Cada trimestre, el mismo ritual: el equipo de planificación se sienta con las cifras del año anterior, aplica un porcentaje de crecimiento más o menos optimista y genera una previsión que, con suerte, se parecerá a lo que realmente ocurra. Si hay suerte. Cuando no la hay, el resultado son almacenes llenos de producto que nadie pidió y roturas de stock en las referencias que más se venden.
Ese modelo de planificación basado en la experiencia y la intuición ha funcionado durante décadas, pero tiene un problema estructural: no escala. A medida que el catálogo crece, los canales se multiplican y la volatilidad del mercado aumenta, la capacidad humana para detectar patrones se queda corta. Y es precisamente ahí donde la inteligencia artificial aplicada a la previsión de demanda deja de ser una promesa y se convierte en una herramienta operativa concreta.
Dynamics 365 Supply Chain Management (SCM) lleva tiempo integrando capacidades de forecasting con IA. Con el Wave 1 de 2026, Microsoft refuerza esta funcionalidad con mejoras en los modelos predictivos, insights generativos y una integración más fluida con la planificación de compras y producción. Este artículo explica cómo funciona, qué necesita para dar resultados y en qué sectores aporta más valor.
Qué es el demand forecasting en Dynamics 365 SCM (y qué no es)
Conviene empezar por lo básico. El demand forecasting en Dynamics 365 SCM es un módulo que utiliza modelos de machine learning para generar previsiones de demanda basadas en datos históricos de ventas. El sistema analiza patrones de estacionalidad, tendencias, picos y anomalías, y produce una línea base de pronóstico que los planificadores pueden ajustar antes de incorporarla a la planificación maestra.
Lo que no es: una bola de cristal. La IA no elimina la incertidumbre, la reduce. Y la calidad de esa reducción depende directamente de la calidad y profundidad de los datos históricos que alimentan el modelo.
El flujo básico funciona así:
- Se recopilan datos históricos de transacciones de venta (típicamente entre 2 y 5 años).
- Esos datos se envían a Azure Machine Learning, donde se entrenan modelos predictivos (ARIMA, ETS u otros algoritmos personalizados).
- El modelo genera una previsión base (baseline forecast) por producto, ubicación y periodo.
- El equipo de planificación revisa, ajusta y aprueba la previsión en la hoja de planificación de demanda.
- La previsión aprobada alimenta la planificación maestra, que genera propuestas de compra y órdenes de producción.
El valor real está en el paso 3: la IA detecta patrones que un analista tardaría semanas en identificar, especialmente cuando el catálogo tiene cientos o miles de referencias con comportamientos distintos.
Qué datos necesita para funcionar bien
Uno de los errores más comunes al activar el demand forecasting es asumir que basta con tener el módulo. No basta. El modelo es tan bueno como los datos que lo alimentan, y esto implica requisitos concretos.
Histórico de ventas limpio y suficiente. Lo ideal es disponer de al menos dos años de datos de transacciones, preferiblemente más. Si el histórico está contaminado con devoluciones no depuradas, ventas internas mal clasificadas o periodos sin actividad por problemas de sistema, la previsión heredará esos errores.
Granularidad adecuada. El sistema puede generar previsiones a nivel de producto, variante, almacén y periodo (semanal, mensual, trimestral). Pero más granularidad exige más datos. Pedir una previsión semanal por SKU y por almacén cuando solo hay 18 meses de histórico mensual es pedirle al modelo que adivine, no que prediga.
Datos de contexto, si están disponibles. Las mejoras del Wave 1 2026 refuerzan la capacidad de incorporar señales externas: promociones, variaciones de precio, estacionalidad por canal. Cuantas más variables relevantes tenga el modelo, mejor captura la dinámica real de la demanda. No es obligatorio aportar datos externos, pero marca la diferencia en sectores donde la demanda es sensible a factores exógenos.
Qué cambia con el Wave 1 2026
La actualización de abril de 2026 introduce mejoras significativas en la planificación de demanda dentro de Dynamics 365 SCM.
Generative insights para Demand Planning. Copilot ahora analiza el histórico de ventas y los datos de pronóstico, y genera resúmenes en lenguaje natural que explican los principales drivers de la previsión: por qué sube la demanda de un producto en un periodo, qué anomalías se han detectado, dónde hay desviaciones significativas respecto al año anterior. Esto reduce el tiempo de análisis y facilita que los planificadores tomen decisiones informadas sin sumergirse en tablas interminables.
Simulación de promociones y precios. Una de las novedades más relevantes es la posibilidad de vincular decisiones de pricing con los pronósticos de demanda. El sistema permite simular el impacto de una promoción o un cambio de precio sobre la demanda prevista, lo que conecta directamente la planificación comercial con la planificación de supply chain.
Mejoras en la correlación precio-demanda. Los modelos predictivos ahora incorporan mejor la elasticidad de precio como variable, lo que resulta especialmente útil en distribución y gran consumo, donde pequeños ajustes de precio pueden generar variaciones importantes en el volumen.
Capacity-to-promise mejorado. La previsión de demanda se integra con mayor profundidad en la planificación de capacidad, protegiendo las fechas de entrega comprometidas cuando el sistema detecta que la demanda prevista puede superar la capacidad disponible.
Para qué sectores aporta más valor
No todos los negocios se benefician igual del demand forecasting con IA. El retorno es mayor cuando la demanda tiene patrones recurrentes pero complejos, el catálogo es amplio y los errores de previsión tienen un coste alto.
Alimentación y gran consumo. Estacionalidad marcada, ciclos de vida cortos, sensibilidad a promociones y alto volumen de referencias. Es el escenario ideal para modelos de IA que detecten micro-patrones que un planificador no puede cubrir manualmente.
Distribución. Múltiples almacenes, miles de SKU, demanda fragmentada por canal y zona geográfica. La IA permite generar previsiones diferenciadas por punto de entrega, lo que reduce tanto el sobrestock como las roturas.
Fabricación bajo previsión. Empresas que producen para stock (make-to-stock) necesitan anticipar la demanda para dimensionar compras de materia prima y capacidad de planta. Un error del 15% en la previsión puede traducirse en semanas de retraso o en stock obsoleto.
Recambios y piezas de repuesto. Demanda intermitente, difícil de predecir con métodos clásicos. Los modelos de machine learning manejan mejor la variabilidad de demanda esporádica que los métodos estadísticos tradicionales.
En cambio, el demand forecasting con IA aporta poco en empresas que trabajan exclusivamente bajo pedido (make-to-order puro), donde la demanda no se predice sino que se recibe, o en negocios con un catálogo muy reducido y demanda estable, donde una hoja de cálculo bien mantenida cumple la misma función.
Qué puede salir mal (y cómo prevenirlo)
Confiar ciegamente en el modelo. La IA genera una línea base, no una verdad absoluta. Los planificadores deben revisar las previsiones, contrastarlas con su conocimiento del mercado y ajustarlas cuando haya información que el modelo no tiene (un cliente grande que va a dejar de comprar, un lanzamiento de la competencia, un cambio regulatorio).
No medir la precisión del pronóstico. Dynamics 365 SCM permite visualizar KPIs de precisión del forecasting (MAPE, bias, tracking signal). Si nadie revisa esas métricas, no hay forma de saber si el modelo está mejorando o degradándose.
Activar el módulo sin gobernar los datos. Si el equipo comercial registra las ventas de forma inconsistente, si hay productos con código duplicado o si los almacenes no reflejan la realidad operativa, el demand forecasting amplificará esos problemas en vez de resolverlos.
Esperar resultados inmediatos. Los modelos de machine learning mejoran con el tiempo, a medida que acumulan más datos y se ajustan los parámetros. Es habitual que los primeros ciclos de previsión sean mediocres. La mejora viene con la iteración y el feedback del equipo de planificación.
Una herramienta operativa, no un proyecto de innovación
El demand forecasting con IA en Dynamics 365 SCM no es un experimento tecnológico ni un proyecto de laboratorio. Es una funcionalidad operativa integrada en el ERP, que conecta directamente con la planificación maestra, las compras y la producción. Su valor no está en el algoritmo en sí, sino en la capacidad de reducir el error de previsión de forma sistemática, liberar tiempo del equipo de planificación para decisiones de mayor valor y, sobre todo, traducir datos en decisiones de compra y producción más ajustadas a la realidad.
La pregunta para cualquier empresa mediana o grande que use Dynamics 365 SCM no es si la previsión de demanda con IA es útil. La pregunta es si sus datos están listos para alimentarla y si su equipo está dispuesto a trabajar con ella, no contra ella.