Una tienda puede tener treinta unidades de un modelo y, aun así, no disponer de ninguna que el cliente quiera comprar.
Puede tener mercancía suficiente en términos globales, pero haber agotado precisamente las tallas más demandadas. Puede mantener producto inmovilizado en un establecimiento mientras otro pierde ventas por falta de disponibilidad. O puede iniciar una nueva compra sin saber que parte de esa necesidad podría cubrirse utilizando mejor el inventario que ya existe dentro de la propia red.
Por eso, una de las decisiones más complejas en retail no consiste simplemente en determinar cuánto stock debemos tener. El verdadero reto es decidir qué producto necesitamos, dónde debería estar y en qué momento tiene mayores posibilidades de convertirse en una venta.
Tener demasiado inventario compromete capital, ocupa espacio y aumenta el riesgo de acumular mercancía que pierde valor conforme avanza la temporada. Tener demasiado poco genera el problema contrario: roturas de stock, ventas perdidas y clientes que no encuentran aquello que estaban dispuestos a comprar.
El equilibrio no consiste necesariamente en tener más o menos. Consiste en tener mejor stock.
Tener stock no significa tener disponibilidad
Imaginemos una cadena que dispone de suficientes unidades de un determinado modelo. Si analizamos únicamente el inventario agregado, aparentemente no existe ningún problema.
La situación cambia cuando descendemos al detalle.
Las tallas con mayor salida pueden estar agotadas mientras permanecen disponibles otras con muy poca demanda. Una tienda puede acumular unidades que apenas vende mientras otro establecimiento se queda sin ellas. El almacén central puede disponer de producto que todavía no ha llegado al punto de venta donde existe la oportunidad comercial. Y determinadas últimas unidades pueden permanecer dispersas entre distintas ubicaciones, reduciendo sus posibilidades de encontrar comprador.
En sectores como moda, calzado o deporte esta situación es especialmente evidente. Saber que quedan veinte unidades de un modelo aporta relativamente poca información si desconocemos qué tallas son, dónde se encuentran y cómo se está comportando la demanda de cada variante.
Lo mismo sucede cuando conviven tienda física y ecommerce. El inventario puede existir y, aun así, no encontrarse disponible en el canal o ubicación donde el cliente intenta comprar.
En estos casos, aprovisionar más no siempre es la respuesta. Antes conviene preguntarse si podemos utilizar mejor el stock que ya tenemos.
La cantidad total de stock puede ser suficiente y, sin embargo, estar distribuida de forma poco eficiente entre tiendas, almacenes, canales o variantes.
Entonces, ¿de qué depende el stock que necesita cada tienda?
No existe una cifra válida para todas las referencias porque la necesidad cambia según el producto, el establecimiento y el momento comercial.
El histórico de ventas continúa siendo una fuente muy útil, pero no debería utilizarse de forma aislada. Hay que entender también si la demanda está creciendo o perdiendo fuerza, si nos encontramos ante un lanzamiento o al final de una temporada, cuánto tiempo necesitaremos para reponer una referencia y cómo se comporta ese mismo producto en distintas ubicaciones.
También conviene distinguir entre ventas y demanda real. Si una referencia estuvo agotada durante parte del periodo que analizamos, sus ventas históricas serán inferiores a las que potencialmente podría haber generado. Utilizar ese dato sin contexto puede llevarnos a interpretar erróneamente que existe poca demanda y, como consecuencia, volver a aprovisionar por debajo de la necesidad real.
En la práctica, determinar cuánto stock necesitamos significa cruzar varias dimensiones y entender qué decisión condiciona cada una de ellas.
|
Variable |
Qué debemos entender | Qué decisión condiciona |
|
Demanda |
Qué se venderá y cómo evoluciona |
Reponer/aprovisionar |
|
Estacionalidad |
Momento comercial | Aumentar o reducir exposición |
|
Ubicación |
Dónde funciona mejor | Redistribuir |
|
Variantes |
Tallas/colores con demanda |
Completar surtido |
| Reposición | Cuándo tendremos producto |
Comprar/fabricar |
|
Capacidad |
Qué puede asumir la tienda | Dimensionar envío |
| Disponibilidad global | Qué producto ya existe |
Comprar o mover |
| Momento comercial | Lanzamiento, temporada, últimas unidades |
Mantener/mover/reducir |
Analizar cada variable por separado no resulta especialmente complejo. La dificultad aparece cuando debemos hacerlo continuamente para cientos o miles de referencias, diferentes tiendas, canales y variantes.
Y es precisamente ahí donde la gestión manual empieza a alcanzar sus límites.
Cuando el problema deja de ser tener datos y pasa a ser saber qué hacer con ellos
En una operación sencilla, la experiencia del responsable, unos mínimos y máximos correctamente definidos y una hoja de cálculo pueden resolver buena parte de las necesidades.
Pero la complejidad crece rápidamente cuando aumentan las referencias, las tiendas, los canales o el número de variantes.
Una empresa puede pasar de controlar unas pocas decenas de productos a gestionar miles de combinaciones entre SKU, talla, color y ubicación. Mientras tanto, continúan produciéndose ventas, aparecen pedidos online, cambian las tendencias, llegan promociones y se incorporan nuevas colecciones.
En este escenario, muchas organizaciones ya no tienen un problema de falta de información. Tienen justamente el contrario.
Disponen de ERP, ecommerce, POS, almacenes, informes y hojas de cálculo que generan enormes cantidades de datos, pero todavía necesitan dedicar muchas horas a revisarlos para saber dónde deberían actuar.
El responsable termina utilizando una parte importante de su jornada para localizar excepciones: una tienda que necesita producto, una referencia cuya demanda empieza a aumentar, un exceso que está creciendo o unas unidades disponibles en otra ubicación que podrían cubrir una necesidad.
Y cuando termina de revisar la información, parte de ella ya ha vuelto a cambiar.
Por eso, la siguiente evolución de la gestión de inventario no consiste simplemente en disponer de más datos, sino en avanzar hacia sistemas capaces de interpretarlos continuamente y convertirlos en prioridades.
De mirar lo que ocurrió a anticipar lo que probablemente sucederá
La previsión de demanda busca responder a una pregunta aparentemente sencilla: ¿qué necesitaremos próximamente?
Tradicionalmente, una parte importante de esta decisión se ha apoyado en ventas históricas y experiencia comercial. Ambos elementos continúan siendo importantes, pero los modelos actuales permiten incorporar muchas más señales: tendencia reciente, comportamiento por establecimiento, estacionalidad, promociones, periodos anteriores de rotura de stock o evolución del producto durante su ciclo de vida.
A medida que entra nueva información, la previsión puede ajustarse.
Esto permite corregir uno de los grandes inconvenientes de una gestión puramente reactiva: muchas decisiones tradicionales llegan cuando el problema ya se ha materializado.
La tienda comunica que se ha quedado sin producto. El exceso se detecta cuando la temporada ya está avanzada. Las últimas unidades permanecen repartidas durante semanas entre establecimientos donde apenas tienen salida. O una nueva compra se genera antes de comprobar si existe mercancía suficiente dentro de la propia red.
Anticipar no elimina la incertidumbre, pero permite actuar cuando todavía tenemos margen para cambiar el resultado.
Esta capacidad explica por qué la inteligencia artificial está adquiriendo cada vez más protagonismo en planificación, merchandising y operaciones retail. Su aportación más interesante no es únicamente construir previsiones más sofisticadas, sino ser capaz de procesar de manera continua una cantidad de información que sería difícil revisar manualmente con la misma frecuencia.
El análisis puede continuar aunque el responsable esté ocupado con otras cosas
Las ventas no se detienen cuando el equipo deja de revisar un informe.
Mientras un responsable está negociando con proveedores, preparando una campaña o gestionando una nueva temporada, continúan entrando pedidos, modificándose disponibilidades y apareciendo nuevos patrones de demanda.
Un sistema basado en inteligencia artificial puede analizar esas señales de forma continua y detectar cuándo una situación empieza a desviarse de lo esperado.
Puede reconocer que una referencia está acelerando sus ventas, identificar riesgo de rotura, detectar mercancía con baja rotación o encontrar una ubicación desde la que sería posible cubrir una necesidad sin incrementar el stock total.
El objetivo no debería ser sustituir una hoja de cálculo por un dashboard más sofisticado.
Debería ser conseguir que el responsable dedique menos tiempo a buscar qué está pasando y pueda concentrarse en decidir qué hacer.
Este cambio está empezando a verse en retailers de gran escala. ASOS, por ejemplo, ha explicado públicamente cómo utiliza modelos de machine learning para prever la demanda de miles de productos y apoyar a sus equipos de merchandising en las decisiones de reposición, precisamente para mejorar sus posiciones de stock y convertir las previsiones en decisiones operativas.
Predecir la demanda es útil; saber qué hacer con ella es mucho más valioso
Incluso una previsión excelente pierde buena parte de su valor si después alguien tiene que interpretar manualmente cómo actuar.
Si sabemos que la demanda de una referencia probablemente aumentará, todavía queda decidir cuánto necesitamos, dónde deberían estar las unidades disponibles y si realmente hace falta comprar más mercancía.
Del mismo modo, detectar que un artículo pierde velocidad comercial puede llevarnos a reducir futuras reposiciones, mover producto hacia ubicaciones con mejores posibilidades de venta o concentrar determinadas variantes para evitar que queden unidades aisladas.
La evolución realmente interesante consiste, por tanto, en avanzar desde:
“Esto es lo que probablemente ocurrirá”
hacia:
“Esta es la acción que tiene más sentido realizar ahora”.
Antes de generar una nueva compra, por ejemplo, podemos comprobar si el producto que necesitamos ya existe dentro de nuestra propia red. Si una tienda está cerca de quedarse sin una talla mientras otra ubicación dispone de unidades con poca rotación, trasladarlas puede resultar más eficiente que aumentar nuevamente el inventario global.
Lo mismo sucede con las últimas unidades de una colección. Mantenerlas dispersas puede reducir sus oportunidades de venta, mientras que concentrarlas en determinados establecimientos o canales puede completar un surtido y aumentar sus probabilidades de salida.
La pregunta deja así de ser únicamente cuánto stock tenemos y pasa a ser dónde puede generar más valor cada unidad disponible.
Antes de incrementar el inventario, una visión conjunta de demanda y disponibilidad puede revelar oportunidades de redistribución dentro de la propia red.
Este es precisamente el tipo de decisión que empiezan a automatizar soluciones especializadas como pRebalio, capaces de relacionar demanda prevista, disponibilidad, variantes y ubicación para generar propuestas de aprovisionamiento, fabricación o movimiento de mercancía.
Automatizar no significa perder el control
Que el sistema sea capaz de recomendar una acción no implica necesariamente que deba ejecutarla sin supervisión.
Una organización puede establecer distintos niveles de autonomía según el tipo de decisión. Algunas acciones pueden limitarse a generar una recomendación para que el responsable la valore; otras pueden prepararse para su aprobación y aquellas que responden a reglas suficientemente consolidadas pueden llegar a automatizarse.
Esta gradualidad resulta especialmente importante porque el criterio humano continúa teniendo un papel relevante.
Un algoritmo puede detectar que una ubicación tiene mayor probabilidad de vender determinadas unidades, pero el equipo puede conocer una campaña próxima, un cambio de colección o una circunstancia particular de la tienda que también debe considerarse.
La tecnología aporta velocidad, capacidad de análisis y consistencia. Las personas aportan contexto, estrategia y criterio comercial.
El objetivo no consiste en eliminar la decisión humana, sino en evitar que el equipo tenga que invertir una parte importante de su tiempo en descubrir manualmente aquello que el sistema puede detectar y preparar previamente.
La automatización solo funciona si la información de partida es fiable
La inteligencia artificial puede encontrar patrones entre enormes cantidades de información, pero no puede convertir unos datos deficientes en decisiones fiables de forma indefinida.
Si el inventario teórico no coincide con el físico, existen movimientos que no se registran correctamente o las referencias y variantes no están bien identificadas, cualquier modelo tendrá dificultades para interpretar la situación real.
Por eso, la optimización del inventario no debería plantearse como un proyecto aislado de inteligencia artificial. Necesita una base tecnológica capaz de proporcionar información consistente desde ERP, ecommerce, POS, almacenes y otras fuentes relevantes.
Esta parte quizá sea menos llamativa que hablar de automatización, pero suele separar una prueba tecnológica interesante de una herramienta capaz de incorporarse realmente al día a día de la compañía.
Entonces, ¿cuánto stock necesita realmente una tienda?
La respuesta cambia según la referencia, la ubicación y el momento.
El stock adecuado es aquel que permite responder a la demanda con un nivel de disponibilidad coherente con el negocio, sin mantener innecesariamente capital inmovilizado en mercancía que tiene pocas probabilidades de venderse.
Para llegar a ese equilibrio ya no basta con observar cuánto vendimos el año anterior o establecer las mismas reglas para todas las referencias. Hay que comprender la demanda, la ubicación, las variantes, los tiempos de reposición, el momento de la temporada y el inventario disponible en toda la red.
Y hacerlo de forma dinámica.
Porque lo que hoy es el stock adecuado para una tienda puede dejar de serlo dentro de una semana.
La inteligencia artificial abre la posibilidad de gestionar esta complejidad de manera continua, transformando señales dispersas en recomendaciones y permitiendo que el equipo intervenga precisamente allí donde su criterio tiene mayor impacto.
Soluciones como pRebalio llevan este enfoque un paso más allá al conectar la previsión con decisiones concretas de stock objetivo, compra o fabricación, redistribución entre ubicaciones y optimización de variantes, dejando a cada empresa decidir qué desea automatizar y qué prefiere mantener sujeto a aprobación.
La cuestión, por tanto, quizá ya no sea únicamente cuánto stock necesita una tienda. Para muchas organizaciones, la pregunta realmente importante empieza a ser otra:
¿Cuánto tiempo seguimos dedicando a descubrir manualmente decisiones que nuestros propios datos ya podrían ayudarnos a anticipar?
Cuando un equipo todavía necesita cruzar constantemente ventas, existencias, tiendas y hojas de cálculo para decidir qué comprar, qué reponer o qué mover, el siguiente salto no suele consistir en generar más información.
Consiste en conseguir que esa información empiece a trabajar para el negocio.
Referencias utilizadas para la elaboración
- McKinsey & Company / EuroCommerce. Rewiring retail in Europe: The AI imperative (2026).
- McKinsey & Company. Merchants unleashed: How agentic AI transforms retail merchandising (2026).
- Data Science Festival / ASOS. AI Demand Forecasting at ASOS: Building a Scalable Machine Learning System to Forecast for Thousands of Products.
Montserrat Velasquez, Responsable de Marketing, Practics Business Solutions