planeación de la demanda: combinan pronóstico estadístico con ingesta de señales en tiempo real y corrección de corto plazo basada en ML.
o9 Solutions y Blue Yonder integran el demand sensing en el flujo de planeación de la demanda: combinan pronóstico estadístico con ingesta de señales en tiempo real y corrección de corto plazo basada en ML.
RELEX Solutions›
Módulo: Demand sensing para retail y consumo masivo
RELEX Solutions es una plataforma líder de demand sensing en alimentos frescos y retail estacional: combina datos de POS, señales de clima y datos de ejecución promocional para generar pronósticos de corto plazo.
RELEX Solutions es una plataforma líder de demand sensing en alimentos frescos y retail estacional: combina datos de POS, señales de clima y datos de ejecución promocional para generar pronósticos de corto plazo.
Crisp / NielsenIQ Omnisales›
Módulo: Integración de datos de POS para demand sensing
Crisp y NielsenIQ consolidan datos de POS en tiempo real de los socios minoristas, la fuente de datos principal de los modelos de demand sensing en consumo masivo.
Crisp y NielsenIQ consolidan datos de POS en tiempo real de los socios minoristas, la fuente de datos principal de los modelos de demand sensing en consumo masivo.
The bottom lineEn corto
Listen to the shelf, not just the order book — and act on it before the order arrives.
Escucha al anaquel, no solo a la cartera de pedidos — y actúa antes de que llegue el pedido.
← PreviousAnteriorControl tower: the nerve center of supply chain intelligenceControl tower: el centro neurálgico de la inteligencia de SCNextSiguiente →Analytics dashboards and SC intelligence: from reporting to decision supportDashboards de analytics e inteligencia de SC: del reporte a la decisión
All D16 componentsTodos los componentes de D16D16 artifactsArtifacts de D16SCRA