IA para ecommerce: tus datos de stock mienten

casi todas las guías sobre ia para ecommerce son listas de herramientas. esta va de lo que decide si alguna de ellas funciona: tus números de stock, y si coinciden entre sí.

normalmente no coinciden. y mientras no lo hagan, un modelo más listo solo se equivoca más rápido y con más seguridad.

el agente medio ciego

lo que veo una y otra vez con clientes: la mercancía en producción vive en un sistema, el stock del almacén en otro, y lo que el marketplace cree que tienes es un tercer número. nadie los ha cruzado nunca.

una ia que ve la mitad de tu stock repondrá, con total confianza, cosas que ya vienen de camino. no es un fallo del modelo: está leyendo exactamente lo que le diste. dale dos conjuntos de números que se contradicen y elegirá uno y actuará.

la tarde que te ahorra un año

antes de comparar un solo proveedor, haz esto.

coge veinte de tus productos más vendidos. cuéntalos el mismo día en tres sitios: el marketplace, tu sistema de almacén, producción. anota cada desacuerdo y, al lado de cada número, cuántas horas o días de retraso lleva.

ya está. aprenderás más en una tarde que con cualquier demo, y sabrás de cuál de las tres fuentes te puedes fiar. los datos de la plataforma suelen estar limpios y se pueden descargar. los de tu lado suelen ir con retraso y mal mantenidos. ese hueco es el proyecto.

el primer proyecto de verdad es aburrido: un único sitio donde el stock sea cierto y fresco, y una persona con nombre responsable de mantenerlo. eso es el 80% del valor y el 0% de la «ia». si una demo se salta este paso, te está vendiendo un panel encima de un desorden.

¿es el mismo problema de inventario en tu tienda online y vendiendo en amazon?

si llevas una tienda con un solo almacén, tu problema es la frescura. una fuente, un número, y la única pregunta es cuántas horas de retraso lleva. la mayoría de herramientas lo resuelven y son honestas al respecto.

en cuanto vendes también en un marketplace, el problema cambia de forma. ahora tienes el mismo producto en varios sitios, sujeto a reglas de logística distintas, con un número de plataforma que se actualiza a su ritmo y un número de almacén que se actualiza al tuyo. la herramienta que servía para la tienda no te dirá que se le queda grande: simplemente se equivocará en silencio.

así que antes de comprar nada, responde cuál de las dos cosas eres. casi todas las listas de «mejor ia para ecommerce» tratan a los dos como un mismo comprador.

¿puede tu propia publicidad deformar tus datos de demanda?

tu demanda está deformada por tus propias campañas: subes la inversión, suben las ventas, la herramienta lo lee como demanda orgánica y sobre-pide justo cuando paras.

por eso, al evaluar herramientas de ia para ecommerce, hay una pregunta que casi nadie hace: ¿esto se ha probado con datos de varios almacenes y varios canales, o con una tienda de un solo almacén? la respuesta lo cambia todo y ningún proveedor la ofrece por su cuenta.

¿qué métricas exigir en vez de promesas de marketing?

el estándar del sector para demostrar que una previsión vale algo es el valor añadido de la previsión: la precisión de tu proceso menos la precisión de un modelo ingenuo, donde lo ingenuo es el período anterior, el mismo período del año pasado, o una media móvil. si la ia no bate eso, no aporta nada (umbrex). la métrica que se usa es el wape: la suma de los errores absolutos dividida por las ventas reales totales, y precisión = 1 − wape (umbrex).

en la competición m5, sobre ventas diarias por artículo de walmart, unas 42.000 series, los métodos ganadores fueron todos de aprendizaje automático y sí batieron a los clásicos. pero alrededor del 92,5% de los equipos no logró superar un modelo barato de suavizado exponencial elegido automáticamente (artículo m5).

así que cuando alguien agita un «20-50% de mejora», la única pregunta honesta es: ¿sobre qué base, medida con los datos de quién? que ejecute su previsión contra una media móvil sobre tu propio histórico y te enseñe la cascada del wape: ingenuo, después estadístico, después las correcciones a mano, después el consenso. cualquier paso que empeore el wape, incluida una corrección humana, es un problema de gobierno y no una función.

¿dónde falla la ia para inventarios, en concreto?

productos nuevos: sin histórico no hay nada que leer. la precisión realista ahí es de un 40-55%, frente al 75-85% de una categoría asentada, y hacen falta entre ocho y doce semanas de ventas reales tras el lanzamiento para pasar de «copia la demanda de un artículo parecido» a métodos normales. la previsión de un producto nuevo debería ser un rango de probabilidad, no un número seguro (onepint).

promociones y canibalización: un pico por descuento, o un color nuevo que se come al viejo, son justo los casos donde un lector rápido del pasado lee el pasado mal.

cola larga: artículos que venden tres unidades al mes, donde las matemáticas se vuelven finas y la respuesta segura se vuelve peligrosa.

deja a una persona en las semanas de promoción y en los lanzamientos. deja a la máquina los productos estables y aburridos, que es donde de verdad es buena.

¿estás comprando un panel o un agente de ia?

la mayoría de las herramientas de ia para inventarios son paneles de previsión: predicen y avisan, y una persona sigue haciendo el pedido. un agente es otra cosa: hace pedidos de verdad, con límites de política: tope de gasto, margen mínimo, niveles de servicio y autonomía por tramos. las reposiciones rutinarias dentro del umbral se ejecutan solas; las grandes (un envío urgente, un proveedor nuevo, un importe por encima del umbral) pasan a una persona. estos agentes suelen avanzar por etapas, de avisar solos a decidir solos y de ahí a actuar solos, y cada corrección humana vuelve como dato de entrenamiento (opsveda).

mi regla es simple y no la muevo: siempre hay una persona en el circuito. el agente redacta el pedido, una persona firma los que importan. un agente haciendo pedidos sin límite sobre datos con retraso es la forma de comprar 5.000 unidades de lo que no era, de un día para otro.

la negativa es la función

mis estanterías las repone un robot según el nivel de existencias. el 20 de julio retuvo una en lugar de reponerla.

el stock sano, artículos con 50 unidades o más, había caído de 488 a 339 en una semana, alrededor de un 30%. dos cosas a la vez: un pico de pedidos y una incidencia en el almacén del propio marketplace. el robot no repuso contra esa caída: retuvo la estantería y dijo por qué.

la versión «más lista» habría concluido que subía la demanda y habría comprado mercancía para resolver un problema logístico ajeno.

esa es la forma que hay que comprar: una estantería que se repone sola y sabe cuándo parar. la historia completa está en cuando el robot se niega.

¿qué preguntar antes de pagar por una ia de inventarios?

• ¿dónde viven de verdad mis datos de stock y qué antigüedad tiene cada fuente?
• ¿tu herramienta se ha probado con varios almacenes y varios canales, o con una tienda de uno solo?
• enséñame tu previsión contra una media móvil, sobre mi propio histórico.
• ¿qué se negará a hacer el agente y cómo me entero?
• ¿quién es responsable de que los números de stock sean ciertos?

si no saben responder a la primera y a la última, lo demás da igual.

¿qué comprobar antes de comprar un sistema de inventarios?

sale más barato averiguarlo antes de gastar que después.

faq

¿cuál es la mejor ia para ecommerce? la que se conecta donde de verdad viven tus existencias y deja a una persona en las decisiones que gastan dinero. antes de comparar herramientas, comprueba si el número del marketplace, el del almacén y el de producción coinciden. si no coinciden, todas las herramientas se equivocarán igual y con total seguridad.

¿por qué se equivoca la ia para inventarios? normalmente porque solo ve la mitad de tu stock. la mercancía en producción está en un sistema, la del almacén en otro y la del marketplace en un tercero, y nadie los ha cruzado. un agente que no ve lo que viene de camino repondrá cosas que ya están en un camión.

¿cómo compruebo mis datos antes de pagar una herramienta? coge veinte de tus productos más vendidos y cuéntalos el mismo día en tres sitios: el marketplace, tu sistema de almacén y producción. anota cada desacuerdo y la antigüedad de cada número. esa tarde te dirá más que cualquier demo comercial.

¿sirve la misma ia para una tienda online y para vender en amazon? no. una tienda con un solo almacén tiene un problema de frescura: un número, y cuántas horas de retraso lleva. en cuanto vendes también en un marketplace tienes el mismo producto en varios sitios, con reglas logísticas distintas y dos relojes diferentes. la herramienta pensada para lo primero no avisa de que se le queda grande lo segundo: simplemente se equivoca en silencio.

¿puede un agente hacer pedidos solo? solo con límites: topes de gasto, margen mínimo, niveles de servicio y una referencia con la que comparar. lo rutinario dentro del umbral puede ir solo; lo grande o lo raro pasa a una persona. el mío retuvo una estantería cuando el stock sano cayó un 30% en una semana, y esa negativa valió más que la automatización.

¿cuánto acierta la ia al prever la demanda? bastante más en líneas asentadas que en productos nuevos. en un producto nuevo la precisión realista está en torno al 40-55%, frente al 75-85% de una categoría establecida, y hacen falta entre ocho y doce semanas de ventas reales antes de pasar de «copia la demanda de un artículo parecido» a métodos normales. no aceptes ningún porcentaje, tampoco el mío, sin una prueba detrás sobre tus propias ventas.

¿qué diferencia hay entre un panel de previsión y un agente? la mayoría de las herramientas de inventario son paneles: predicen y avisan, y una persona hace el pedido. un agente hace el pedido de verdad, con límites de política: tope de gasto, margen mínimo, niveles de servicio. lo rutinario dentro del umbral se ejecuta solo y lo grande pasa a una persona. saber cuál de los dos estás comprando cambia el precio y el riesgo.

déjame comprobar si va a funcionar con tus datos. ejecuto la previsión del proveedor contra una base ingenua sobre tus propias ventas y te dibujo dónde vive de verdad tu información de stock: producción, almacén, marketplace, y cuánto retraso lleva cada una. te dice lo que el dossier comercial no dirá: si esto bate a una media móvil, y qué tienes que arreglar antes. la primera conversación es de una hora y es gratuita, y te llevas el informe tanto si acabamos trabajando juntos como si no. reserva una hora.

Creado con asistencia de IA.