En el sector Pharma, realizar una buena predicción de la demanda tiene un impacto directo sobre inventario, costes financieros, producción y nivel de servicio.
En el webinar que celebramos esta semana en Kraz analizamos cómo los modelos avanzados basados en machine learning permiten realizar predicciones mucho más precisas y con menor margen de error.
Si no pudiste asistir, puedes ver la grabaión completa aquí:
El problema no es predecir. Es decidir mejor.
Todas las organizaciones ya cuentan con algún sistema de predicción de demanda. El reto no es generar un número a futuro, sino diseñar un sistema que permita generar mejores estimaciones que tengan un impacto positivo en negocio.
En Pharma, la demanda no responde únicamente al histórico. También está condicionada por un contexto complejo que incluye no solo factores internos –como campañas, nuevos lanzamientos, cambios de precio– sino también factores externos:
- Estacionalidad sanitaria (gripe, alergias, campañas de vacunación).
- Cambios en la legislación.
- Entrada de genéricos o movimientos de la competencia.
- Incidencias operativas por falta de suministros clave.
Un buen modelo de predicción de demanda debe incorporar estas variables exógenas para generar estimativas realistas y que incorporen todos los posibles efectos a tener en cuenta en la proyección.
La base: entender la historia de cada SKU
Uno de los mensajes centrales que abordamos en este webinar fue que antes de modelar hay que entender qué historia está contando cada producto.
Cada SKU tiene su propia dinámica. No es lo mismo un producto en fase de madurez que un lanzamiento reciente. No se comporta igual un medicamento hospitalario que un OTC con fuerte estacionalidad.
El análisis previo —tendencia, estacionalidad, granularidad y detección de anomalías— es determinante. Si la serie temporal está mal construida o contiene datos distorsionados, el modelo aprenderá patrones erróneos y los proyectará hacia el futuro.
Especialmente relevante es el tratamiento de outliers. Una rotura de stock no es una caída real de la demanda. Si no se corrige, el sistema aprenderá que la demanda bajó cuando en realidad el problema fue operativo.
La calidad del dato no es una fase previa. Es parte del diseño estratégico del modelo.
Arquitectura de modelado: escalabilidad sin perder precisión
Cuando trabajamos a nivel SKU, hablamos de decenas, cientos o miles de referencias activas. Eso obliga a tomar decisiones de arquitectura.
¿Entrenar un modelo independiente por cada SKU?
¿O diseñar modelos multi-serie que aprendan patrones compartidos entre SKUs?
Los enfoques multi-serie permiten mayor escalabilidad y capturan dependencias entre referencias, algo especialmente útil cuando existen productos nuevos con poco histórico. Sin embargo, requieren un diseño más sofisticado para evitar que las particularidades de cada SKU se diluyan.
De la previsión a la simulación
El verdadero salto ocurre cuando el modelo deja de responder únicamente a “qué pasará” y empieza a responder a “qué pasará si…”.
Integrar variables exógenas permite transformar la predicción en una herramienta de simulación estratégica. Por ejemplo:
- ¿Qué impacto tendrá una subida de precio?
- ¿Qué ocurre si activamos una campaña el próximo mes?
- ¿Cómo afectará un pico epidemiológico?
- ¿Qué pasará si cambia el mix de canales?
Cuando el modelo permite simular escenarios, la conversación cambia. Ya no se trata de aceptar una previsión como algo estático. Se trata de evaluar decisiones antes de ejecutarlas.
Ahí es donde la predicción empieza a influir directamente en el comité.
Validación rigurosa y paso a producción
Un modelo no es sólido si solo observamos buenos resultados en una única prueba. La validación exige separar correctamente los datos en entrenamiento, validación y test, evaluar con ventanas temporales móviles y comparar múltiples algoritmos.
En muchos casos, combinar modelos (ensembles) mejora la robustez. Y no todas las SKUs se comportan igual: cada una puede terminar utilizando el algoritmo que mejor se adapte a su patrón específico.
Pero incluso con una metodología rigurosa, la verdadera prueba llega en producción. El mercado es el test definitivo, por eso el sistema debe diseñarse con capacidad de monitorización, revisión y adaptación continua.
Impacto real en negocio
La predicción no genera valor por sí sola. Genera valor cuando se traduce en impacto operativo y financiero. Concretamente, puede contribuir a:
- Reducir roturas de stock.
- Disminuir sobre-stock y costes financieros asociados.
- Mejorar la planificación de producción.
- Incrementar el nivel de servicio.
En Pharma, donde el impacto de una desviación puede ser significativo tanto en términos económicos como estratégicos, la diferencia entre un modelo estándar y un desarrollo ad-hoc bien diseñado puede ser sustancial.
Teniendo en cuenta que la predicción por SKU afecta directamente al margen y al servicio, la predicción a través de modelos ad-hoc, muy a medida de cada organización, deja de ser un extra y se convierte en ventaja competitiva.
Conclusión
La predicción de demanda a nivel SKU es una decisión estratégica con impacto directo en la cuenta de pérdidas y ganancias.
En un entorno caracterizado por la volatilidad sanitaria, regulatoria y competitiva, contar con modelos avanzados no es una cuestión de tendencia tecnológica. Es una herramienta de resiliencia operativa y mejora estructural del negocio.
Proyectos como el desarrollado junto a Ferrer demuestran que, cuando la predicción se integra correctamente en los procesos de planificación, el impacto va mucho más allá de mejorar un indicador estadístico: mejora la capacidad real de anticipación y decisión.
Si quieres profundizar en el enfoque completo, puedes ver el webinar aquí. Y si quieres que hablemos sin compromiso sobre cómo aplicar este enfoque en tu organización, ¡escríbenos!