01What it isQué es
AI and data literacy is the ability of SC professionals to read, question and act on data and model outputs — knowing what an error metric means, why a model changed its recommendation and when not to trust it.
La alfabetización en IA y datos es la capacidad de los profesionales de SC para leer, cuestionar y actuar con base en datos y resultados de modelos — saber qué significa una métrica de error, por qué un modelo cambió su recomendación y cuándo no confiar en él.
02Why it mattersPor qué importa
Planning tools now embed machine learning, but value depends on how people use the output. People tend to abandon an algorithm after seeing it err, even when it outperforms human judgment (Dietvorst, Simmons and Massey, 2015 — Journal of Experimental Psychology: General); literacy builds calibrated trust instead of blind acceptance or blanket rejection. In the EU, AI literacy of staff operating AI systems is a legal obligation (Regulation (EU) 2024/1689, art. 4 — EU AI Act).
Las herramientas de planeación ya incorporan machine learning, pero el valor depende de cómo la gente usa sus resultados. Las personas tienden a abandonar un algoritmo después de verlo equivocarse, incluso cuando supera al juicio humano (Dietvorst, Simmons y Massey, 2015 — Journal of Experimental Psychology: General); la alfabetización construye una confianza calibrada en lugar de aceptación ciega o rechazo total. En la UE, la alfabetización en IA del personal que opera sistemas de IA es una obligación legal (Reglamento (UE) 2024/1689, art. 4 — EU AI Act).
03How it is doneCómo se hace
1
Tier literacy by role. Define what all staff, planners and leaders must understand about data and models.
2
Teach on real data. Use the company's own forecasts and inventory to practice error analysis and model reading.
3
Measure decision quality. Track Forecast Value Added and override reasons, not only course completions.
1
Definir niveles por rol. Establecer qué deben entender todo el personal, los planeadores y los líderes sobre datos y modelos.
2
Enseñar con datos reales. Usar los pronósticos e inventarios de la propia empresa para practicar el análisis de error y la lectura de modelos.
3
Medir la calidad de las decisiones. Dar seguimiento al Forecast Value Added y a los motivos de ajuste, no solo a los cursos terminados.
04The concept in depthEl concepto a fondo
What AI and data literacy means for supply chain professionals›
AI and data literacy is the ability to read, question and act on data and model outputs: understanding where the data comes from, what a forecast error metric says, why a model changed its recommendation and when not to trust it. It does not turn every planner into a data scientist; it lets them challenge the model when it fails and explain decisions to the business.
The key frameworks and decision tools›
A tiered curriculum works best: (1) foundation for all SC staff — data quality, descriptive statistics, error and bias metrics (MAPE, WAPE, bias), reading dashboards; (2) practitioner level for planners and analysts — how statistical and machine-learning forecasts work, drivers and features, exception management, basic SQL or Python; (3) leader level — AI use cases, limits, governance and decision rights.
Linking literacy to results›
Literacy pays off in better decisions, not in course completions. Measure it through outcomes such as Forecast Value Added of planner adjustments, fewer unexplained overrides and faster root-cause analysis when forecast error rises.
Intermediate vs. Advanced›
Intermediate: interprets model outputs and error metrics, explains why a forecast changed and uses data tools to analyze exceptions.
Advanced: sets the literacy agenda by role, sponsors hands-on practice on the company's own data and builds the governance in which AI recommendations and human judgment work together.
Advanced: sets the literacy agenda by role, sponsors hands-on practice on the company's own data and builds the governance in which AI recommendations and human judgment work together.
Qué significa la alfabetización en IA y datos para profesionales de supply chain›
La alfabetización en IA y datos es la capacidad de leer, cuestionar y actuar con base en datos y resultados de modelos: entender de dónde vienen los datos, qué dice una métrica de error del pronóstico, por qué un modelo cambió su recomendación y cuándo no confiar en él. No convierte a cada planeador en científico de datos; le permite cuestionar al modelo cuando falla y explicar las decisiones al negocio.
Marcos clave y herramientas de decisión›
Funciona mejor un plan por niveles: (1) base para todo el personal de SC — calidad de datos, estadística descriptiva, métricas de error y sesgo (MAPE, WAPE, sesgo), lectura de tableros; (2) nivel practicante para planeadores y analistas — cómo funcionan los pronósticos estadísticos y de machine learning, variables explicativas, gestión de excepciones, SQL o Python básico; (3) nivel líder — casos de uso de IA, límites, gobernanza y derechos de decisión.
Vincular la alfabetización con resultados›
La alfabetización rinde en mejores decisiones, no en cursos terminados. Mídala con resultados como el Forecast Value Added de los ajustes de los planeadores, menos ajustes sin explicación y análisis de causa raíz más rápidos cuando sube el error del pronóstico.
Intermedio vs. Avanzado›
Intermedio: interpreta resultados de modelos y métricas de error, explica por qué cambió un pronóstico y usa herramientas de datos para analizar excepciones.
Avanzado: define la agenda de alfabetización por rol, patrocina la práctica con los datos de la propia empresa y construye la gobernanza en la que las recomendaciones de IA y el juicio humano trabajan juntos.
Avanzado: define la agenda de alfabetización por rol, patrocina la práctica con los datos de la propia empresa y construye la gobernanza en la que las recomendaciones de IA y el juicio humano trabajan juntos.
05In practiceEn la práctica
Lead practice: learn on your own data›
Teach concepts using the company's real forecasts, orders and inventory instead of generic examples. Planners who analyze why their own model missed a promotion learn more in one session than in a week of abstract courses.
Tiered by role›
Define the minimum literacy for each role and certify it internally. In the European Union, the AI Act (Regulation (EU) 2024/1689, art. 4) has since February 2025 required providers and deployers of AI systems to ensure a sufficient level of AI literacy among the staff who operate them.
Pair planners with analysts›
Create pairs or squads where planners bring business context and data analysts bring technique. The exchange builds literacy on both sides and reduces the gap between what models suggest and what the business accepts.
Práctica líder: aprender con los datos propios›
Enseñar los conceptos con los pronósticos, pedidos e inventarios reales de la empresa en lugar de ejemplos genéricos. Los planeadores que analizan por qué su propio modelo falló en una promoción aprenden más en una sesión que en una semana de cursos abstractos.
Por niveles según el rol›
Definir la alfabetización mínima para cada rol y certificarla internamente. En la Unión Europea, el AI Act (Reglamento (UE) 2024/1689, art. 4) exige desde febrero de 2025 que proveedores y responsables del despliegue de sistemas de IA aseguren un nivel suficiente de alfabetización en IA del personal que los opera.
Formar parejas de planeadores y analistas›
Crear parejas o células donde los planeadores aportan el contexto del negocio y los analistas de datos la técnica. El intercambio construye alfabetización en ambos lados y reduce la distancia entre lo que sugieren los modelos y lo que el negocio acepta.
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: data literacy program for a demand planning team (illustrative)
| Situation | Action taken | Result |
|---|---|---|
| After deploying an ML forecast, planners cannot explain why it changes week to week and override most of it | Twelve-week program on the team's own data: error metrics, model drivers, exception rules and FVA | Overrides fall by half and FVA of the remaining adjustments becomes positive |
| Managers present inventory analyses based on averages that hide variability | Leader module on distributions, bias and how to read model confidence ranges | S&OP discussions use ranges and scenarios instead of single-point figures |
Result: literacy changed how the team used the model — fewer blind overrides, better questions and decisions explained with data.
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: programa de alfabetización en datos para un equipo de planeación de demanda (ilustrativo)
| Situación | Acción tomada | Resultado |
|---|---|---|
| Tras implementar un pronóstico con ML, los planeadores no pueden explicar por qué cambia cada semana y ajustan la mayor parte | Programa de doce semanas con los datos del propio equipo: métricas de error, variables del modelo, reglas de excepción y FVA | Los ajustes se reducen a la mitad y el FVA de los ajustes restantes se vuelve positivo |
| Los gerentes presentan análisis de inventario basados en promedios que ocultan la variabilidad | Módulo para líderes sobre distribuciones, sesgo y cómo leer los rangos de confianza de un modelo | Las discusiones de S&OP usan rangos y escenarios en lugar de cifras puntuales |
Resultado: la alfabetización cambió la forma en que el equipo usaba el modelo — menos ajustes a ciegas, mejores preguntas y decisiones explicadas con datos.
07How it is measuredCómo se mide
Role literacy coverage›
Staff certified at the literacy level required for their role (%)
People who passed the internal assessment for their role's literacy tier ÷ people in those roles; complemented by outcome measures such as Forecast Value Added of planner adjustments
Benchmark: set against your own baseline; target full coverage for roles that operate or approve model outputs
Review quarterly; coverage that rises while FVA and override quality do not improve means the program teaches theory, not practice.
Cobertura de alfabetización por rol›
Personal certificado en el nivel de alfabetización requerido para su rol (%)
Personas que aprobaron la evaluación interna del nivel de alfabetización de su rol ÷ personas en esos roles; se complementa con medidas de resultado como el Forecast Value Added de los ajustes de los planeadores
Referencia: fijar contra la línea base propia; buscar cobertura total en los roles que operan o aprueban resultados de modelos
Revisarla trimestralmente; una cobertura que sube mientras el FVA y la calidad de los ajustes no mejoran significa que el programa enseña teoría, no práctica.
08What you would useQué se usa
📌 Relevant Platforms
DataCamp / Coursera›
Module: Data and AI learning paths
Online learning platforms with tracks in statistics, SQL, Python, machine learning and AI fundamentals that can be assigned by role.
Online learning platforms with tracks in statistics, SQL, Python, machine learning and AI fundamentals that can be assigned by role.
Microsoft Power BI / Python (Jupyter)›
Module: Hands-on practice
Tools where planners and analysts practice on the company's own data — exploring forecast error, building simple models and visualizing variability.
Tools where planners and analysts practice on the company's own data — exploring forecast error, building simple models and visualizing variability.
📌 Plataformas relevantes
DataCamp / Coursera›
Módulo: Rutas de aprendizaje en datos e IA
Plataformas de aprendizaje en línea con rutas de estadística, SQL, Python, machine learning y fundamentos de IA que se pueden asignar por rol.
Plataformas de aprendizaje en línea con rutas de estadística, SQL, Python, machine learning y fundamentos de IA que se pueden asignar por rol.
Microsoft Power BI / Python (Jupyter)›
Módulo: Práctica aplicada
Herramientas donde planeadores y analistas practican con los datos de la propia empresa — explorar el error del pronóstico, construir modelos sencillos y visualizar la variabilidad.
Herramientas donde planeadores y analistas practican con los datos de la propia empresa — explorar el error del pronóstico, construir modelos sencillos y visualizar la variabilidad.
The bottom lineEn corto
If your planners cannot question the model, the model is making the decisions.
Si sus planeadores no pueden cuestionar al modelo, el modelo es quien está decidiendo.
← PreviousAnteriorSC competency frameworks: defining the skills required at each career levelMarcos de competencias de SC: definiendo las habilidades requeridas en cada nivel de carreraNextSiguiente →Succession planning and SC talent pipeline developmentPlaneación de sucesión y desarrollo del pipeline de talento de SC
All D20 componentsTodos los componentes de D20D20 artifactsArtifacts de D20SCRA