Alertas de Stock y Punto de Reorden con ChatGPT Business

Antes de empezar

Lo que necesitas para completar este tutorial

Lo que conseguiras al terminar

Si sigues estos pasos, en 20-30 minutos tendras:

✓ Cálculo preciso de punto de reorden y stock de seguridad por SKU
✓ Mensajes de alerta listos para enviar a equipos o integrarse vía webhook
✓ Plan de implementación con KPIs y riesgos identificados

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Acceso a ChatGPT Business con permisos para subir archivos o pegar datos.

Obligatorio Exportación de ventas e inventario en CSV o acceso a extractor que contenga SKU, ventas diarias, stock actual y plazos de proveedor.

Recomendado Conexión API entre ERP/WMS y una función que acepte payloads JSON para crear alertas o pedidos automáticos.

Recomendado Política de inventario actual y umbrales internos (nivel máximo, lote de compra mínimo).

Transferencia internacional de datos: ChatGPT procesa datos en servidores externos. Sin acuerdo de procesamiento de datos (DPA) firmado, no introduzcas datos personales, financieros confidenciales ni datos especialmente protegidos. Verifica con tu departamento legal o IT antes de usar datos reales de tu empresa.

El caso

Distribuciones Iberia S.A., sector distribución de componentes electrónicos — el problema real

Distribuciones Iberia sufre roturas puntuales en SKUs estratégicos por variabilidad en demanda y plazos de entrega, y al mismo tiempo mantiene excesos en SKUs de baja rotación. Esto genera ventas perdidas y capital inmovilizado.

Con ChatGPT y el prompt de este tutorial, puede resolver este reto en 20-30 minutos — sin conocimientos tecnicos previos.

Situacion real
Datos + contexto

→

ChatGPT
Prompt estructurado

→

Output ejecutivo
Listo para usar

Por que funciona: ChatGPT procesa y sintetiza series de ventas y parámetros operativos en lenguaje ejecutivo y reglas accionables. Su capacidad para generar reglas lógicas, mensajes y pseudocódigo facilita la integración técnica entre equipos de operaciones y TI. Además produce salidas estructuradas adaptables a workflows existentes.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
cuando existe acceso a historial de ventas y datos de plazos de entrega cuando se necesita una solución rápida para reducir roturas y optimizar compras cuando se desea generar alertas operativas inmediatas para equipos logísticos	si no hay registros fiables de consumo por SKU ni fechas de recepción cuando la política de compras exige aprobaciones legales o auditorías complejas si la organización requiere modelos estadísticos avanzados fuera del alcance de reglas heurísticas

Paso 01

Reunir y validar los datos clave

Identifique y extraiga los datos mínimos necesarios: historiales de ventas, stock actual, tiempos de entrega y tamaños de lote. Sin datos fiables la recomendación no será operativa.

1
Extraer ventas históricas Genere un CSV con columnas: SKU, fecha, unidades_vendidas. Recoja al menos 6-12 meses para SKUs con estacionalidad; 3 meses pueden ser suficientes para rotación alta.
2
Obtener datos de inventario y proveedor Extraiga stock_actual por SKU, tiempo_promedio_entrega_proveedor en días, mínimo_lote_compra y lead times por proveedor. Confirme que los datos están actualizados a la última recepción.
3
Validar datos con stakeholders Hable con compras y logística para validar supuestos (festivos, bloqueos de transporte). Documente excepciones por SKU crítico.

Checkpoint: CSV/tabla con ventas, stock_actual, lead_time y tamaño de lote validada por operaciones y compras.

Paso 02

Definir la política de cálculo

Establezca las reglas que usará el prompt: método de promedio móvil o demanda diaria media, nivel de servicio objetivo y fórmula de stock de seguridad. Estas decisiones condicionan resultados y comunicación.

1
Seleccionar horizonte y método de demanda Elija entre media ponderada, media simple o demanda exponencialmente ponderada. Para SKUs volátiles use media ponderada con mayor peso en últimas 4 semanas.
2
Fijar nivel de servicio Determine el nivel de servicio objetivo por categoría (ej.: 95% para SKUs críticos, 85% para secundarios). Esto define el multiplicador para stock de seguridad.
3
Decidir política de reorden Elija entre reorden por punto de reorden (ROP) o revisión periódica. Documente lote mínimo y redondeos por proveedor.

Checkpoint: Política de cálculo documentada: método de demanda, nivel de servicio y reglas de lote y redondeo.

Paso 03

Ejecutar el prompt principal

Este es el prompt central del tutorial. Cópialo completo, rellena las variables entre corchetes con los datos de tu empresa o situación, y envíalo.

1
Copia el prompt completo Selecciona todo el texto del prompt y cópialo. No modifiques la estructura — está diseñado para obtener el output más útil posible.
2
Rellena las variables entre corchetes Sustituye cada [VARIABLE] con información real de tu empresa. Cuanto más específico seas, mejor será el output.
3
Envía el prompt y espera la respuesta Pega el prompt en el chat y envíalo. El modelo puede tardar entre 10 y 60 segundos dependiendo de la complejidad.

Variables del prompt — sustituye cada [VARIABLE] con datos reales

[NOMBRE_EMPRESA]Nombre de la compañía que solicita el análisis (ej.: Distribuciones Iberia S.A.)

[ALMACEN]Nombre o código del almacén implicado (ej.: ALM-MAD-01)

[PRODUCTOS_CSV]Ruta o contenido CSV/tabla con columnas SKU, descripción, stock_actual, ventas por fecha/unidades, lead_time_días, mínimo_lote

[PERIODO_VENTAS]Horizonte de ventas a considerar (ej.: 6 meses, 12 meses)

[NIVEL_SERVICIO]Nivel de servicio objetivo por categoría (ej.: 95%)

Prompt principal — Alertas de Stock y Reorden Actúa como consultor senior de operaciones para [NOMBRE_EMPRESA]. Objetivo: generar un conjunto ejecutable de puntos de reorden (ROP), stock de seguridad y reglas de alerta para el almacén [ALMACEN]. Datos de entrada: fichero CSV o tabla adjunta [PRODUCTOS_CSV] que contiene: SKU, descripción, stock_actual, fecha_última_venta, unidades_vendidas_por_día (o ventas por fecha), tiempo_promedio_entrega_proveedor en días, mínimo_lote_compra. Parámetros operativos: periodo de demanda a considerar [PERIODO_VENTAS] (ej.: 6 meses), nivel_de_servicio por categoría [NIVEL_SERVICIO] (ej.: 95%/85%), y política de reorden [POLITICA] (ROP o revisión periódica). Proporcióname, para cada SKU, las siguientes secciones claramente etiquetadas: 1) resumen ejecutivo de 2-3 líneas por SKU; 2) demanda media diaria calculada con el método que recomiendes y razón del método; 3) tiempo de aprovisionamiento usado (días) y fuente; 4) cálculo del stock de seguridad con fórmula y valores numéricos; 5) cálculo del punto de reorden (ROP) y cantidad de reorden sugerida considerando tamaño de lote y redondeos; 6) regla lógica de la alerta (condición booleana exacta para disparar alerta); 7) mensaje de alerta listo para enviar por correo y otro breve para Slack/Teams; 8) ejemplo de payload JSON para webhook con campos mínimos para integración; 9) KPI propuestos para seguimiento (roturas evitadas, nivel de servicio, días de inventario) y su método de cálculo; 10) riesgos y supuestos principales. Además, incluye: a) una tabla resumen con los 10 SKUs que representan mayor riesgo operacional y la prioridad de intervención; b) un plan de implementación en 5 pasos con responsables, recursos técnicos y checklist de pruebas; c) un bloque final con recomendaciones de monitorización trimestral y triggers para ajustar parámetros. Responde en formato estructurado y conciso, usando listas y tablas donde convenga. Si falta algún dato crítico en [PRODUCTOS_CSV] o en los parámetros, devuelve una sección 'Datos faltantes' indicando exactamente qué añadir y un ejemplo de fila completa.

Checkpoint: El modelo ha respondido con un output estructurado que incluye las secciones solicitadas en el prompt.

Paso 04

Iterar, validar e implementar

Refine los parámetros, valide los resultados con 10-20 SKUs representativos y ajuste la integración técnica. Establezca pruebas A/B si es posible antes de automatizar total.

1
Validar con muestras Compare puntos de reorden calculados con casos reales: SKUs críticos, de alta rotación y de baja rotación. Identifique desviaciones y causas.
2
Plan de implementación Defina quién recibirá alertas, el canal (correo, Slack, webhook) y el criterio de escalado. Programe revisión mensual de parámetros.

Checkpoint: Prueba piloto en producción con 10-20 SKUs y un plan de integración aprobado por operaciones y compras.

Iteracion

Prompts para refinar el output

Estos son los ajustes mas frecuentes que se piden despues del primer output. Copialos directamente en el chat:

Hacer el output más específico

cuando el output es demasiado genérico. "Reformula los cálculos usando el histórico exacto del fichero. Para cada SKU, aporta la serie de demanda diaria (últimos [PERIODO_VENTAS]) y recalcula ROP aplicando desviación estándar y un factor de seguridad. Explica línea a línea las diferencias respecto al primer output."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Genera dos versiones: 1) Resumen ejecutivo de una página con sólo ROP, stock actual, y acción recomendada. 2) Informe técnico por SKU con cálculo paso a paso, fórmulas numéricas y gráfico pequeño de tendencia (puedes describir el gráfico)."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Reescribe el informe con tono más directo y ejecutivo, dirigidos al Comité de Dirección, enfocando en impacto financiero y KPIs: ahorro estimado, capital liberado y reducción proyectada de roturas en porcentaje."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Genera una página ejecutiva: 5 bullets de hallazgos, 3 recomendaciones de acción inmediata, coste estimado de implementación y ahorro proyectado a 6 meses, todo en lenguaje no técnico."

Resultado

Que vas a obtener

Este es el tipo de output que genera ChatGPT con el prompt de este tutorial. El contenido varia segun tu empresa y situacion, pero la estructura es siempre esta:

Ejemplo de output — Distribuciones Iberia S.A., sector distribución de componentes electrónicos

Estructura del output

El prompt genera un output por SKU con secciones claras: resumen ejecutivo, cálculo de demanda, stock de seguridad, ROP, regla de alerta, mensajes y payload JSON. Incluye además tablas resumen, plan de implementación y KPI propuestos para facilitar la ejecución.

Senales de un buen output

Lista de SKUs con cálculos numéricos verificables (media, desviación, ROP)
Reglas de alerta expresadas en condiciones booleanas claras
Payload JSON y mensajes listos para copiar/pegar en integraciones
Plan de implementación con responsables y checklist de pruebas

Senal de que el output es bueno: El output contiene ROPs numéricos, fórmulas claras, ejemplos de payload y un plan de implementación con responsables

Costes

Inversion y retorno

30$ ChatGPT Business / mes

10-20 min Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: El ROI se materializa al reducir roturas y optimizar niveles de stock; con una disminución del 10-20% en roturas se recupera la inversión inicial en semanas. Además reduce capital inmovilizado al ajustar pedidos al consumo real, mejorando el flujo de caja.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
ROPs demasiado altos para casi todos los SKUs	uso de una ventana de demanda excesiva o niveles de servicio desproporcionados	Reducir el periodo de demanda a 3-6 meses para SKUs de alta rotación y revisar el nivel_de_servicio por categoría; volver a ejecutar el prompt.
Alertas que no se disparan aunque el stock esté bajo	campo stock_actual mal mapeado (p. ej. unidades en otra unidad de medida)	Confirmar y normalizar unidades en [PRODUCTOS_CSV], corregir la columna stock_actual y re-ejecutar.
Inconsistencias entre ROP y tamaño de lote	no aplicar regla de redondeo al mínimo_lote_compra	Incluir en la política de reorden la regla de redondeo por lote y pedir al modelo que ajuste las cantidades al mínimo_lote_compra.
Resultados diferentes entre ejecuciones	parámetros de nivel_de_servicio o método de cálculo no fijados de forma explícita	Establecer y fijar los parámetros operativos en el prompt y documentarlos en la sección 'Política de cálculo' antes de re-ejecutar.
El webhook no integra con el ERP	campo obligatorio del ERP faltante o formato JSON incorrecto	Comparar el payload JSON de ejemplo con la especificación del ERP, añadir campos obligatorios y ajustar tipos de datos (string, integer) según corresponde.

Modo avanzado

Como hacer este tutorial con ChatGPT en modo avanzado

En modo agente, ChatGPT puede orquestar comprobaciones periódicas, consumir el CSV actualizado, recalcular ROPs y enviar notificaciones via webhook. Use el modo agente para automatizar ciclos de revisión y minimizar intervención manual.

Modo avanzado

Flujo de trabajo avanzado

1
Conectar la fuente de datos (ERP/CSV) y programar extracción diaria o semanal
2
Configurar el agente para ejecutar el prompt principal y actualizar ROPs automáticamente
3
Definir los canales de salida: webhook a sistema de pedidos, correo a compras y mensaje a Slack para operaciones
4
Implementar pruebas de seguridad y auditoría: logs de cambios y aprobaciones para pedidos automáticos

Eres un agente operativo para [NOMBRE_EMPRESA]. Tarea recurrente: cada [FRECUENCIA] días extraer el fichero [PRODUCTOS_CSV], ejecutar el prompt de cálculo de ROP y stock de seguridad, y comparar con el ROP previo. Si detectas un aumento de ROP > [UMBRAL_PORCENTAJE]% en SKUs críticos, genera un informe ejecutivo y envía un webhook a [URL_WEBHOOK] con el payload JSON. Incluye en el informe: diferencias en valores, motivos probables (demanda, lead time), y recomendación de acción (comprar, no comprar, revisar proveedor). Registra todas las ejecuciones en formato CSV con timestamp y resultado. Si faltan datos críticos, detén la ejecución y envía un correo a [EMAIL_ADMIN] con la lista de campos faltantes. Responde con un resumen de las acciones realizadas en 3 líneas.

Cuando usar el modo avanzado en este tutorial: Valioso cuando necesita automatizar revisiones periódicas y actuar en tiempo real ante variaciones de demanda o plazos de proveedor.

Siguiente paso

Que hacer ahora?

Ahora que has completado este tutorial, hay dos caminos naturales:

Tutorial relacionado · ChatGPT

Explorar mas tutoriales de ChatGPT

Descubre otros casos de uso de ChatGPT para directivos en diferentes funciones y sectores.

Biblioteca completa

Ver todos los tutoriales

Explora los tutoriales del programa organizados por herramienta, funcion y nivel de dificultad.

Para sacarle mas partido: Inicie una prueba piloto con 20 SKUs representativos durante 6 semanas y compare métricas antes/después (roturas, días de inventario); documente ajustes y conviértalos en políticas fijas.

Alternativa segura

Puedo hacer esto sin que mis datos salgan de la empresa?

Si. Este caso de uso trabaja con datos que, por su naturaleza confidencial, estrategica o regulada, son candidatos optimos para ejecutarse con un modelo de lenguaje open source desplegado en infraestructura propia (on-premises o nube privada). Con esta configuracion, ningun dato abandona nunca los servidores de tu organizacion y el modelo no puede ser entrenado con tu informacion.

Modelos recomendados

Llama 3.3 70B — Ideal para analisis de documentos largos y generacion de texto estructurado (contexto 128K tokens).

Mistral Large 2 — Excelente para extraccion de informacion y clasificacion con alta precision.

Qwen 2.5 72B — Especialmente potente para analisis de datos tabulares y financieros.

Plataformas de despliegue

Ollama — Para equipos pequenos o uso individual en hardware propio.

vLLM — Para entornos de produccion con multiples usuarios simultaneos.

LM Studio — Para pruebas y uso individual sin configuracion de servidor.

Infraestructura minima

Para un modelo de 70B parametros en produccion:

GPU: 2x NVIDIA A100 40GB o 4x RTX 4090.

RAM: 128GB minimo.

Alternativa cloud privada: AWS Private Cloud, Azure Government o Google Cloud Confidential Computing.

Garantia de privacidad: Con un modelo on-premises correctamente configurado, los datos nunca salen de tu red corporativa, el modelo no se entrena con tu informacion, no hay transferencia internacional de datos y el cumplimiento normativo es total incluso para datos del art. 9 RGPD.

Necesitas implementar esta solucion en tu organizacion?

La configuracion de modelos open source on-premises requiere un proveedor tecnico especializado. Agere puede ayudarte a desplegar esta solucion en tu infraestructura de forma segura, con garantias legales y sin que tus datos salgan nunca de tu organizacion.

Contactar con Agere Conocer Agere