¿Cuál es el objetivo?
El proceso de onboarding es un paso preliminar en la experiencia de Datup, donde te proporcionamos toda la información necesaria sobre la metodología implementada para que fortalezcas tus conocimientos y así facilitar el proceso de entendimiento de los cubos de resultados al momento de ser entregados. Este artículo fue desarrollado para que puedas sacar provecho, aumentar y mejorar los procesos de planeación de la demanda.
Te recomendamos el siguiente orden de lectura:
- How-to: Interpretar los cubos de resultados.
- How-to: Usar los pronósticos de Datup.
How-to: Interpretar los Cubos de Resultados
A continuación, encontrarás una referencia detallada de los cubos y los campos que los componen; con el fin de facilitar a los usuarios su interpretación y aprovechamiento en el mejoramiento continuo de los procesos de planeación de la demanda, en términos de precisión y automatización.
Qrank: Cubo de Clasificación de Items
Consolida la clasificación de cada ítem según los ranking ABC, FSN y XYZ. El primero se refiere a la rentabilidad o ingresos del ítem; el segundo a la velocidad o movimientos en la venta y el tercero a la estabilidad del ítem para un proceso de pronóstico.

Nombre Columna | Descripción | Interpretación |
---|---|---|
Item | Identificación única de los ítems o referencias que componen el portafolio de productos | |
Target Revenue | Sumatoria de ingresos o rentabilidad relacionados con el ítem | |
RevenuePercent | Porcentaje de ingreso o rentabilidad relacionados con el ítem | Valores entre 0 y 1 (0-100%). A mayor valor, mayor ingreso y rentabilidad del ítem |
ABC | Clasificación ABC del ítem | Los ítems A representan hasta el 80% de los ingresos o rentabilidades. Los ítems B y C representan el 15% y 5%, respectivamente. |
Target Frequency | Porcentaje de períodos (fechas) con movimientos de venta o demanda del ítem | Valores entre 0 y 1 (0-100%). A mayor valor- mayor movimiento del ítem |
FSN | Clasificación FSN del ítem | Los ítems F tienen movimientos al menos el 75% de los períodos analizados. Los ítems S y N tienen máximo 50% y 25% de fechas con actividad, respectivamente |
Stability | Indice de variación de los históricos de ventas y demanda con la estabilidad del ítem para pronóstico | Valores desde 0. A mayor valor, mayor dificultad de pronóstico |
XYZ | Clasificación XYZ del ítem | Los ítems X son de alta estabilidad y por ende favorece su predicción. Los ítems Y y Z son de estabilidad media y baja |
Ranking | Unión de clasificaciones ABC, FSN y XYZ, según los criterios de ingreso/rentabilidad- movimiento y estabilidad | Los ítems de mayor valor para el negocio son los AFX, AFY y AFZ. Los ítems de menor valor para el negocio son CNX, CNY y CNZ |
Otras variables | Atributos adicionales del ítem. Por ejemplo descripción, categoría, línea, marca, subcategoría, etc. | Permiten el filtrado o agregación por criterios de mayor jerarquía al ítem |
Te dejamos el siguiente video para reforzar lo aprendido:
Qfcst: Cubo de Pronósticos
Reúne los pronósticos y backtests (evaluaciones de las datos históricos contra las predicciones del modelo) por cada ítem y fechas del período a predecir, sugiriendo las cantidades de venta o demanda más probables para los procesos de operación, fabricación, abastecimiento o S&OP.


Nombre Columna | Descripción | Interpretación |
---|---|---|
Date | Fecha del histórico y predicción. | |
Week | Número de la semana del año. | |
Item | Identificación única de los ítems o referencias que componen el portafolio de productos. | |
Target | Observación real o comportamiento histórico real de un ítem particular para una fecha específica. | |
SuggestedForecast | Cantidad de unidades pronosticadas para un ítem particular y fecha específica. | Se debe tomar este valor como la cantidad más probable de venta o demanda a observarse en el período o fecha pronosticada. |
SuggestedInterval | Intervalo de pronóstico asociado a la cantidad de unidades pronosticadas. | Permite identificar si la cantidad más probable de venta o demanda está en su pronóstico punto o es más cercana a un subpronóstico (Up60, Up80, Up95) o a un sobrepronóstico (Lo60, Lo80, Lo95) |
NextSuggestedForecast | Cantidad de unidades sobrepronosticadas para un ítem particular y fecha específica. | En las sesiones de S&OP permite proponer un valor mayor de pronóstico más probable- al considerar que el SuggestedForecast es conservador. |
NextSuggestedInterval | Intervalo de pronóstico asociado a la cantidad de unidades sobrepronosticadas | Permite identificar si la cantidad más probable de venta o demanda, por encima, es mas cercana a un subpronóstico (Up60- Up80- Up95) o a un sobrepronóstico (Lo60- Lo80- Lo95) |
BackSuggestedForecast | Cantidad de unidades subpronosticadas para un ítem particular y fecha específica. | En las sesiones de S&OP permite proponer un valor menor de pronóstico más probable, al considerar que el SuggestedForecast es optimista. |
BackSuggestedInterval | Intervalo de pronóstico asociado a la cantidad de unidades subpronosticadas. | Permite identificar si la cantidad más probable de venta o demanda- por debajo- es mas cercana a un subpronóstico (Up60, Up80, Up95) o a un sobrepronóstico (Lo60, Lo80, Lo95) |
ForecastNaive | Cantidad de unidades pronosticadas, según el pronóstico ingenuo. Es decir, la predicción es igual a la última observación real. | Pronóstico de respaldo para que aquellos items y fechas con errores superiores al valor de control (e.g. 50%) y la medida de error comparativa MASE es mayor a 1. |
ForecastPoint | Cantidad de unidades pronosticadas estimadas por el modelo para el intervalo punto. | Valor de pronóstico central generado por el modelo para un item y fecha específica. El pronóstico tiene 50% de probabilidad de ubicarse en el Forecast Point. |
ForecastLo95 | Cantidad de unidades pronosticadas estimadas por el modelo para el intervalo Lo95. | Valor de pronóstico más bajo posible, generado por el modelo para un item o fecha específica. El pronóstico tiene 95% de probabilidad de ubicarse entre el Lo95 y el Forecast Point. |
ForecastLo80 | Cantidad de unidades pronosticadas estimadas por el modelo para el intervalo Lo80. | Segundo valor de pronóstico más bajo posible, generado por el modelo para un item o fecha específica. El pronóstico tiene 80% de probabilidad de ubicarse entre el Lo80 y el Forecast Point. |
ForecastLo60 | Cantidad de unidades pronosticadas estimadas por el modelo para el intervalo Lo60. | Tercer valor de pronóstico más bajo posible, generado por el modelo para un item o fecha específica. El pronóstico tiene 60% de probabilidad de ubicarse entre el Lo60 y el Forecast Point. |
ForecastUp60 | Cantidad de unidades pronosticadas estimadas por el modelo para el intervalo Up60. | Tercer valor de pronóstico más alto posible, generado por el modelo para un item o fecha específica. El pronóstico tiene 60% de probabilidad de ubicarse entre el Forecast Point y el Up60. |
ForecastUp80 | Cantidad de unidades pronosticadas estimadas por el modelo para el intervalo Up80. | Segundo valor de pronóstico más alto posible, generado por el modelo para un item o fecha específica. El pronóstico tiene 80% de probabilidad de ubicarse entre el Forecast Point y el Up80. |
ForecastUp95 | Cantidad de unidades pronosticadas estimadas por el modelo para el intervalo Up95. | Valor de pronóstico más alto posible, generado por el modelo para un item o fecha específica. El pronóstico tiene 95% de probabilidad de ubicarse entre el Forecast Point y el Up95. |
WMAPE | Medida de error de pronóstico, Weighted Mean Absolute Percentage Error. | Permite evaluar el desempeño de la predicción del modelo para cada item. Por lo general, se evalúa en franjas de control: 0-30% (excelente), 30-50% (aceptable), +50% (deficiente). |
MASE | Medida de error de pronóstico comparativo, Mean Absolute Scaled Error. | Permita evaluar el desempeño de la predicción del modelo para cada item, comparando el error del modelo propuesta contra el error del pronóstico ingenuo (Forecast Naive). Los errores menores a 1 demuestran que el modelo propuesto tiene mejor desempeño. |
sMAPE | Medida de error de pronóstico, Symmetric Mean Absolute Percentage Error | Permite evaluar el desempeño de la predicción del modelo para cada ítem. Por lo general, se evalúa en franjas de control: 0-30% (excelente), 30-50% (aceptable), +50% (deficiente). Es recomendable usar medidas de error ponderadas (e.g. WMAPE). |
Ranking | Unión de clasificaciones ABC, FSN y XYZ, según los criterios de ingreso/rentabilidad, movimiento y estabilidad | Los ítems de mayor valor para el negocio son los AFX, AFY y AFZ. Los ítems de menor valor para el negocio son CNX, CNY y CNZ |
Los intervalos de pronóstico son las zonas de impacto de los pronósticos, medidos como la desviación de los pronósticos con respecto a la observación real. Estas zonas estan delimitadas por: Forecast Point, Forecast Lo95, Forecast Lo80, Forecast Lo60, Forecast Up60, Forecast Up80 y Forecast Up95.

Te dejamos el siguiente video para reforzar lo aprendido:
Qstrgy: Cubo Estratégicos de Pronósticos
Resume los resultados más relevantes del pronóstico por cada ítem para guiar los procesos de mejoramiento continuo de planeación de la demanda. En primer lugar, permite identificar los ítems de mayor, los ítems por encima de un valor de error de control (e.g. 50%), los ítems con mejor rendimiento por un pronóstico ingenuo o modelo propuesto, y el intervalo de pronóstico que mejor describe un sub o sobrepronóstico recurrente.

Nombre de Columna | Descripción | Interpretación |
---|---|---|
Item | Identificación única de los ítems o referencias que componen el portafolio de productos | |
Ranking | Unión de clasificaciones ABC, FSN y XYZ, según los criterios de ingreso/rentabilidad- movimiento y estabilidad | Los ítems de mayor valor para el negocio son los AFX, AFY y AFZ. Los ítems de menor valor para el negocio son CNX, CNY y CNZ |
WMAPE | Medida de error de pronóstico- Weighted Mean Absolute Percentage Error | Permite evaluar el desempeño de la predicción del modelo para cada ítem. Por lo general- se evalúa en franjas de control: 0-30% (excelente), 30-50% (aceptable), +50% (deficiente) |
MASE | Medida de error de pronóstico comparativo- Mean Absolute Scaled Error | Permita evaluar el desempeño de la predicción del modelo para cada ítem comparando el error del modelo propuesta contra el error del pronóstico ingenuo (Forecast Naive). Los errores menores a 1 demuestran que el modelo propuesto tiene mejor desempeño |
SuggestedInterval | Intervalo de pronóstico asociado a la cantidad de unidades pronosticadas | Permite identificar si la cantidad más probable de venta o demanda está en su pronóstico punto o es más cercana a un subpronóstico (Up60, Up80, Up95) o a un sobrepronóstico (Lo60, Lo80, Lo95) |
Otras variables | Atributos adicionales del ítem. Por ejemplo descripción, categoría, línea, marca, subcategoría, etc. | Permiten el filtrado o agregación por criterios de mayor jerarquía al ítem |
Te dejamos el siguiente video para reforzar lo aprendido:
How-To: Usos de los Pronósticos de Datup
A continuación, demostramos cómo sacar el mayor provecho de los pronósticos de Datup para aumentar los niveles de precisión y disminuir los tiempos de entrega en la planeación de la demanda. Para ello, se describirán los journey y escenarios de uso básico, intermedio y avanzado.
Estos usos le permitirán al analista tomar en consideración diversos campos de los cubos de resultados, que orienten de mejor manera la toma de decisiones, con respecto al comportamiento de la venta, demanda, abastecimiento o similares.
Uso Básico: Pronósticos Sugeridos
Este uso orienta la toma de mejores decisiones para:
Conocer el volumen de demanda requerido por los clientes por cada ítem para uno o más meses futuros.
Proponer en sesiones de S&OP volúmenes de demanda acordes a condiciones optimistas, conservadores o pesimistas de ventas.
Evaluar el margen de certeza o incertidumbre de los pronósticos de demanda.
Priorizar el pronóstico del portafolio por los ítems de mayor venta, rotación y variación en la demanda.

Este escenario se centra en los pronósticos sugeridos, generados y seleccionados automáticamente por la plataforma. En primer lugar, se debe ubicar la fecha y el ítem de interés, por medio de las columnas Date
e Item
, respectivamente. La columna SuggestedForecast
muestra el pronóstico sugerido para la fecha y el ítem bajo análisis, con base en el comportamiento histórico de la demanda (Target
); considerando estacionalidades, niveles, tendencias e incluso relaciones con otros ítems del portafolio.
Adicionalmente, se incluye la columna NextSuggestedForecast
, la cual presenta un escenario alternativo al pronóstico sugerido cuando existen indicios o se anticipa un alza sustancial en demanda del ítem para el período específico. El NextSuggestedForecast
suele ser de gran utilidad para las sesiones de S&OP, donde la contraparte de comercial suele concertar valores más altos para los pronósticos de ciertos ítems, sujetos a campañas de marketing o estrategias de mayor consumo. En lugar, de abrir el espacio a la especulación para esa posible demanda de mayor nivel, la plataforma ofrece un valor alternativo que contempla ese escenario de sobredemanda. Por otro lado, la solución también presenta un valor alternativo para el escenario de subdemanda, donde la contraparte comercial preve una destimulación en el consumo del ítem para los períodos futuros. El campo BackSuggestedForecast
contiene la cantidad de demanda a considerar.
El campo WMAPE
, permite conocer el error esperado para el período pronosticado, con base en los errores obtenidos al realizar pruebas de backtests, es decir, de simular el pronóstico de la demanda para períodos anteriores, donde se conoce el comportamiento real, por ende es posible medir el desempeño. Por defecto, en Datup se realizan 5 de estas simulaciones o backtests en cada iteración de los modelos.
Por último, se sugiere tener en cuenta la columna Ranking
, la cual permite determinar los ítems de mayor, consumo, rotación y estabilidad en demanda. En otras palabras, permite identificar cuales son los ítems de mayor y menor valor para el negocio.
Uso Intermedio: Intervalos Sugeridos
Este uso orienta la toma de mejores decisiones para:
Todas las ventajas del journey básico.
Conocer los ítems sobrepronosticados de forma recurrente con respecto a su histórico de demanda para prevenir pérdidas por inventario excesivo.
Conocer los ítems subpronosticados de forma recurrente con respecto a su histórico de demanda para prevenir pérdidas por agotados o quiebres de inventario.

El segundo escenario acompaña los pronósticos sugeridos con los intervalos sugeridos, permitiendo al analista de la demanda conocer los ítems con sub o sobrepronósticos consistentes en el pasado. La columna SuggestedInterval
indica el intervalo de pronóstico asociado con el pronóstico sugerido en la columna SuggestedForecast
. En consecuencia, los pronósticos sugeridos al alza (NextSuggestedForecast
) y a la baja (BackSuggestedForecast
) también estan acompañados por sus intervalos sugeridos NextSuggestedInterval
y BackSuggestedInterval
, respectivamente.
Los intervalos de pronóstico SuggestedInterval
, NextSuggestedInterval
y BackSuggestedInterval
, no solo son calculados para los períodos a pronosticar, sino también para cada período de backtest o simulación. Es precisamente de esta manera como es posible determinar cuál es el intervalo de pronóstico, y por ende, el pronóstico sugerido más probable, según su repetición en la historia de demanda observada.
De manera práctica, el analista o planeador de la demanda puede determinar si un ítem es susceptible de sobredemanda, si el intervalo sugerido SuggestedInterval
tiene uno de los siguientes valores: Lo95
, Lo80
o Lo60
. Por el contrario, el ítem es susceptible de subredemanda si el SuggestedInterval
presenta bien sea Up60
, Up80
o Up95.
En ambos casos, la subo sobredemanda se establece con respecto al pronóstico punto o ForecastPoint
que se ubica en la mitad de todos los intervalos de pronóstico.
Usar los intervalos de pronóstico permite al proceso de planeación de la demanda anticipar y evitar eventos de sobreproducción o sobrebastecimiento, así como agotados o quiebres de inventario.
Uso Avanzado: Pronóstico Ingenuo e Intervalos de Pronóstico
Este uso orienta la toma de mejores decisiones para:
Todas las ventajas del journey intermedio.
Examinar los pronósticos ingenuos, es decir promedios o últimas observaciones, para planear la demanda en ítems de alta variación o intermitencia y aumentar su precisión.
Examinar los pronósticos sugeridos por cada ítem y período para conocer que tan alto o bajo puede comportarse la demanda ante diferentes circunstancias del mercado
Evaluar el error MASE para determinar en qué casos es aconsejable utilizar pronósticos ingenuos para aumentar la precisión de la planeación.

El tercer y último escenario involucra el pronóstico ingenuo y todos los pronósticos asociados los intervalos de pronóstico estimados por Datup. Esta colección de valores permiten al analista conocer todos los posibles escenarios de altos y bajos en la demanda pronosticada.
Los pronósticos punto ForecastPoint
, inferior 95 ForecastLo95
, inferior 80 ForecastLo80
, inferior 60ForecastLo60
, superior 60 ForecastUp60
, superior 80 ForecastUp80
y superior 95 ForecastUp95
componen la totalidad de puntos que estima Datup por cada fecha e ítem para considerar los diferentes escenarios de alta, media y baja demanda. El algoritmo se encarga de seleccionar automáticamente el escenario, y a su vez el valor más probable. Sin embargo, en el cubo de resultados se presentan de forma abierta al analista para habilitar posibles ejercicios adicionales.
Por su parte, el pronóstico ingenuo en la columnaForecastNaive
calcula el valor del pronóstico por medio de un promedio por ventana movible. El tamaño de la ventana coincide con el número de períodos a pronosticar. Por ejemplo si se desea pronosticar 4 semanas, la ventana movible calcula el pronóstico ingenuo tomando el promedio de 4 semanas a la vez de la historia. Datup compara el desempeño de su modelo contra el pronóstico ingenuo, ya que existen ítems cuya estabilidad en la historia de la demanda sufre de altas intermitencias y/o compartamientos aleatorios que impiden su pronóstico a través de métodos estadísticos tradicionales o avanzados. El valor de la columna MASE
muestra el resultado esta comparación. Los valores cercanos a 1 (por encima o por debajo) confirman el rendimiento superior del modelo de Datup, mientras valores muy superiores a 1, favorecen el uso del pronóstico ingenuo ForecastNaive
. Si este es el escenario, en el cubo, el pronóstico ingenuo será el valor sugerido como pronóstico para el periodo evaluado.