Previsión de Demanda con Histórico Limitado

Antes de empezar

Lo que necesitas para completar este tutorial

Lo que conseguiras al terminar

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

✓ Previsión de ventas por mercado y producto con rangos (optimista / esperado / conservador)
✓ Lista priorizada de supuestos críticos y métricas para validar
✓ Plan de acciones y recursos necesarios para el lanzamiento o ajuste

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Acceso a ChatGPT Business con capacidad de sesiones y subida de texto (o copia/pega del histórico).

Obligatorio Dataset mínimo: al menos 3 meses de ventas por producto/mercado o, si no existe, datos análogos (ventas de productos similares o mercados piloto).

Recomendado Acceso a una hoja de cálculo centralizada (Google Sheets/Excel) con variables de precio, promoción y distribución.

Recomendado Contacto con responsable comercial/local para validar supuestos cualitativos por mercado.

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

Novexia Internacional, sector: retail de moda y exportación — el problema real

La Dirección de Marketing Internacional debe estimar demanda para tres mercados nuevos con solo 2-6 semanas de prueba en cada país. Necesitan cifras accionables para planificar stock y campañas sin introducir sesgos optimistas.

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 ayuda a combinar datos escasos con información cualitativa y comparables del sector para crear modelos heurísticos reproducibles. Genera outputs estructurados, comunicables al comité y adaptables a nueva evidencia mediante iteraciones rápidas.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
lanzamiento en nuevos mercados con pocas semanas de ventas necesita estimaciones rápidas para decisiones de stock y presupuesto hay datos análogos (productos/mercados similares) que se pueden usar como referencia	cuando existe un histórico robusto y modelos estadísticos ya validados cuando se requiere previsión legal o cumplimiento regulatorio detallado cuando no existe ningún dato ni conocimiento del mercado objetivo

Paso 01

Recopilar y normalizar el histórico disponible

Reúna todo el histórico mínimo y los datos análogos. El objetivo es convertir registros heterogéneos en una tabla única con unidades y moneda uniformes para que el modelo entienda las magnitudes.

1
Consolidar ventas por fila (fecha, mercado, producto, unidades, ingresos) Unifique formatos: convierta moneda a [MONEDA], estandarice nombres de productos y asegúrese de que cada fila tenga periodo y canal de venta. Ejemplo: Novexia_ESP_FaldaA_2025-02-01_10u_200EUR.
2
Agregar variables de contexto por mercado Incluya precio, disponibilidad de stock, canal (tienda/online), promoción y datos macro (población, índice de penetración e-commerce). Aunque sean estimaciones, permiten calibrar ratios.
3
Identificar datos análogos Si faltan semanas, aporte ventas de productos similares o mercados piloto (por ejemplo, datos de lanzamiento en Portugal usados como análogo para Chile). Documente por qué es análogo.

Checkpoint: Hoja de datos única y limpia con campos: Fecha, Mercado, Producto, Unidades, Ingresos (MONEDA), Canal, Promoción, Notas.

Paso 02

Transformar histórico limitado en indicadores útiles

Cree métricas agregadas y ratios que el modelo pueda usar: tasa diaria/semana, conversión por canal, elasticidad aproximada y tasa de adopción inicial. Estas métricas sirven de inputs para generar escenarios.

1
Calcular tasas temporales (promedio diario/semana) Con datos escasos, use medias móviles o exponencial suavizado para mitigar ruido. Documente ventana utilizada (p.ej., 7 días) y justifique.
2
Derivar ratios comparativos Ejemplos: unidades por 1.000 visitas, tasa de conversión en e-commerce, porcentaje de stock vendido en 14 días. Comparar contra análogos ayuda a escalar.
3
Estimar variabilidad Calcule desviación relativa o rango intercuartílico; el objetivo es que el prompt reciba una medida de incertidumbre por mercado y producto.

Checkpoint: Conjunto de indicadores por mercado/producto: tasa media, ratio conversión, variabilidad y nota sobre calidad del dato.

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

[HISTORICO]Tabla o texto con filas: Fecha, Mercado, Producto, Unidades, Ingresos, Canal, Promoción, Notas. Si no hay, indique 'SIN_DATOS' y aporte análogos.

[PERIODO]Horizonte de previsión en semanas (ej: 12).

[MERCADOS]Lista de mercados a evaluar (ej: España, Chile, México).

[PRODUCTOS]Lista de productos relevantes con SKU o descripción corta.

[MONEDA]Moneda en la que reportar ingresos (ej: EUR).

[UNIDADES]Unidad de medida de producto (ej: unidades, litros, cajas).

[OBJETIVO]Objetivo operativo principal (ej: dimensionar stock para lanzamiento inicial).

[ANALOGOS]Descripción de datos análogos disponibles y por qué son comparables (ej: mercado piloto, producto similar).

Prompt principal — Previsión con histórico limitado Eres un analista senior de previsión de demanda para la Dirección de Marketing Internacional. Tienes que generar una previsión accionable a 12 semanas para los mercados indicados usando un histórico limitado. Datos de entrada: histórico parcial y métricas análogas. Objetivo: producir 3 escenarios (conservador/esperado/optimista) por mercado y producto, cada uno con valores semanales de unidades y confianza expresada en % y en rangos. Responde en formato estructurado con las secciones numeradas que se piden a continuación. Incluye supuestos claros y un plan de validación de 4 hitos con responsables. Datos (rellena con la información real): 1) Histórico: [HISTORICO] (tabla con filas: Fecha, Mercado, Producto, Unidades, Ingresos, Canal, Promoción, Notas). 2) Periodo de forecast: [PERIODO] (ej. 12 semanas). 3) Mercados a evaluar: [MERCADOS] (lista). 4) Productos: [PRODUCTOS] (lista). 5) Moneda y unidades: [MONEDA], [UNIDADES]. 6) Objetivo operativo: [OBJETIVO] (p. ej. dimensionar stock, presupuesto campaña, decidir primer reabastecimiento). 7) Datos análogos y su razón de uso: [ANALOGOS] (ej. ventas en mercado piloto o producto similar). Requisitos del output: A) Tabla por mercado/producto con columnas semanales (Semana 1..[PERIODO]) para cada escenario (conservador/esperado/optimista) y una columna adicional con el rango (mín-max) para el escenario esperado. B) Cada escenario debe venir con: supuestos cuantitativos (valores numéricos usados para transformar análogos), nivel de confianza (%) y la principal fuente de incertidumbre. C) Listado priorizado de 5 supuestos críticos que explicarían desviaciones >20% y cómo validarlos (experimento corto, métrica y responsable). D) Plan operativo con 4 hitos (fecha, responsable, criterio de éxito y acción a tomar si no se cumple). E) Recomendaciones logísticas (stock inicial recomendado en unidades y porcentaje de seguridad) y recomendación de inversión en marketing inicial por mercado. F) Resumen ejecutivo en máximo 6 viñetas para el Comité de Dirección. Formato: entrega las tablas en JSON y los supuestos/plan en texto claro. Si faltan datos críticos, indica exactamente qué falta y el impacto potencial en la previsión. Sé conservador en la incertidumbre y documenta todas las fórmulas o reglas heurísticas que apliques (p. ej. multiplicador de análogo = 0.8x por menor penetración). Usa palabras clave: 'RANGO', 'CONFIANZA', 'SUPUESTO_CRÍTICO' para que sean fácilmente buscables.

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

Paso 04

Iterar, validar y convertir en plan operativo

Refina el resultado con información cualitativa y pruebas iniciales. Prioriza supuestos críticos y define experimentos de validación por mercado con responsables y fechas.

1
Revisar supuestos con equipo local Compare los supuestos del modelo con información del country manager y ajusta tasas de conversión o disponibilidad según feedback.
2
Definir experimentos y umbrales de actuación Ejemplo: si en 4 semanas la adopción está por debajo del 60% del escenario conservador, detener pedidos adicionales y reoptimizar promoción.

Checkpoint: Plan operativo con responsables, cronograma de validación y decisiones gatillo bien definidas.

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. "El output es útil pero demasiado general. Ajusta las previsiones incorporando estos factores por mercado: tasa de conversión esperada [TC_%], porcentaje de canal online [ONLINE_%], y ajuste por estacionalidad [ESTACIONALIDAD_%]. Recalcula las 12 semanas con estos inputs y actualiza los supuestos críticos y el plan de validación."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Resumen ejecutivo de máximo 4 viñetas con solo cifras clave: unidades totales por escenario y recomendación inmediata de stock y gasto. Además, produce una versión extendida con fórmulas usadas paso a paso."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Reescribe el resumen ejecutivo en tono directo para Comité de Dirección: lenguaje no técnico, una línea por recomendación, indicadores claves con porcentaje de riesgo y decisión recomendada (Aprobar/Posponer/Reducir)."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Genera una diapositiva única (6-8 líneas) con: objetivo, recomendación (apoyo numérico), 3 riesgos principales y 2 decisiones requeridas hoy. Usa lenguaje claro y cuantitativo."

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 — Novexia Internacional, sector: retail de moda y exportación

Estructura del output

El prompt debe devolver JSON con: metadata inicial, tabla por mercado/producto con semanas y escenarios, lista de supuestos críticos con método de validación, plan operativo de 4 hitos y resumen ejecutivo. Además, un bloque de notas con datos faltantes y fórmulas aplicadas.

Senales de un buen output

La previsión incluye rangos numéricos por semana y escenario
Los supuestos críticos están numerados y vinculados a experimentos de validación
El nivel de confianza (%) está especificado para cada escenario y mercado
Se presenta un plan operativo con responsables y criterios de éxito

Senal de que el output es bueno: Presencia de tablas semanales por escenario, supuestos numerados y plan de validación con responsables y fechas.

Costes

Inversion y retorno

30$ ChatGPT Business / mes

15-30 min por ejecución Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: Una previsión temprana y bien documentada reduce sobrestock y roturas, optimizando inversión en marketing y logística. Para lanzamientos internacionales, ahorrar un 10-20% en stock y campañas mal dirigidas puede compensar el coste de la herramienta en la primera campaña.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
Valores de forecast extremadamente altos o bajos sin justificación	Unidades o moneda mal normalizadas en el histórico (mix de EUR y USD o unidades y cajas mezcladas).	Verificar y unificar moneda y unidades en la tabla inicial; incluir columna MONEDA y UNIDADES antes de ejecutar el prompt.
Output muy optimista con baja variabilidad	Se usaron análogos con mejor rendimiento sin ajustar por diferencias de mercado (penetración, canal).	Añadir multiplicadores conservadores (ej. 0.6–0.8) y pedir al modelo recalcular escenarios con ajuste por penetración.
Respuesta confusa o desestructurada	Prompt modificado o variables mal rellenadas (faltan etiquetas obligatorias).	Usar el prompt principal sin cambios de formato y rellenar todas las variables en corchetes. Si falta información, indicar 'SIN_DATOS' en [HISTORICO].
Rangos excesivamente amplios que no sirven para la toma de decisiones	Falta de métricas de variabilidad en los datos de entrada (no se proporcionó desviación o rango).	Calcular y aportar medidas de dispersión (desviación estándar o percentiles) en las variables de entrada antes de ejecutar de nuevo.
Supuestos críticos poco accionables	Output genérico sin responsables ni métricas de validación.	Solicitar explícitamente responsables y métricas en el prompt (ej. 'para cada SUPUESTO_CRÍTICO, indica responsable, métrica de validación y umbral en X semanas').

Modo avanzado

Como hacer este tutorial con ChatGPT en modo avanzado

El modo agente permite integrar fuentes (Google Sheets, API internas) y ejecutar iteraciones automáticas: importar datos, ejecutar el prompt con variables actualizadas y guardar resultados. Es útil para ejecutar previsiones periódicas y alimentar dashboards.

Modo avanzado

Flujo de trabajo avanzado

1
Conectar la hoja de cálculo [SHEET_URL] que contiene el histórico y las métricas análogas.
2
Configurar un agente para limpiar y normalizar datos (moneda, unidades, fechas) automáticamente.
3
Ejecutar el prompt principal con las variables extraídas y almacenar el JSON resultante en un archivo de salida.
4
Programar iteraciones semanales y notificaciones si los KPI de validación cruzan umbrales definidos.

Eres un agente automatizado para previsión de demanda. Toma los datos de la hoja [SHEET_URL], normaliza moneda a [MONEDA] y unidades a [UNIDADES], calcula métricas básicas (media semanal, desviación, tasa de conversión estimada) y ejecuta el prompt de previsión principal con horizonte [PERIODO] para los mercados [MERCADOS] y productos [PRODUCTOS]. Devuelve un JSON con las secciones requeridas y guarda una copia en [OUTPUT_PATH]. Si faltan datos, detalla exactamente qué falta y envía una alerta por email a [RESPONSABLE_EMAIL].

Cuando usar el modo avanzado en este tutorial: Cuando los datos están en sistemas accesibles y se necesita repetibilidad (previsiones semanales o iteraciones con nuevos datos), o para alimentar cuadros de mando automáticos.

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: Tras validar las primeras 4 semanas, automatice la captura de métricas clave (visitas, conversión) para recalibrar escenarios y reducir la incertidumbre rápidamente.

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