Retail · EE. UU. · Inventario

Previsión de demanda y análisis ABC de inventario

Un minorista de hogar de EE. UU. perdía ventas por estantes vacíos en superventas mientras pagaba de más por almacenar lo que no rotaba. Encargo: prever la demanda de 18.400 SKU y rehacer el plan de compras.

Datos: 4,2 M de filas · 3 años Stack: Python · Spark · Prophet · Power BI Plazo: 3 semanas
demand_forecast · Power BI
actualizado hoy
Precisión de la previsión
92.4%
MAPE 7,6%
Roturas de superventas
−63%
menos ventas perdidas
Coste de almacenaje
−28%
3,1 M$ liberados
Rotación de inventario
+19%
interanual

Ventas reales vs previsión del modelo

mensual, miles de uds · discontinua = previsión a 3 meses

Análisis ABC del surtido

parte de SKU vs parte de ingresos

◆ Hallazgos
  • La clase A (7% de los SKU) generaba el 71% de los ingresos — y era la que más se agotaba.
  • La demanda de superventas tenía ciclos semanales y estacionales que la compra manual ignoraba.
  • El 34% de los artículos clase C no vendía en 90 días y congelaba el circulante.
✓ Nuestra solución
  • Clase A pasada a reposición guiada por previsión con stock de seguridad de 14 días.
  • Retirados 1.240 SKU muertos y el presupuesto reinvertido en lo que vende.
  • Añadidas alertas de rotura siete días antes de que un superventas llegue a cero.

¿Tienes un proyecto así?

Cuéntanos qué estás construyendo. Respondemos en un día hábil con un plan claro y un presupuesto cerrado.

Iniciar tu proyecto