Previsió de demanda amb IA
Previsió de demanda amb IA estima vendes o consum futurs amb història real, calendari i promocions. La precisió es mesura amb backtest abans de desplegar. No inventem certesa ni un MAPE sense veure les teves dades.
Actualizado: 17/11/2026
Com funciona, pas a pas?
Previsió de demanda amb IA és un model que estima què vendràs (o consumiràs) a les properes setmanes o mesos, alimentat per història real i context. No és un gràfic bonic: és un número que algú fa servir per comprar, fabricar o repartir, amb l'error mesurat.
Comencem per les dades: sense història neta qualsevol model és teatre. Comparem amb baselines simples. Només si el model aporta de veritat en backtest passem a producció. Servei pare: dades i analítica.
- Dades Reunim vendes històriques (≥2 anys si existeix), calendari, festius, promocions i ruptures.
- Neteja Outliers, canvis de codi i botigues noves es documenten.
- Model Entrenem i comparem baselines simples vs models més rics.
- Backtest Meurem error en el passat abans de confiar.
- Ús La previsió alimenta compres, producció o rutes; una persona valida excepcions.
- Monitor Si l'error es degrada, s'alerta.
Exemple il·lustratiu
Exemple il·lustratiu: un distribuïdor d'alimentació planifica compres «a ull» i acumula merma. Amb previsió per família i botiga, compres rep un rang i una llista de SKU amb error històric alt. El cap de compres ajusta; el model no demana sol.
Sectors: indústria i alimentació i comerç. Si el coll és passar PDF a base predictiva, el cas publicat és el d'energia.
| Ingredient | Per què importa | Si falta |
|---|---|---|
| Vendes ≥2 anys | Estacionalitat | Més incertesa |
| Promocions | Pics artificials | Aprèn soroll |
| Ruptures d'estoc | Demanda censurada | Subestima potencial |
| Backtest | Prova honest | No es desplega |
Què cal?
- Històric de vendes per SKU/ubicació.
- Calendari de promocions i canvis de surtit.
- Horitzó i qui actua amb la xifra.
- Mètrica d'èxit acordada abans d'entrenar.
Què no fa?
- No elimina la incertesa: dóna rangs i error esperat.
- No substitueix la decisió davant xocs sense revisió.
- No inventa història on no hi ha dades.
- No prometem un MAPE concret sense veure les dades.
Estalvi esperat: com calcular-lo
Fórmula il·lustrativa: hores_planificació/mes × cost/hora o merma evitable mesurada. Exemple: 20 h × 35 €/h = 700 €/mes; si queden 8 h de revisió, l'estalvi brut de temps ronda 420 €/mes. L'impacte en estoc es mesura a part.
Integracions habituals
ERP, Excel, Power BI i sistemes de rutes. Relacionat: informes automàtics.
Com és el projecte?
La fase zero és un inventari de dades: granularitat, forats, canvis de codi, botigues noves, promocions mal etiquetades. Sense això, el model aprèn soroll. Després fixem horitzó, mètrica i baseline. Només aleshores entrenem candidats i comparem en backtest. Si no batem l'ingenu de forma estable, parem i ho diem.
Errors freqüents: demanar previsió diària a SKU amb història insuficient; ignorar ruptures d'estoc (demanda censurada); ficar promocions a posteriori; desplegar sense monitor de degradació; confondre un dashboard bonic amb un procés de compra que algú executa cada dilluns.
En alimentació, la caducitat i la merma fan que el rang i la llista de SKU difícils valguin més que un únic número. En distribució, la previsió pot alimentar compres o rutes; en aquest cas alineem amb operacions per no generar comandes impossibles. El cas d'energia il·lustra la filosofia de dades netes i llinatge, encara que el domini sigui un altre.
Pressupost tancat per fase. El pilot lliura error mesurat, comparació amb baseline i un ritual d'ús. No prometem un MAPE publicitari. Si les dades no aguanten, el lliurable pot ser el pla de curació — i això també evita gastar en teatre predictiu. El go/no-go mira si compres o planificació canvien de comportament amb la xifra a la mà.
Al dia a dia, la previsió només val si algú la fa servir el mateix dia de la setmana, amb el mateix tall de dades i amb una llista curta d'excepcions (SKU nous, promocions mal carregades, botigues en reforma). Acordem aquest ritual abans de parlar d'algorismes. Si compres no canvia res amb la xifra al davant, el model sobra — i preferim descobrir-ho al pilot que en un desplegament car. També evitem prometre precisió de aparador: el backtest mana, i si el baseline ingenu guanya, ho diem.
Quan la previsió alimenta rutes o producció, afegim una capa de viabilitat: no demanar al magatzem el que el calendari no pot servir. Operacions valida excepcions. Sense aquest encaix, el model és un Excel més. El monitor d'error post-desplegament forma part del mateix pressupost de fase, no un extra opcional oblidat.
Documentem hipòtesis rebutjades al backtest perquè no es tornin a vendre com a certeses al cap de tres mesos.
Enllaços relacionats
Preguntes freqüents
Quants anys d'història calen?
Idealment dos o més de vendes netes. Amb menys, pilot honest amb més incertesa.
La IA endevina la demanda d'un producte nou?
Sense anàleg i sense història, la incertesa és alta. No es ven certesa.
Com sabeu si el model val?
Amb backtest. Si no bat un baseline ingenu, no es desplega.
Serveix per a alimentació i distribució?
Sí, són sectors típics. També encaixa amb logística.
Relació amb el cas d'energia?
Allà publiquem extracció d'informes com a base de models predictius. Mateixa lògica de dades netes; domini diferent.
Com sostenim el resultat
A la pràctica de prevision demanda con ia, el valor surt quan el pilot mesura un KPI operatiu concret i no només demos. Ship Shift acota abast, dades i criteri go/no-go abans d'escalar (298a1d01).
Documentem excepcions, owners i handoff humà perquè l'automatització no amagui errors. El backlog es prioritza per impacte en minuts, errors i cost d'oportunitat a prevision demanda con ia.
La integració amb ERP, CRM o correu evita illes. Si el sistema no escriu el resultat on ja treballa l'equip, el pilot mor a la setmana dos. Referència interna 298a1d01.