La predicción por SKU es un enfoque de la predicción de demanda con IA que permite anticipar ventas por plato, día y local, ajustando producción y compras para reducir mermas y roturas de stock en cadenas HORECA. Es lunes por la mañana y el director de compras de una cadena con multi-local revisa la previsión semanal. El sistema le dice que espera facturar 180.000 euros esta semana y atender unos 12.000 cubiertos. Dato interesante para finanzas. Pero cuando se sienta a decidir cuántos kilos de merluza, cuántas cajas de entrecot o cuántos litros de base de crema debe pedir, esa cifra no le sirve para absolutamente nada.
El error más común: predecir la cifra equivocada
La mayoría de cadenas HORECA que intentan incorporar previsión de demanda cometen el mismo error: predicen a nivel agregado. Facturación total, número de cubiertos, ticket medio esperado. Son métricas útiles para el comité de dirección y para el controller financiero, pero son completamente inútiles para el departamento de compras.
El motivo es sencillo. Saber que un local va a servir 200 cubiertos el sábado no dice nada sobre qué van a pedir esos 200 comensales. Y las necesidades de aprovisionamiento dependen enteramente de la mezcla de platos, no del volumen total de clientes.
La mezcla de platos lo cambia todo
Imaginemos dos sábados consecutivos con exactamente 200 cubiertos en el mismo restaurante. El primero, el 60% de los clientes pide pescado y el 40% carne. El segundo, la proporción se invierte. La facturación puede ser similar, pero las necesidades de ingredientes son radicalmente diferentes: kilos de merluza, lubina y gambas en un caso; kilos de entrecot, solomillo y chuletón en el otro. Los proveedores son distintos, los plazos de entrega son distintos, las caducidades son distintas.
Multiplicar este problema por 15, 25 o 50 locales, cada uno con su propia carta y su propio patrón de consumo, convierte la previsión agregada en un ejercicio de adivinación que siempre termina igual: sobrestock de lo que no se vende y roturas de lo que sí se vende.
Por qué la previsión total falla para compras
Cuando un grupo HORECA intenta usar la previsión de facturación para tomar decisiones de compra, el proceso se rompe en varios puntos. El director de compras recibe un número global y tiene que descomponerlo manualmente: estimar qué porcentaje será pescado, qué porcentaje será carne, cuántos postres se servirán. Esa estimación se basa en la experiencia o en promedios históricos muy gruesos que no capturan la variabilidad real.
El resultado es predecible. Los pedidos se hacen con un margen de seguridad excesivo para evitar roturas, lo que genera sobrestock. Los ingredientes perecederos se desperdician. Las mermas crecen. Y cuando hay un evento, una promoción o un cambio de carta, todo el sistema manual se desajusta porque nadie recalcula las proporciones.
Cada local tiene su propio patrón
Además, la mezcla de platos no es uniforme entre locales. Un restaurante en zona de oficinas vende más menús del día entre semana y más carta los fines de semana. Un local en zona turística tiene un mix completamente diferente al de uno en un centro comercial. Aplicar la misma proporción a todos los centros garantiza que el pedido será incorrecto en la mayoría de ellos.
La granularidad necesaria: plato x local x día
Para que una previsión de demanda sea realmente útil para compras, necesita operar al nivel más bajo posible: cuántas unidades de cada plato se venderán en cada local, cada día. Esto es lo que en el sector se conoce como predicción por SKU.
Solo con esta granularidad es posible ejecutar el proceso que realmente necesita el departamento de Compras: explotar cada plato en sus ingredientes según el escandallo, agregar las necesidades de todos los platos por ingrediente, descontar el stock disponible y generar un pedido de compra por proveedor que refleje exactamente lo que se va a necesitar.
Sin predicción por SKU, este pipeline es imposible de automatizar. Con predicción por SKU, se convierte en un cálculo que puede ejecutarse diariamente sin intervención manual.
El reto de los datos
Predecir a nivel de plato es significativamente más difícil que predecir a nivel agregado. Requiere datos limpios del TPV con histórico de ventas por plato, por día y por local. Requiere suficiente profundidad temporal para que los modelos capturen patrones de estacionalidad y día de semana. Y requiere resolver varios problemas que no existen en la previsión agregada.
Los platos nuevos, por ejemplo, no tienen histórico. Los platos de temporada aparecen y desaparecen de la carta. Las promociones alteran temporalmente la demanda de ciertos platos a costa de otros. Y los platos de baja rotación tienen tan pocas ventas diarias que cualquier modelo estadístico convencional genera predicciones poco fiables.
Este reto de datos es precisamente lo que explica por qué la mayoría de cadenas se quedan en la previsión agregada: es más fácil, pero no resuelve el problema de compras.
Cómo Controliza resuelve la predicción por SKU
El motor de Predicción de Controliza está diseñado desde su arquitectura para operar a nivel de plato, local y día. No es una capa de desagregación sobre una previsión total; es un modelo que nace granular.
Modelos ML entrenados por plato y local
Controliza entrena modelos de machine learning específicos para cada combinación de plato y local. Cada modelo captura los patrones propios de esa referencia en ese centro: estacionalidad, efecto del día de la semana, impacto de festivos y eventos, y evolución de tendencia. Un risotto en el local de Barcelona tiene un patrón distinto al del mismo risotto en Valencia, y el sistema lo trata como dos entidades diferentes.
Tratamiento diferenciado por volumen
Los platos de alta rotación, como un menú del día o un plato estrella, generan suficientes datos para que los modelos predictivos alcancen alta precisión. Los platos de baja rotación, como ciertos postres o entrantes especiales, necesitan un enfoque estadístico diferente. Controliza detecta automáticamente el volumen de cada referencia y aplica el modelo más adecuado: series temporales avanzadas para alto volumen, modelos de demanda intermitente para bajo volumen.
Gestión de platos nuevos y cambios de carta
Cuando se introduce un plato nuevo sin histórico, Controliza utiliza datos de platos similares en la misma categoría para generar una previsión inicial. A medida que se acumulan datos reales, el modelo se adapta progresivamente. Los cambios de carta se gestionan de forma automática: si un plato desaparece, su demanda se redistribuye entre las alternativas disponibles.
De la previsión al pedido: el pipeline completo
La verdadera potencia de la predicción por SKU se materializa cuando se conecta con el módulo de Compras. El pipeline que Controliza ejecuta cada día es el siguiente:
1. Predicción por plato. El motor de predicción genera la demanda esperada de cada plato en cada local para los próximos días, cubriendo el horizonte necesario según los plazos de entrega de cada proveedor.
2. Explosión de recetas. Cada plato se descompone en sus ingredientes según el escandallo vigente. Si el sistema predice 80 raciones de risotto de setas, calcula automáticamente los gramos de arroz, las unidades de setas, los litros de caldo y el resto de ingredientes necesarios.
3. Agregación por ingrediente. Las necesidades de todos los platos se consolidan por ingrediente. El arroz del risotto se suma al arroz de la paella y al arroz de la guarnición. El resultado es la necesidad total de cada ingrediente por local.
4. Descuento de stock. El sistema resta el stock disponible en cada local, considerando las existencias actuales, las caducidades próximas y los pedidos ya confirmados en tránsito.
5. Pedido por proveedor. Las necesidades netas se agrupan por proveedor según los contratos vigentes y se genera un pedido sugerido que el encargado puede aprobar con un solo clic o que, si la cadena lo autoriza, se envía automáticamente.
Este ciclo, que ejecutado manualmente llevaría horas por local, se completa de forma automática cada día para todos los centros del grupo. Y todo empieza por un dato: cuántas unidades de cada plato se van a vender.
El módulo de Cocina utiliza esa misma previsión por plato para generar el plan de producción por turno, las listas de descongelación y el mise en place, cerrando el ciclo desde la predicción hasta el servicio.
¿Tu previsión de demanda llega al nivel de plato?
Descubre cómo el motor de Predicción de Controliza genera predicción por SKU, local y día, y lo conecta directamente con pedidos automáticos de Compras. Solicita una demo personalizada y comprueba el impacto en tu cadena.
Impacto medible
Los grupos HORECA que han pasado de previsión agregada a predicción por SKU con Controliza reportan mejoras consistentes en los primeros meses de operación:
Datos medidos en clientes activos de Controliza.
En cadenas con más de multi-local, el ahorro en mermas y la reducción de roturas de stock compensan por sí solos el coste de la plataforma en los primeros meses. Pero el impacto más significativo es cualitativo: los equipos de compras dejan de operar a ciegas y empiezan a tomar decisiones basadas en datos granulares, no en intuición.
