Una mejora en forecast accuracy suele presentarse como una vía directa para reducir inventario. La relación existe, pero no es automática. El error estadístico y el coste de inventario viven en capas distintas del sistema. Entre ambos hay una política de reposición, un nivel de servicio objetivo, un lead time y una distribución de incertidumbre. Por eso una caída clara en WAPE puede producir un ahorro pequeño, mientras una mejora modesta en determinados SKUs puede liberar mucho capital o evitar roturas costosas. El valor depende de qué error se reduce, dónde y cómo responde la política de stock.
Dos curvas distintas
La curva de accuracy describe cuánto se desvía la previsión respecto a la demanda real. La curva de coste describe lo que ocurre cuando esa previsión alimenta decisiones de inventario. No tienen por qué moverse en paralelo. Imaginemos dos SKUs. El primero tiene gran volumen, lead time corto y bajo coste de almacenamiento. El segundo tiene menos volumen, lead time largo y un stockout muy caro. Mejorar diez puntos relativos el forecast del primero puede tener menos impacto económico que mejorar unos pocos puntos en el segundo. La importancia de un error no viene solo de su tamaño, sino de la decisión que desencadena.
Eso también explica por qué una métrica agregada puede ser insuficiente para priorizar mejoras. El equipo necesita conectar error con economics: coste de holding, coste de ruptura, obsolescencia, expediciones urgentes y capital inmovilizado.
De error a stock
En muchas políticas, la incertidumbre del forecast influye en el stock de seguridad. Si la variabilidad del error disminuye de forma fiable, el sistema puede necesitar menos buffer para mantener el mismo nivel de servicio. Pero reducir el error medio no garantiza reducir la incertidumbre relevante para el buffer. Un modelo puede mejorar MAE sin cambiar demasiado los errores extremos. Otro puede reducir sesgo pero mantener una dispersión similar. Dependiendo de la fórmula o simulación usada para safety stock, el impacto será distinto.
También importa el lead time. El error relevante para inventario no siempre es el de un periodo individual, sino el error acumulado durante el tiempo de reposición. La política debe evaluarse sobre el horizonte en el que el stock tiene que proteger a la operación.
El papel del nivel de servicio
No se puede hablar de coste de inventario sin especificar qué servicio se quiere sostener. Reducir stock siempre es posible si aceptamos más roturas. La pregunta es cuánto capital podemos liberar manteniendo un nivel de servicio coherente con la estrategia comercial. Aquí aparece el verdadero trade-off. Un forecast mejor puede desplazar la frontera entre inventario y disponibilidad: para el mismo servicio, menos stock; o para el mismo stock, mejor servicio. La decisión empresarial es qué combinación interesa. Eso significa que medir solo “reducción de inventario” puede ser engañoso. Si el ahorro viene acompañado de más backorders, ventas perdidas o urgencias logísticas, el resultado neto puede ser peor.
Medir el valor correctamente
La forma más sólida de cuantificar el beneficio es hacer backtesting de la política completa. Se toma la previsión antigua y la nueva, se alimentan ambas a la misma lógica de reposición y se simula inventario, roturas y costes bajo condiciones comparables. Después puede evaluarse una segunda capa: quizá el nuevo forecast permite también rediseñar la política. El objetivo no es demostrar que el predictor es mejor, sino que el sistema forecast + inventario es económicamente superior. Conviene reportar al menos tres dimensiones: accuracy, nivel de servicio y coste total de inventario. Si solo mejora la primera, todavía no sabemos si existe impacto empresarial.
La conclusión es simple. Forecasting puede reducir capital y mejorar disponibilidad, pero el puente entre precisión y coste es una decisión de inventario explícita. Sin ese puente, la empresa puede celebrar una métrica mejor y mantener prácticamente el mismo stock. Hay otro efecto importante: una política puede estar limitada por restricciones discretas. Mínimos de compra, cajas completas, capacidad de pallet o calendarios fijos pueden impedir traducir pequeñas mejoras de accuracy a menos stock. El ahorro no siempre es continuo respecto al error. A veces hace falta superar un umbral de precisión o variabilidad para cambiar realmente una orden, un buffer o una frecuencia de reposición.