Volver a Investigación de mercado
SKU Science es una aplicación cloud de previsión de demanda y planificación de ventas y operaciones. Fabricantes y distribuidores la utilizan para generar previsiones, recoger ajustes comerciales, comparar el rendimiento de las previsiones y exportar un plan de demanda acordado a su ERP o sistema de planificación de suministro. Admite jerarquías de productos, promociones, transiciones de productos y ciclos recurrentes de planificación. (1)
Puntuación global de supply chain: 4,7/10.
| Dimensión | Puntuación |
|---|---|
| Profundidad en supply chain | 3,8/10 |
| Sustancia de las decisiones y la optimización | 3,6/10 |
| Integridad del producto y la arquitectura | 5,6/10 |
| Transparencia técnica | 6,2/10 |
| Seriedad del proveedor | 4,2/10 |
SKU Science facilita ejecutar e inspeccionar un proceso convencional de previsión. Sus previsiones base archivadas muestran si las correcciones comerciales mejoran el resultado, y la documentación explica decisiones relevantes de medición y agregación. Sin embargo, el proceso rector sigue siendo una previsión mensual consensuada entregada a otro sistema. Las cantidades de compra, las decisiones productivas y las asignaciones no se seleccionan mediante un objetivo económico documentado que abarque demanda y suministro inciertos. (2, 6)
Sus afirmaciones financieras van bastante más allá de lo que respalda ese mecanismo. La calculadora pública de ROI trata mejoras supuestas de previsión como ganancias financieras recurrentes, combina capital liberado de inventario con costes anuales de mantenimiento y valora las ventas recuperadas por sus ingresos. Estos atajos oscurecen la diferencia entre una previsión más precisa y una decisión más rentable. (20)
SKU Science frente a Lokad
Pensemos en un fabricante que decide si comprar otro lote de envases antes de una transición de producto. SKU Science puede transferir la historia del predecesor, prever el sucesor, registrar un ajuste comercial y enviar el plan de demanda resultante al siguiente sistema. Quedan las decisiones importantes: cuánto envase antiguo consumir, si acelerar el material nuevo y cómo equilibrar un posible faltante de stock frente a inventario obsoleto. (17)
La oferta de optimización de inventario de Lokad aborda compras, producción y asignaciones recurrentes mediante sus consecuencias financieras esperadas bajo incertidumbre. Los Supply Chain Scientists mantienen la lógica ejecutable, incluida la interpretación de datos y costes empresariales. La comparación se establece entre mantener ese sistema de decisión y mantener el proceso de previsión de SKU Science más las reglas posteriores que convierten sus resultados en acciones. Ambos enfoques exigen trabajo experto continuo; solo evaluar toda esa carga y la economía resultante permite establecer el valor.
La perspectiva más amplia de Introduction to Supply Chain resulta especialmente pertinente: prever es un insumo para decisiones económicas, no el objetivo final. Mejorar una previsión por familia puede dejar los artículos individuales equivocados en stock. Un consenso mensual fiable aún puede prescribir una respuesta cara ante una fecha de entrega incierta.
Historia tecnológica: continuidad, integración y nuevo lenguaje de IA
La historia de SKU Science sitúa sus primeras conversaciones con clientes en 2017. Su artículo técnico de noviembre de 2018 explica medias móviles y suavizado exponencial, incluidas sus limitaciones respecto a tendencias, estacionalidad y variables externas. Es una base reconocible de previsión estadística. La página actual de la empresa también invoca Big Data, inteligencia artificial e IoT, pero no identifica un mecanismo correspondiente de decisión IoT. (4, 15)
| Fecha | Desarrollo documentado | Significado técnico |
|---|---|---|
| Noviembre de 2018 | Explicaciones de métodos estadísticos y selección automática | Un servicio de selección de modelos de previsión, con descripciones francas de los límites de modelos sencillos. |
| Marzo de 2023 | Promoción de la previsión agregada para reducir los efectos de faltantes de stock y el error | Más énfasis en suavizado y desagregación; el tratamiento de la demanda censurada sigue teniendo consecuencias. |
| Septiembre de 2023 | Previsión incorporada en Intuiflow, de Demand Driven Technologies | El anuncio especifica 644 combinaciones estadísticas y modelos opcionales de machine learning personalizados. La planificación del suministro pertenece al producto del socio. |
| Septiembre de 2024 | Documentación de la importación de previsiones externas | Los clientes pueden comparar previsiones externas, sustituir con ellas la base o usarlas como ajustes. |
| Enero–agosto de 2026 | Automatización del ciclo de vida del producto y guía de archivo de previsiones | Mejoras concretas para mantener historiales de productos y medir correcciones. |
| Oferta actual | Generación de previsión base con IA e importaciones API/MCP | Machine learning y conectores son funciones del nivel Enterprise; el proceso operativo publicado sigue terminando en una previsión revisada. |
Fuentes: 15, 16, 14, 10, 17, 18, 3.
Esta historia muestra un desarrollo sostenido de una aplicación de previsión bastante coherente. También acota lo que demuestra el lenguaje de IA más reciente. La selección automática de modelos precede a la nueva ola agéntica; un conector añade otra vía para introducir datos en la aplicación. Ninguna cambia el objetivo del acuerdo sobre previsiones a la optimización financiera. Los avances útiles de ingeniería son identificables en la gestión del ciclo de vida y la evaluación de previsiones, mientras que falta evidencia de un nuevo motor autónomo de decisiones de supply chain.
Qué calcula el motor
El producto actual elige entre cientos de combinaciones estadísticas y de machine learning mediante pruebas retrospectivas, repitiendo la selección en cada ciclo. Los usuarios pueden prever artículos individuales o grupos agregados. La descripción pública no especifica todas las familias de modelos, el diseño de validación, la función de pérdida de selección ni el tratamiento de demanda intermitente y censurada. El número de modelos dice poco por sí solo sobre la mejora frente a una base sencilla bien elegida. (1)
La guía de importación de septiembre de 2024 aclara que una previsión externa puede reemplazar la base de la propia aplicación. Esto importa al interpretar resultados de clientes: una implantación de planificación satisfactoria puede validar la aplicación que rodea una previsión sin validar el motor del proveedor. También ofrece una forma práctica de comparar métodos alternativos sin descartar el proceso circundante. (10)
La incertidumbre de previsión se expone principalmente mediante errores y sesgo retrospectivos. La guía de KPI recomienda seleccionar una antelación de previsión correspondiente al tiempo de entrega de reposición o producción. Es una disciplina temporal útil, pero una antelación elegida no es una distribución de probabilidad de futuros tiempos de entrega. La documentación no aporta una distribución conjunta de demanda, retrasos, rendimientos o sustituciones que alimente una clasificación financiera de acciones. (6, 2)
La agregación también incorpora una hipótesis concreta de asignación. El editor reparte una corrección agregada con los pesos existentes de las previsiones subyacentes por periodo, redondea los resultados y asigna el resto al artículo de mayor peso. Esto conserva un total. No establece qué SKU se demandará, si los clientes sustituirán productos ni qué posición de stock merece el capital circulante escaso. (9)
Precisión: compensación de errores, faltantes de stock y resolución de decisión
SKU Science documenta dos formas sustancialmente distintas de calcular el error agregado. Una suma los errores absolutos del nivel inferior; la otra agrega demanda y previsiones antes de calcular el error. En su ejemplo, las mismas previsiones subyacentes producen 607 unidades de error, o un 17%, con el primer método y 477 unidades, o un 14%, con el segundo. El segundo resultado se beneficia de errores que se compensan entre artículos. (7)
Agrupar puede corresponder a una decisión real si demandas intercambiables recurren al mismo recurso. Resulta engañoso cuando el exceso de un producto compensa la escasez de otro que los clientes no pueden sustituir. La pregunta decisiva es si la agregación conserva la acción y sus costes. Una cifra menor en un panel no la responde.
La ayuda de previsión agregada afirma que la precisión siempre mejora con volúmenes mayores. Su artículo de marzo de 2023 va más lejos: promueve la agregación para reducir el efecto de faltantes y comunica hasta un 20% menos de errores en algunos conjuntos de datos. Sin embargo, una venta perdida es demanda ausente, no ruido simétrico. Añadir ventas de un lugar con disponibilidad no reconstruye lo que habrían comprado los clientes donde no la había. La agrupación puede ocultar ese sesgo mientras produce una serie más suave y predecible. (8, 16)
Las preguntas frecuentes más recientes reconocen que los errores se compensan al agregar y que los pedidos se hacen sobre SKU individuales. Esa es la restricción adecuada de su propuesta de precisión. La evaluación debe conservar artículo, ubicación, horizonte de decisión y condiciones de disponibilidad reales, y después medir los efectos financieros de las decisiones posteriores. (2)
Forecast Value Added aporta otro control útil. SKU Science compara ajustes manuales con su base, conserva las versiones relevantes de las previsiones y exporta los datos reales y previstos subyacentes. Sin embargo, un FVA positivo demuestra una mejora frente a esa base según la métrica elegida. No demuestra superioridad frente a una alternativa ingenua ni beneficio financiero tras costes de pedido, faltantes de stock y obsolescencia. (6)
Productividad, mantenimiento de configuraciones y coste de propiedad
El producto automatiza la selección de modelos y el trabajo administrativo de previsión. El módulo de ciclo de vida de enero de 2026 transfiere historial y segmentos del predecesor a sus sucesores, incluidas previsiones separadas por canal. Elimina copias repetitivas. La relación debe seguir siendo económicamente adecuada: un aparente reemplazo puede cambiar el tamaño del envase, las preferencias, la canibalización de demanda o el valor del stock restante. Transferir el historial no resuelve esos cambios. (17)
La guía de SKU Science de agosto de 2026 mantiene la secuencia convencional de recopilación de datos, planificación de demanda, planificación de suministro, reunión preparatoria y acuerdo ejecutivo. Sus archivos hacen ese proceso más auditable, pero el trabajo recurrente sigue centrado en revisar y conciliar previsiones. Las importaciones MCP no eliminan esas reuniones ni convierten sus resultados en acciones económicas seleccionadas automáticamente. (18, 2)
La configuración incluye reglas de agregación, umbrales de KPI, horizontes, ámbitos de acceso, relaciones de productos e interpretación de datos entrantes. Los administradores controlan cargas de datos, reinicios y restauración de bases de datos, ajustes globales y lanzamientos de previsiones; los usuarios estándar pueden ajustar y aprobar previsiones en su ámbito. Mantener estas decisiones requiere responsabilidad empresarial, especialmente cuando cambian productos o acuerdos de suministro. El material público describe archivos y copias de seguridad, pero no un marco correspondiente de regresión que reproduzca fallos operativos frente a lógica de decisión revisada. (19, 6)
Los precios actuales con facturación anual son 349 dólares al mes para Launch y 625 para Core, ambos con un usuario y 2.500 unidades de previsión; Enterprise tiene precio personalizado. Machine learning, acceso API/MCP y controles avanzados de usuarios pertenecen a Enterprise. Soporte e incorporación están incluidos. La promesa de dos días se refiere a obtener una primera previsión de datos cargados; una interfaz ERP mantenida y una ejecución posterior fiable añaden trabajo más allá de ese hito. (3)
Qué demuestran realmente los clientes
Bridgestone Australia describe el uso de SKU Science para un presupuesto a tres años por productos, clientes y canales. Cargó sus propias previsiones de machine learning y utilizó la aplicación para agregar, editar e informar. Los datos entregados un viernes estaban configurados el lunes y, según el relato, la formación duró menos de una hora. Esto respalda el despliegue rápido de un espacio de presupuestación; el caso no ofrece una rentabilidad medida del inventario atribuible al motor de previsión de SKU Science. (11)
Ocean Spray International Services Australia describe previsión de demanda, comparación de ajustes comerciales y apoyo a IBP. El relato incluye pruebas con un responsable de ventas antes de una implantación más amplia con socios comerciales. Afirma mejoras de planificación y menores necesidades de stock y trabajo, sin base cuantificada ni periodo de evaluación. Su referencia histórica a una suscripción mensual sin compromiso también difiere de la facturación anual actual. (12, 3)
Componentes de software y arquitectura de seguridad
El inventario técnico publicado es limitado, pero concreto en varios puntos:
| Componente o mecanismo | Función documentada | Evaluación |
|---|---|---|
| AWS, Irlanda | Aplicación alojada y base de datos replicada | Se especifican alojamiento europeo y replicación, no el motor de base de datos ni la topología de servicios. |
| bcrypt; autenticación opcional de dos factores | Protección de contraseñas e inicio de sesión | Controles relevantes; no se describe autenticación obligatoria para usuarios privilegiados. |
| Copias cada seis horas | Copias de recuperación | No se especifican tiempo de recuperación, retención, resistencia a administradores comprometidos ni pruebas de restauración. |
| Excel/CSV y API/MCP Enterprise | Intercambio de datos de previsión | Se identifican métodos de integración; las especificaciones públicas de autorización y operaciones de conectores siguen siendo escasas. |
| Roles de aplicación y token de soporte generado por el cliente | Acceso de usuarios y soporte | Se documentan controles de ámbito; no la autoridad precisa ni la vigencia del token. |
Las biografías públicas de los fundadores mencionan experiencia previa en JavaScript y C++. No establecen los lenguajes de implementación de la aplicación. Ninguna publicación actual de ingeniería del producto ni oferta detallada accesible expone un inventario mayor de entornos de ejecución, bases de datos u orquestación. Por tanto, la masa de infraestructura y sus duplicaciones siguen sin medirse. (4)
La página de seguridad encabeza con certificación y garantías generales. Las preguntas de ingeniería importantes conciernen a qué ocurre tras comprometer un usuario, una cuenta de soporte o una credencial de servicio. La documentación multiusuario restringe operaciones administrativas destructivas, pero permite a todos los roles, incluidos los de solo lectura, generar un token de acceso para soporte. Si ese token conserva los límites de datos y escritura del solicitante es una cuestión relevante y no explicada. (5, 19)
La superficie documentada de personalización consiste en datos, previsiones y configuración, en lugar de código de propósito general escrito por profesionales del negocio. Ese alcance más estrecho evita la carga de mantener un entorno Python del cliente. Queda por saber si los límites de acceso y recuperación sobreviven a un error o a una credencial comprometida; cifrado y distintivos de auditoría no demuestran esa propiedad. (19, 5)
Afirmaciones financieras y responsabilidad por los resultados
La empresa predeterminada de la calculadora, con 50 millones de dólares de ingresos, tiene 7,5 millones de inventario y una tasa anual de mantenimiento del 25%. Presenta ganancias anuales de aproximadamente 581.000 dólares–1,969 millones de dólares. El código calcula ventas recuperadas como el 0,6%–3% de los ingresos y el beneficio de inventario como el 3%–5% del capital de inventario más un año de coste de mantenimiento. No intervienen error real de previsión, margen, regla de reposición ni retrasos de proveedores. (20)
Esto mezcla cantidades económicas distintas. Liberar inventario produce un movimiento de caja una vez; evitar costes de mantenimiento produce un beneficio recurrente. Los ingresos recuperados también deben pagar el coste de la mercancía vendida. Sumarlos como ganancias anuales exagera lo que se deduce de los datos introducidos. La calculadora también omite costes de software e implantación. Su referencia a una mejora mínima del 15%–20% en el error de previsión no aporta el modelo causal que falta de previsión a acción y beneficio.
Las condiciones públicas limitan la responsabilidad total al menor importe entre una mensualidad y 1.000 dólares, excluyen lucro cesante y no garantizan resultados que satisfagan los requisitos del cliente. Hacen concreta la asimetría: el modelo de marketing atribuye ganancias económicas sustanciales al producto, mientras que el compromiso publicado es principalmente el acceso al servicio. La prueba permite inspeccionar previsiones antes de comprar, pero no establece responsabilidad por un resultado económico decepcionante. (13, 3)
Puntuación de supply chain
Profundidad en supply chain
| Criterio | Puntuación |
|---|---|
| Enfoque económico | 3/10 |
| Decisión como resultado final | 3/10 |
| Claridad conceptual sobre supply chain | 5/10 |
| Independencia de doctrinas centrales obsoletas | 4/10 |
| Resistencia al teatro de los KPI | 4/10 |
Media: 3,8/10.
Enfoque económico — 3/10. El resultado es una previsión, mientras que la calculadora financiera omite la política real de pedidos y confunde liberación de capital con ahorro recurrente. El objetivo económico queda fuera del motor numérico. (20)
Decisión como resultado final — 3/10. La entrega documentada es un plan acordado enviado a otro sistema. El cliente todavía necesita mecanismos que elijan compras, asignaciones o cantidades de producción y verifiquen su ejecución. (2)
Claridad conceptual sobre supply chain — 5/10. Se reconocen la antelación de previsión y el error por artículo, y la documentación expone convenciones alternativas de medición. El argumento de los faltantes es más débil: suavizar ventas registradas no recupera demanda censurada. (6, 7, 16)
Independencia de doctrinas centrales obsoletas — 4/10. El consenso mensual de S&OP sigue siendo el principio organizador. Mejores registros hacen auditable ese proceso, pero conservan su carga recurrente de coordinación y la separación entre prever y actuar. (18)
Resistencia al teatro de los KPI — 4/10. El ejemplo publicado de error expone los efectos de agregación en lugar de ocultarlos. Aun así, las afirmaciones de mejor precisión y ganancias financieras carecen de un puente demostrado hacia decisiones económicamente mejores a la resolución operativa. (7, 8, 20)
Sustancia de las decisiones y la optimización
| Criterio | Puntuación |
|---|---|
| Profundidad de la modelización probabilística | 2/10 |
| Sustancia distintiva en optimización o ML | 4/10 |
| Gestión de restricciones reales | 3/10 |
| Automatización de decisiones y productividad laboral | 5/10 |
| Resiliencia ante la complejidad operativa real | 4/10 |
Media: 3,6/10.
Profundidad de la modelización probabilística — 2/10. Medir errores históricos no aporta las distribuciones futuras conjuntas necesarias para valorar riesgos de faltantes de stock, entregas y obsolescencia. El mecanismo público sigue centrado en previsiones puntuales y una antelación elegida según el tiempo de entrega. (6)
Sustancia distintiva en optimización o ML — 4/10. La comparación histórica automática de modelos es útil y su base estadística comprensible. La validación de la selección y el rendimiento adicional frente a alternativas sencillas permanecen insuficientemente expuestos para establecer una ventaja numérica distintiva. (1, 15)
Gestión de restricciones reales — 3/10. La aplicación gestiona jerarquías de previsión y transiciones de producto, pero no impone con ello compensaciones económicas entre capacidad compartida, mínimos de pedido y disponibilidad de materiales. Su integración con el socio establece una frontera con la planificación posterior. (9, 14)
Automatización de decisiones y productividad laboral — 5/10. La automatización del ciclo de vida y la implantación presupuestaria de Bridgestone demuestran reducciones del trabajo repetitivo de planificación. La evidencia no cuantifica todo el trabajo restante de revisar previsiones y operar el proceso posterior de decisión. (17, 11)
Resiliencia ante la complejidad operativa real — 4/10. Las versiones de previsiones permiten diagnosticar retrospectivamente y las bases externas facilitan cambios de método. Revisar y volver a probar el modelo económico de decisión tras un fallo operativo queda fuera del ciclo documentado de mejora. (18, 10)
Integridad del producto y la arquitectura
| Criterio | Puntuación |
|---|---|
| Coherencia arquitectónica | 6/10 |
| Claridad de los límites del sistema | 7/10 |
| Seriedad en seguridad | 4/10 |
| Parsimonia de software y coste de propiedad | 6/10 |
| Compatibilidad con operaciones programáticas y asistidas por agentes | 5/10 |
Media: 5,6/10.
Coherencia arquitectónica — 6/10. La aplicación mantiene un alcance coherente de creación, edición, evaluación y exportación de previsiones. La escasa documentación interna impide una evaluación más firme de responsabilidad sobre datos, dependencias y propagación de fallos. (2, 5)
Claridad de los límites del sistema — 7/10. La guía de previsiones externas aclara qué cifras pueden originarse fuera, y el anuncio de Intuiflow identifica el producto complementario de planificación de suministro. Esto ayuda a distinguir el gobierno de previsiones del sistema que selecciona acciones. (10, 14)
Seriedad en seguridad — 4/10. Las restricciones administrativas y la creación explícita de tokens de soporte aportan controles concretos. La autoridad del token, la recuperación resistente a intrusiones y los límites impuestos de privilegios requieren más detalle técnico que la página de seguridad centrada en certificaciones. (19, 5)
Parsimonia de software y coste de propiedad — 6/10. Suscripciones publicadas, soporte incluido y configuración acotada hacen visible parte del coste de propiedad. Los ajustes mantenidos por clientes y la integración posterior siguen requiriendo pruebas y tiempo de personal; los costes de infraestructura no se exponen. (3, 19)
Compatibilidad con operaciones programáticas y asistidas por agentes — 5/10. Los conectores Enterprise y la importación de previsiones externas permiten intercambio automatizado. Las especificaciones públicas de permisos y operaciones de agentes son escasas, y conectar un asistente no elimina las etapas manuales de decisión. (3, 10)
Transparencia técnica
| Criterio | Puntuación |
|---|---|
| Documentación técnica pública | 7/10 |
| Inspección sin mediación del proveedor | 6/10 |
| Visibilidad de portabilidad y dependencia | 6/10 |
| Transparencia del método de implantación | 7/10 |
| Densidad de evidencia tras las afirmaciones técnicas | 5/10 |
Media: 6,2/10.
Documentación técnica pública — 7/10. El centro de ayuda explica reglas de asignación, elección de métricas, permisos por rol y sustitución de la base con detalle operativo. El interior del motor de previsión y los límites de despliegue reciben mucho menos tratamiento. (9, 7, 19, 10)
Inspección sin mediación del proveedor — 6/10. Una prueba anunciada de autoservicio y guías accesibles permiten una primera evaluación antes de un proyecto dirigido por ventas. Las integraciones Enterprise y la validación numérica no son comparables en cuanto a inspección pública. (3, 1)
Visibilidad de portabilidad y dependencia — 6/10. Las exportaciones de previsiones y KPI conservan resultados importantes, y métodos externos pueden suministrar la base. Reproducir en otro lugar todo el motor y la configuración requeriría trabajo adicional. (6, 10)
Transparencia del método de implantación — 7/10. Las guías del editor y del modo multiusuario describen cómo ajustar y administrar. El producto también distingue una primera previsión del camino posterior a producción, aclarando razonablemente el límite de implantación. (9, 19, 2)
Densidad de evidencia tras las afirmaciones técnicas — 5/10. Los casos de clientes identificados respaldan usos concretos de planificación, incluidas previsiones importadas. Ofrecen poca evidencia cuantificada que vincule el motor del proveedor con la economía del inventario, y las comparaciones públicas de algoritmos siguen siendo limitadas. (11, 12)
Seriedad del proveedor
| Criterio | Puntuación |
|---|---|
| Seriedad técnica de la comunicación pública | 4/10 |
| Integridad de la hoja de ruta tecnológica | 6/10 |
| Claridad conceptual | 5/10 |
| Responsabilidad económica | 2/10 |
| Capacidad de defensa en un mundo de software agéntico | 4/10 |
Media: 4,2/10.
Seriedad técnica de la comunicación pública — 4/10. Las explicaciones estadísticas son útiles, pero la guía de agregación y la calculadora transforman afirmaciones numéricas restringidas en promesas económicas mucho más amplias. Los atajos contables son relevantes para la propuesta de valor. (15, 16, 20)
Integridad de la hoja de ruta tecnológica — 6/10. La historia muestra desarrollos identificables de integración, mantenimiento del ciclo de vida y evaluación de previsiones. El lenguaje actual de IA es más amplio que el cambio demostrado en la maquinaria de decisión, pero la continuidad del producto es clara. (14, 17, 18)
Claridad conceptual — 5/10. Medir el valor de la intervención humana es una disciplina de producto sólida. Tratar el rendimiento de previsión como objetivo principal deja sin resolver el problema más difícil de valorar acciones restringidas y sus consecuencias inciertas. (18)
Responsabilidad económica — 2/10. La propuesta financiera no está ligada a una base medida de rentabilidad neta ni a una obligación explícita de corrección. El límite público de responsabilidad es muy pequeño respecto a las ganancias anunciadas. (13, 20)
Capacidad de defensa en un mundo de software agéntico — 4/10. Un proceso de previsión mantenido y el conocimiento acumulado del dominio tienen valor práctico. La mayor oportunidad es eliminar trabajo recurrente de decisión; la oferta actual organiza principalmente ese trabajo y añade vías de acceso a datos. (1, 17, 18)
Fuentes
[1] Plataforma de planificación de demanda
Fuente. Consultada el 4 de noviembre de 2026.
[2] Producto y proceso operativo
Fuente. Consultada el 4 de noviembre de 2026.
[3] Precios y niveles de funciones
Fuente. Consultada el 4 de noviembre de 2026.
[4] Historia y fundadores de la empresa
Fuente. Consultada el 4 de noviembre de 2026.
Fuente. Consultada el 4 de noviembre de 2026.
[6] KPI de previsión y antelación según el tiempo de entrega
Fuente, 2026-09-16. Consultada el 4 de noviembre de 2026.
[7] Dos métodos para KPI de previsiones agregadas
Fuente. Consultada el 4 de noviembre de 2026.
Fuente. Consultada el 4 de noviembre de 2026.
[9] Editor de previsiones y desagregación
Fuente. Consultada el 4 de noviembre de 2026.
[10] Importación de previsiones externas
Fuente, 2024-09-24. Consultada el 4 de noviembre de 2026.
[11] Caso de Bridgestone Australia
Fuente. Consultada el 4 de noviembre de 2026.
[12] Caso de Ocean Spray Australia
Fuente. Consultada el 4 de noviembre de 2026.
Fuente. Consultada el 4 de noviembre de 2026.
[14] Asociación con Demand Driven Technologies
Fuente, 2023-09-19. Consultada el 4 de noviembre de 2026.
[15] Elegir un método de previsión
Fuente, 2018-11-15. Consultada el 4 de noviembre de 2026.
[16] Faltantes de stock y previsiones agregadas
Fuente, 2023-03-17. Consultada el 4 de noviembre de 2026.
[17] Módulo de ciclo de vida del producto
Fuente, 2026-01-19. Consultada el 4 de noviembre de 2026.
[18] Archivo de previsiones y S&OP
Fuente, 2026-08-14. Consultada el 4 de noviembre de 2026.
Fuente. Consultada el 4 de noviembre de 2026.
[20] Calculadora de ROI y cálculo incorporado
Fuente, 2026-09-04. Consultada el 4 de noviembre de 2026.