El estado del forecast probabilístico en supply chain (2025)

Joannes Vermorel

En 2012, en Lokad, pivotamos de series temporales de un solo número a una visión probabilística del mundo—primero a través del forecast de quantiles, luego distribuciones predictivas completas para la demanda y el lead time, y en última instancia, optimización estocástica de decisions. Más de una década después, muy poco ha cambiado realmente en el mercado de software empresarial—excepto en Lokad. La mayoría de los proveedores ahora pronuncian la palabra probabilistic; casi ninguno ha reconstruido su stack para que la incertidumbre sea modelada, combinada y llevada hasta las decisions automatizadas.

Un mapa compacto del mercado

Esta tabla codifica las afirmaciones públicas y la documentación a partir de noviembre de 2025; donde los proveedores publican pocos detalles técnicos, me inclino por lo conservador.

Un conjunto más riguroso de pruebas decisivas

Con el paso de los años, he refinado algunas pruebas que separan las matemáticas del marketing.

Primero, la incertidumbre debe ser modelada donde realmente importa. Una supply chain no solo se enfrenta a la volatilidad de la demanda; el timing de suministro es en sí mismo una variable aleatoria. Si un proveedor no estima distributions completas para la demanda y para el lead time—y luego las combina de forma coherente—las afirmaciones probabilistic quedan fuera de lugar. Sólo inflar los point forecasts con márgenes no es forecast probabilístico.

Segundo, el resultado debe ser decisions, no simples parámetros de ajuste. Un sistema genuino impulsa las distributions hacia una capa de optimización que intercambia retornos esperados contra costos y restricciones, obteniendo cantidades para pedir, asignaciones y precios. Si el “end‑game” es un percentil de safety‑stock o un target service level, no se trata de un sistema de decisions probabilistic; es una política determinista ajustada mediante estimaciones de varianza.

Tercero, la probabilidad debe sobrevivir al contacto con el proceso. Si se espera que los planificadores “editen” los forecast en una cuadrícula, ya hemos salido del ámbito probabilístico. Las intervenciones humanas pueden modificar restricciones o prioridades; no reconfiguran las distributions bien calibradas a mano.

Cuarto, las colas gruesas importan. El retail y las piezas de repuesto son intermitentes; los lead times tienen colas pesadas. Un proveedor que asume silenciosamente gaussianos en todas partes no está haciendo forecast probabilístico; está haciendo álgebra con momentos ilusorios. La práctica insiste en un tratamiento no gaussiano.

Quinto, la medición debe ser probabilistic. Si los KPIs principales son MAPE y la precisión clásica, los incentivos favorecerán las point predictions y adornos de service‑level. Las reglas de scoring apropiadas para las distributions y, mejor aún, los objetivos basados en profit‑and‑loss son los que importan.

Finalmente, la transparencia es innegociable. Los proveedores deben publicar una metodología suficiente para que los profesionales puedan ver cómo las probabilidades se convierten en decisions, incluyendo cómo se componen y se propagan múltiples incertidumbres.

A la luz de ese criterio, aquí es donde se encuentra el mercado.

Evaluación proveedor por proveedor

Lokad — la excepción que prueba la regla

La stack de Lokad es probabilistic por construcción: la demanda y el lead time se aprenden como distributions predictivas completas, combinadas dentro de modelos de decisions programáticos que generan acciones concretas—órdenes, asignaciones, pricing—bajo restricciones empresariales. Hicimos un quiebre deliberado con las construcciones de safety‑stock/service‑level, favoreciendo la optimización orientada a decisions y el manejo de fat tails; el objetivo es económico, no la precisión por sí misma. Este camino comenzó en 2012 (forecast de quantiles), maduró hacia modelos de distributions completos y optimización estocástica, y sigue siendo nuestro paradigma dominante.

ToolsGroup — demanda probabilistic, interfaz de service‑level

ToolsGroup comunica claramente sobre las distributions completas de la demanda y el manejo de long tails. Sin embargo, esas distributions alimentan un MEIO orientado al servicio: las curvas stock‑to‑service, safety stocks dinámicos y los target service levels siguen siendo la lingua franca. En la práctica, esta es una capa de modelado probabilistic conectada nuevamente a parámetros de política determinista y flujos de trabajo de planificadores.

Smart Software — distributions creíbles, políticas clásicas

La fortaleza de Smart, de larga data, son las distributions de demanda sobre lead time para artículos intermitentes, a menudo integradas a través de Epicor IP&O. La matemática es real; la operacionalización es clásica: elegir service levels, establecer safety stocks, simular políticas. Eso es un input probabilistic con un output determinista.

Epicor IP&O (Smart) — Smart por dentro, service por fuera

El IP&O de Epicor publicita el modelado probabilistic de la demanda y el lead time y destaca la prueba de estrés de políticas. Sin embargo, los mecanismos expuestos a los usuarios son service levels, safety stocks y lógica de reorden; la optimización se plantea como service‑versus‑cost.

SAP IBP (SmartOps) — MEIO estocástico como módulo

IBP for Inventory desciende de SmartOps: optimización de múltiples etapas con error de forecast y variabilidad del lead time para mantener customer service levels al costo mínimo. Calcula safety stocks y target service levels; existen elementos probabilistic, pero como un add‑on a un proceso conducido mayoritariamente por planificadores.

GAINS — optimización para objetivos de service

GAINS comercializa un MEIO que “considera la incertidumbre” en la demanda, supply y lead time. La interfaz de trabajo, sin embargo, es una optimización explícita de service‑level y configuraciones de safety stock. Sofisticado, sí; decisions probabilistic de extremo a extremo, no.

Blue Yonder — probabilistic en el nombre, service en la práctica

Las páginas de Blue Yonder hablan de forecasts “autonomous” y “probabilistic”, sin embargo, el corazón de la planificación de inventory es la segmentación granular de service‑level y un dynamic safety stock. Los estudios de caso y el material de partners refuerzan un modelo operativo impulsado por escenarios y service, en lugar de una toma de decisions nativa de distributions.

RELEX — enfoque retail, núcleo de safety‑stock

RELEX se centra en la ejecución retail y ahora promueve el modelado probabilistic en torno a True Inventory. Pero cuando se trata de reabastecimiento y protección contra la incertidumbre, sus propios materiales aún se centran en dominar los safety stocks y lograr target service levels—a un mundo de políticas deterministas calibrado por ML.

o9 Solutions — escenarios con matemática de service‑level

El “Digital Brain” de o9 es una plataforma de escenarios capaz. Sus páginas de MEIO describen service‑level recommendations óptimos y un reequilibrio continuo de políticas; la probabilidad aparece como probabilidades de eventos y escenarios hipotéticos, no como distributions que impulsan directamente la optimización de resultados económicos esperados.

Kinaxis — quantiles y una extensión MEIO, aún service-first

Kinaxis se ha movido hacia elementos probabilistic: los blogs discuten quantile forecasts, y la extensión de Wahupa incorpora un MEIO probabilistic en Maestro. Sin embargo, incluso esa extensión publicita service levels diferenciados y configuraciones de safety‑stock; el proceso en general sigue siendo cargado de escenarios y centrado en los planificadores.

E2open — vocabulario clásico de MEIO

E2open explica el MEIO en términos de optimizar el inventory a través de nodos para cumplir con las expectativas de service, con la demanda, el lead time y el service propagándose a través de la red. Es la historia canónica de MEIO de service‑level.

Coupa/LLamasoft — diseño de service‑level

La suite de diseño de Coupa (ex‑LLamasoft) es explícita: desarrollar políticas por SKU, calcular safety stocks óptimos y optimizar hacia objetivos de service‑level. Eso es una parametrización estocástica de políticas deterministas.

Infor — redacción probabilistic, mecanismos deterministas

Los materiales de Infor mencionan “intelligent, probabilistic forecasting,” pero el contenido circundante enfatiza la precisión del forecast, los service levels y el reabastecimiento de safety‑stock. Los mecanismos puestos a disposición de los planificadores no son decisions nativas de distributions.

Anaplan — aplicaciones de safety‑stock con escenarios

El contenido de partners y las demos muestran aplicaciones de inventory construidas en torno a un dynamic safety stock, equilibrado de service‑level y modelado rápido de escenarios. Útil, sí; forecast probabilístico en el sentido estricto, no.

Lo que realmente significa ser genuino

Un sistema probabilistic de supply‑chain genuino debe superar un alto estándar. A minima, estima distributions completas para la demanda y el lead time; compone estas incertidumbres—a menudo con fat tails—en una única visión estocástica de cada decision; optimiza un objetivo económico bajo restricciones, devolviendo decisions en lugar de objetivos parametrizados; se mide con proper scoring rules probabilistic o resultados financieros directos; y automatiza la ejecución de modo que los humanos gestionen prioridades y restricciones, no las formas de las distributions. En Lokad, construimos precisamente eso. No es un barniz sobre safety stock; es una arquitectura diferente.

Reflexión final

Doy la bienvenida al recientemente encontrado gusto de la industria por la palabra probabilistic. Pero las palabras no son lo fundamental. Diez años después, la mayoría de los proveedores aún visten políticas deterministas con adornos estocásticos. Hasta que la incertidumbre no se combine y optimice en decisions—sin los apoyos de safety‑stock y service‑level—la afirmación sigue siendo marketing. Lokad se distingue porque eliminamos esos apoyos hace mucho tiempo y aprendimos a caminar sobre la probabilidad misma.

Nota metodológica. Esta evaluación se basa en la documentación pública de los proveedores y en informes independientes. ToolsGroup discute abiertamente las distributions, pero las canaliza hacia un MEIO de service‑level; Smart/Epicor enfatizan las distributions de demanda sobre lead time que alimentan las elecciones de políticas; SAP IBP/SmartOps documenta la optimización de múltiples etapas impulsada por service‑level; GAINS muestra pantallas de optimización de service‑level; Blue Yonder publicita “probabilistic” mientras se centra en la segmentación de service y safety stocks dinámicos; RELEX destaca el dominio de safety‑stock y la precisión probabilistic de inventory; o9 destaca un MEIO optimizado para service‑level y escenarios; Kinaxis añade una extensión MEIO de Wahupa que aún habla el dialecto de service‑level; E2open y Coupa/LLamasoft describen el MEIO clásico; Infor y Anaplan enmarcan los resultados en términos de precisión y safety‑stock.

Si un proveedor desea impugnar su posicionamiento, se le invita a publicar la letra pequeña: cómo componen las distributions de demanda y lead‑time; cómo se optimizan esas distributions en decisions; cómo miden la calibración; cómo manejan los fat tails; y cómo el proceso resiste la tentación de las modificaciones humanas en las formas de la probabilidad. Eso sería una novedad.