Para fruterías, panaderías, carnicerías o proveedores de restauración — la decisión diaria de pedido o producción que equilibra rotura de stock y merma (en la literatura: problema del Newsvendor).
En pocas palabras
¿Te suena?
- Cada mañana, '¿cuánto producimos o compramos hoy?' se responde con 'el lunes pasado vendimos esto'
- Al final del día se tira, se rebaja o se da al personal el 10–25 % del producto — recorta significativamente el margen anual
- Hacia las 18:00 se agota algún producto popular; el cliente va al competidor y no vuelve
- Un día de lluvia se produjo lo mismo que un día soleado; un lado es desperdicio, el otro queda corto
- Antes de festivos, Día de la Madre o cambio de tiempo, la discusión 'más o menos' se hace de cero
- El personal anota 'el cliente preguntó, no había', pero esas notas se pierden; sin análisis sistemático
- El equipo de producción hace lo mismo cada día; la variabilidad de demanda no coincide con la producción y o sobra o falta
Por qué importa
Cómo se resuelve
Profundidad técnica
Cómo se resuelve
Profundidad técnicaEn una frase: Pide un poco más de los artículos de alto margen (la rotura penaliza fuerte) y un poco menos de los de alta caducidad (recuperación cero al estropearse). No busques una única cantidad ‘media’ — fija un balance distinto por artículo.
Lo que el software realmente hace es esto: para cada artículo calcula numéricamente la cantidad óptima que equilibra el ‘coste de merma’ con el ‘coste de venta perdida’; luego aprende la distribución de demanda del histórico de ventas y recomienda una cantidad diaria. Tres etapas:
1. Recoge datos de coste y demanda. Por artículo: coste de compra/producción, precio de venta, valor de recuperación de una unidad no vendida (suele ser cero o muy bajo), coste de margen perdido en rotura, variabilidad de demanda (8–12 semanas de histórico diario). El tiempo, los eventos de calendario (festivos, fines de semana, periodo escolar) y los eventos locales entran como factores adicionales.
2. Calcula la cantidad óptima. La fórmula clásica del Newsvendor se basa en la ‘fractil crítica’ (el umbral ‘queremos no quedarnos sin stock en este porcentaje de días’): nivel de servicio óptimo = margen / (margen + coste de merma). Es decir, un artículo de alto margen económicamente soporta sobrepedir un poco; un artículo con alta merma soporta subpedir un poco. Para cada artículo, el software encuentra la cantidad de demanda que cumple esa fractil crítica desde la distribución histórica — esa es la cantidad óptima. La distribución puede ser normal, lognormal o los datos empíricos reales.
3. La recomendación diaria llega a la mesa. Al abrir, o a la hora de pedir, el software produce una lista por artículo: ‘Hoy: manzanas 45 kg, pan 180 unidades, ternera 18 kg’. Las anulaciones por tiempo o campaña se aplican automáticamente. Al cierre, el software compara ventas reales con su predicción y se actualiza — aprende con el tiempo. La anulación manual siempre está disponible: ‘Hoy llueve, pan 15 % menos’ — la decisión del responsable manda.
No sustituye a la experiencia; piénsalo como una calculadora que escala ‘un poco más, un poco menos’ de 20 a 200 artículos — con justificación numérica por artículo. La decisión sigue siendo tuya, pero el ‘óptimo’ está sobre la mesa para cada producto.
Alternativas
Intuición + cuaderno de la semana pasada
GratisGratis
Para quién: 10–30 artículos, demanda estable, tienda pequeña
- + Coste cero
- + Flexible — cambios al vuelo
- + Sin decisión de inversión
- − Por encima de 30 artículos las cantidades óptimas no caben en la cabeza
- − La variabilidad de demanda (tiempo, campañas, eventos) queda en intuición
- − Las cifras del Día de la Madre del año pasado no se recuerdan
- − Merma y ventas perdidas no se trazan numéricamente
Hoja de cálculo + seguimiento manual diario
GratisGratis (tu propio tiempo)
Para quién: 20–60 artículos, dispuesto a llevar promedios por escrito
- + Sin coste de software
- + Fórmulas a medida de tu negocio
- + Todos los datos en un solo sitio
- − Aplicar la fórmula probabilística del Newsvendor a mano es duro
- − Entradas manuales diarias
- − Sin modelo autodidacta
Software de TPV-pedidos con pronóstico integrado
Empresarial200–800 EUR de implantación + 50–200 EUR/mes (precios pyme regional)
Para quién: 50–300 artículos, TPV instalado en frutería/panadería/carnicería
- + Interfaz y soporte en español
- + TPV y pedidos integrados
- + Recomendación diaria por email/SMS
- − El motor de pronóstico suele ser 'media de la semana pasada'; sin matemática real del Newsvendor
- − Los parámetros de coste (margen, merma) no se pueden ajustar por artículo
- − Tiempo y eventos no entran
Software internacional especializado de pronóstico para fresco
Empresarial20–100 EUR/artículo/año o 25.000–150.000 EUR/año de licencia
Para quién: 300+ artículos, cadena de alimentación, red de restauración, productor de alimentos
- + Maduro: Newsvendor + pronóstico con aprendizaje automático, multi-categoría, tiempo y eventos
- + Integración con TPV y almacén lista
- + Algoritmos endurecidos en años
- − Coste alto de licencia y consultoría
- − Implantación 2–4 meses
- − Adaptación a productos y proveedores locales necesaria
Desarrollo propio sobre librerías de código abierto
Código abiertoLicencia gratis; 4–8 semanas de desarrollo interno o 20.000–80.000 EUR de consultoría
Para quién: Cadena con equipo de datos u operador tecnológico
- + Sin coste de licencia
- + Personalizable a tu estructura de producto y coste
- + Cloud o servidor propio
- − Capacidad de ciencia de datos interna obligatoria
- − El mantenimiento continuo es trabajo real
- − Histórico de mala calidad lleva a conclusiones engañosas
Recomendación
Pregunta en la reunión
- ¿El motor de pronóstico aplica matemática real del Newsvendor (cantidad óptima vía fractil crítica) o sólo promedios históricos?
- ¿El coste de merma, el margen y la vida útil pueden definirse como parámetros separados por artículo, o todos los artículos se tratan con un único 'stock de seguridad'?
- ¿El tiempo, los eventos de calendario (festivos, fines de semana) y los eventos locales entran automáticamente al pronóstico?
- ¿Los periodos de rotura se corrigen automáticamente en el histórico (corrección de demanda censurada)?
- ¿Se modela la sustitución (por ejemplo pan blanco agotado, el cliente toma integral)?
- ¿Las cantidades mínimas de pedido (MOQ) y descuentos por volumen entran a la recomendación?
- ¿Cómo estructuráis el piloto — cuántos artículos, cuántas semanas, qué umbral de éxito?
- Si dejamos de trabajar con vosotros, ¿cómo recuperamos historial de producto, registros de merma y recomendaciones de pedido? ¿Hay export en formato estándar?
Detalles técnicos
Nota editorial
En el mostrador, este problema se conoce como ‘¿cuánto pedimos hoy?’, ‘reducción de merma’ o ‘cantidad de producción diaria’. El nombre académico es Newsvendor Problem — decisión de inventario estocástica de un periodo. El nombre viene del vendedor de prensa que cada mañana pide la tirada del día; lo que vende es beneficio, lo que sobra se tira. La misma estructura aparece en fresco, moda estacional, entradas de eventos, reservas de sangre, incluso overbooking de vuelos. Sin ese vocabulario, en una demo no podrás distinguir si el ‘módulo de pronóstico’ optimiza realmente el trade-off merma–rotura o sólo promedia el pasado.
El punto que más se pasa por alto en este segmento: muchos productos anuncian ‘pronóstico de demanda’ pero por debajo aplican medias móviles — ‘media de las últimas 4 semanas × 1,1’. Eso vale cuando la variabilidad es baja; en fresco la demanda puede oscilar 20–50 % al día, y el coste a cada lado (rotura vs merma) es asimétrico. Un Newsvendor real calcula la ‘fractil crítica’ como margen / (margen + coste de merma). En cualquier demo, pide un ejemplo trabajado: ‘margen 5 EUR, coste de merma 8 EUR, media de demanda 100, desviación típica 30 — ¿cuál es la cantidad óptima?’
Plan paso a paso para una pyme
Etapa 1 — Primero medir, después planificar. Durante 8–12 semanas registra cuatro cosas:
- Ventas reales diarias por artículo
- Merma al final del día: tirado, rebajado, devuelto
- Horas de rotura (por ejemplo ‘pan agotado a las 18:00, 4 horas con compradores’)
- Tiempo y notas de calendario (festivos, periodo escolar, eventos locales)
Sin esta línea base no puedes saber qué software entregará qué resultado.
Etapa 2 — Construye la tabla de costes. Por artículo: coste de compra, precio de venta, margen (precio menos coste), coste por unidad mermada, razón margen/coste de merma. Esa razón define la ‘fractil crítica’ — el principal parámetro detrás de cualquier recomendación honesta. Esa tabla es tu capital de conocimiento — cualquier proveedor serio la pedirá primero.
Etapa 3 — Piloto. Empieza con los 10–30 artículos más importantes durante 6–10 semanas. Define el criterio de éxito por escrito, antes del piloto: por ejemplo, ’en 60 días, merma del grupo A abajo 25 %, roturas abajo 30 %’. Si no se alcanza, el piloto termina — guarda ese derecho en el contrato.
Etapa 4 — Despliegue. Si el piloto sale bien, escala a todo el surtido en 2–3 meses. Formación 1–2 semanas; por la mañana un ‘sistema recomienda, acepto’ debería bastar.
Riesgos — qué puede salir mal
- Histórico de mala calidad. Registros tipo ‘vendido’ / ’tirado’ son demasiado básicos; el Newsvendor no calcula bien. Antes del piloto, estandariza el registro diario + por artículo de ventas y merma.
- Datos de rotura perdidos. Si el sistema marca una rotura como ‘cero ventas’, el histórico de demanda engaña (demanda censurada). Un buen sistema registra las horas de rotura aparte.
- Efecto sustitución. Cuando el cliente no encuentra el producto, toma alternativo (no hay pan blanco, lleva integral). Sin modelo, la conclusión falsa es ’la demanda de pan blanco es baja’.
- Dependencia de un único proveedor. Software que guarda histórico y parámetros de coste en formato propio dificulta cambiar más adelante. Cláusula en el contrato: ‘Podemos exportar nuestros datos en formatos abiertos estándar (CSV o similar) cuando lo solicitemos.’
Lección relacionada (se enlazará al publicarse): ‘Una cadena de alimentación mediana abandonó su software de recomendación de pedidos al mes 9 — qué pasaron por alto.’
Visión técnica del método de solución
Esta sección reúne lo que necesitarás al hablar con un equipo de software o un consultor. No es lo que el operador ve en pantalla — es el motor detrás del telón.
Enfoques principales para pedido de perecederos:
| Enfoque | Uso típico | Necesidad de datos | Lógica de decisión |
|---|---|---|---|
| Media móvil | Histórico existente, demanda estable | Baja | Media de los últimos N días |
| Newsvendor clásico | Perecedero, decisión única | Media | Fractil crítica × distribución de demanda |
| Multi-periodo con arrastre | 2–7 días de vida útil | Media | Programación dinámica |
| Pronóstico con aprendizaje automático | Muchos artículos + tiempo + eventos | Alta | Árboles de regresión, redes neuronales |
| MIP estocástico | Multi-producto + restricción de proveedor | Alta | Optimización completa |
Regla práctica: bajo 30 artículos basta el Newsvendor clásico. Con 100+ artículos, multi-categoría y operación con efecto de temporada, conviene mezcla pronóstico ML + Newsvendor. Con MOQ del proveedor y multi-producto, MIP estocástico.
La elección de la función objetivo cambia la forma de la solución:
- Beneficio esperado (balance merma + ventas perdidas): ‘Maximizar beneficio neto’ — encaja en productos de margen alto
- Merma total: ‘Minimizar lo tirado’ — encaja en operaciones con foco sostenible
- Nivel de servicio (95 % sin rotura): ‘Que el cliente siempre encuentre’ — encaja en estrategia de cuota
- Asimetría de costes: ‘Coste de rotura 3× coste de merma’ — encaja en productos de margen ajustado
La mayoría de despliegues reales usan una mezcla ponderada de los cuatro — la más común beneficio esperado × nivel de servicio.
Referencias académicas
Listadas en el bloque sources de esta página. El Newsvendor fue formalizado en 1951 por Arrow, Harris y Marschak y ha sido uno de los campos más antiguos y aún activos de la investigación operativa; el trabajo actual lo extiende con pronóstico por aprendizaje automático y modelos de sustitución multi-producto.
Fuentes
- Arrow, K. J., Harris, T. y Marschak, J. (1951). Optimal inventory policy. Econometrica, vol. 19 — el artículo que estableció la base matemática del problema del Newsvendor.
- Khouja, M. (1999). The single-period (news-vendor) problem: literature review and suggestions for future research. Omega, vol. 27 — revisión exhaustiva del campo.
- Porteus, E. L. (2002). Foundations of Stochastic Inventory Theory. Stanford University Press. Texto estándar de teoría estocástica de inventarios.
- INFORMS Interfaces — casos de implantación del Newsvendor en fresco y retail. informs.org/Publications/Interfaces
Glosario
- Newsvendor
- Modelo clásico de inventario de un único periodo que da la cantidad óptima de pedido para perecederos, equilibrando merma y rotura.
- Nivel de Servicio
- La probabilidad de que el cliente encuentre lo que busca — objetivo numérico para las decisiones de inventario y pedido.
- MIP
- Modelo de optimización donde parte de las variables de decisión deben ser números enteros (p. ej. número de camiones o de turnos).