Previsión de Demanda Promocional con ChatGPT

Antes de empezar

Lo que necesitas para completar este tutorial

Lo que conseguiras al terminar

Si sigues estos pasos, en 30-45 minutos tendras:

✓ Previsión de demanda por SKU para el periodo promocional
✓ Recomendación de stock de seguridad y plan de reabastecimiento
✓ Lista priorizada de riesgos y acciones tácticas

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Histórico de ventas diario/semanal por SKU de al menos 12 meses en formato CSV o tabla.

Obligatorio Detalle del plan promocional: SKUs en promoción, descuentos, duración y canales.

Recomendado Datos de marketing (inversión por canal y elasticidad estimada) y previsiones de tráfico.

Recomendado Tiempos de reposición por proveedor, mínimos de pedido y restricciones logísticas.

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

ModaFlash S.A., retail moda — el problema real

ModaFlash debe decidir cuánto stock pedir para Black Friday. Basan la estimación en intuitos y comparativas simples, lo que genera roturas en SKUs top y exceso en SKUs menos demandados.

Con ChatGPT y el prompt de este tutorial, puede resolver este reto en 30-45 minutos — sin conocimientos tecnicos previos.

Situacion real
Datos + contexto

→

ChatGPT
Prompt estructurado

→

Output ejecutivo
Listo para usar

Por que funciona: ChatGPT sintetiza múltiples fuentes y aplica reglas estadísticas y heurísticas comerciales para convertir datos crudos en decisiones operativas. Es eficaz en estructurar supuestos, normalizar series temporales y producir salidas accionables para directivos en lenguaje ejecutivo.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
Tienes datos históricos por SKU y un plan promocional definido. Necesitas una previsión rápida y justificada para pedidos y negociación con proveedores. Buscas priorizar SKUs críticos y gestionar riesgo de rotura en ventanas cortas.	No hay datos históricos representativos ni parámetros básicos de la promoción. Requieres cálculos de ingeniería compleja o simulaciones con modelos físicos que no dependen de ventas. Tu objetivo es diseñar la estrategia de pricing y creatividad publicitaria desde cero.

Paso 01

Reunir y validar los datos

Confirma que dispones de los datos mínimos y la calidad necesaria: histórico de ventas, plan promocional y parámetros logísticos. La previsión depende de la integridad y representatividad de estos inputs.

1
Exporta el histórico de ventas por SKU Incluye fecha, SKU, unidades vendidas, precio y canal. Un periodo mínimo recomendado es 12 meses para capturar estacionalidad.
2
Recopila el plan promocional Detalla SKUs en promoción, descuento aplicado, duración exacta y canales (online, tiendas físicas). Esto permite estimar uplift promocional.
3
Confirma parámetros logísticos Anota lead times, mínimos de pedido y disponibilidad de proveedores para calcular restricciones de reabastecimiento.

Checkpoint: Un repositorio CSV/tabla por SKU con ventas históricas y un documento con el plan promocional y lead times.

Paso 02

Preparar métricas y supuestos

Define las métricas que usarás en la previsión y los supuestos para elasticidad y cannibalización. La claridad en supuestos evita malentendidos con finanzas y operaciones.

1
Calcula tasas base y estacionalidad Obtén promedios móviles y factor estacional por SKU para ajustar expectativas durante Black Friday.
2
Estima uplift promocional Si tienes datos de promociones previas, calcula el porcentaje de incremento; si no, define rangos por categoría (p. ej. 50–150% para moda).
3
Define el nivel de servicio objetivo Indica el service level deseado (p. ej. 95%) para convertir la incertidumbre en stock de seguridad y evitar roturas.

Checkpoint: Documento con métricas por SKU: tasa base, factor estacional, uplift estimado y nivel de servicio objetivo.

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

[HORIZON_WEEKS]Número de semanas a prever (p. ej. 6)

[PERIOD_START]Fecha de inicio del horizonte de previsión (AAAA-MM-DD)

[PERIOD_END]Fecha de fin del horizonte de previsión (AAAA-MM-DD)

[HISTORICAL_SALES_CSV]Ruta o tabla con histórico de ventas: fecha, SKU, unidades, precio, canal

[PROMO_PLAN]Detalle del plan promocional: SKU, descuento, inicio, fin, canal

[MARKETING_SPEND]Inversión por canal esperada para la ventana promocional (ej: online: 50.000€)

[SERVICE_LEVEL]Nivel de servicio deseado para calcular stock de seguridad (p. ej. 95%)

[LEAD_TIMES]Lead times por proveedor/SKU en días

Prompt principal — Previsión Demanda Promocional Actúa como analista senior de demanda y genera una previsión operativa para la campaña de Black Friday. Responde en formato JSON con las claves indicadas al final. Datos: horizonte [HORIZON_WEEKS] semanas desde [PERIOD_START] hasta [PERIOD_END]; histórico de ventas por SKU en [HISTORICAL_SALES_CSV] (fecha, SKU, unidades, precio, canal); plan promocional en [PROMO_PLAN] (SKU, descuento, inicio, fin, canal); marketing spend esperado [MARKETING_SPEND] por canal; nivel de servicio objetivo [SERVICE_LEVEL]. Instrucciones analíticas: 1) Ajusta la serie temporal por estacionalidad y días especiales; 2) Estima uplift promocional por SKU usando promociones históricas o benchmarks del sector; 3) Modela cannibalización entre SKUs de la misma categoría; 4) Calcula demanda esperada por SKU para cada semana del horizonte, indicando punto estimado y un intervalo de confianza (p. ej. P10–P90); 5) Calcula stock de seguridad por SKU basado en la variabilidad histórica y el nivel de servicio; 6) Propón cantidades de pedido y fechas de reabastecimiento según lead times en [LEAD_TIMES]; 7) Identifica top 10 SKUs con mayor riesgo de rotura y top 10 con mayor riesgo de exceso; 8) Incluye un plan de acciones tácticas (priorización de canales, ajuste de descuentos, restricciones de venta) y un breve calendario operativo. Salida requerida (en JSON): executive_summary (2–4 frases), assumptions (lista), forecast_table (CSV con columnas: SKU, semana, demanda_estim, p10, p90), reorder_plan (tabla con SKU, cantidad_a_pedir, fecha_petición), safety_stock_recommendations (por SKU), risk_factors (lista priorizada), sensitivity_analysis (impacto % si tráfico baja 20% o conversión baja 10%), key_metrics (GMROI, probabilidad_de_rotura_por_SKU, coste_estimado_exceso), visualization_instructions (sugerencias para 2 gráficas: top SKUs riesgo y forecast por categoría). Prioriza claridad ejecutiva: cada sección debe comenzar con 1 frase resumen y terminar con 1 recomendación operativa. Identifica supuestos críticos y qué datos validar con operaciones. Si faltan datos obligatorios, devuelve un bloque missing_data con indicación precisa de qué aportar. Responde solo con JSON válido.

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

Paso 04

Iterar y afinar la previsión

Revisa las salidas, valida supuestos con finanzas y operaciones, y pide iteraciones para ajustar riesgos, precios o lead times. La colaboración interfuncional mejora la calidad.

1
Comparar con escenarios Solicita escenarios optimista, base y pesimista para ver sensibilidad ante cambios de tráfico o conversión.
2
Solicitar priorización de SKUs Pide al modelo que identifique SKUs críticos por margen, rotura probable o coste de oportunidad para focalizar decisiones de stock.

Checkpoint: Versión final de la previsión aprobada con supuestos actualizados y plan de reabastecimiento validado.

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. "Ajusta la previsión enfocándote solo en los SKUs de mayor margen: prioriza los 50 SKUs con mayor contribución al margen bruto. Mantén la estructura JSON solicitada y recalcula stock y fechas de pedido para esos SKUs únicamente."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Genera dos versiones: (A) Resumen ejecutivo de una página con las 5 acciones prioritarias y (B) Informe técnico con la metodología, supuestos y fórmulas. Mantén la sección forecast_table pero limita a 10 SKUs en la versión ejecutiva."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Reescribe el executive_summary y las recomendaciones en tono directo y conciso, dirigido al Comité de Dirección. Máximo 6 frases en total, con bullets claros y una recomendación inmediata para compras."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Resume el output en una página con: 3 métricas clave (probabilidad de rotura total, exceso de stock estimado en euros, impacto en margen), 3 riesgos principales y 3 decisiones recomendadas con impacto estimado."

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 — ModaFlash S.A., retail moda

Estructura del output

El prompt genera un JSON con secciones ejecutivas y tablas operativas: resumen, supuestos, tabla de forecast por semana y SKU, plan de reabastecimiento, stock de seguridad, análisis de riesgos y sensibilidad. Cada sección comienza con una frase resumen y concluye con una recomendación operativa.

Senales de un buen output

El forecast incluye P10–P90 por SKU y semana
Las recomendaciones de pedido incluyen fecha y cantidad alineadas con lead times
Se listan claramente supuestos críticos y datos faltantes en 'missing_data'
Se entregan acciones tácticas priorizadas con impacto estimado

Senal de que el output es bueno: La señal clave es que la tabla forecast incluye valores puntuales y un intervalo de confianza (P10–P90) que concuerda con las recomendaciones de stock y fechas de pedido.

Costes

Inversion y retorno

20$ ChatGPT Plus / mes

10-20 min Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: Una previsión precisa reduce roturas y exceso de stock, mejorando ventas y margen en campañas promocionales. El ahorro potencial proviene de menores pérdidas por roturas y menor coste financiero por inventario inmovilizado, justificando la inversión en la herramienta y tiempo del equipo.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
Forecast con valores nulos o vacíos	Falta información obligatoria en [HISTORICAL_SALES_CSV] o formato incorrecto	Aporta el CSV con columnas (fecha, SKU, unidades, precio, canal) y vuelve a ejecutar el prompt; incluye ejemplo de fila si es necesario.
Intervalos de confianza excesivamente amplios	Volatilidad alta en el histórico o horizonte demasiado largo sin datos complementarios	Reduce el horizonte, agrega datos de promociones anteriores o solicita escenarios optimista/base/pesimista para acotar la incertidumbre.
Recomendaciones de pedido que incumplen lead times	Lead times en [LEAD_TIMES] no fueron incluidos o están mal especificados	Proporciona lead times correctos por proveedor/SKU y vuelve a ejecutar la iteración solicitando validación de fechas.
Output demasiado genérico sin prioridades	Se solicitó previsión para demasiados SKUs sin criterios de priorización	Pide priorizar por criterio (margen, volumen, rotación) y reitera el prompt indicando el top N SKUs a focalizar.
Divergencia entre forecast y datos internos	Supuestos de uplift promocional o elasticidad no coinciden con la realidad empresarial	Actualiza los supuestos de uplift en [PROMO_PLAN] y añade datos de promociones pasadas para calibrar elasticidad.

Modo avanzado

Como hacer este tutorial con ChatGPT en modo avanzado

En modo agente, ChatGPT puede integrar llamadas a tus fuentes internas (BI, ERP, APIs de inventario) para recuperar datos en tiempo real, ejecutar cálculos y actualizar la previsión automáticamente. Esto permite generar planes de pedido sincronizados con restricciones operativas.

Modo avanzado

Flujo de trabajo avanzado

1
Conectar al origen de datos: solicitar acceso temporal a la tabla de ventas y a la tabla de inventario vía API o archivo compartido.
2
Validar y normalizar datos: ejecutar transformaciones para limpiar fechas, SKU y canales.
3
Calcular previsiones y simular escenarios: correr el modelo de uplift y generar P10–P90 por SKU.
4
Publicar plan operativo: exportar reorder_plan y reportes a un dashboard o enviar por correo a responsables.

Eres un agente analítico autorizado a acceder a las siguientes fuentes: API de ventas ([API_SALES_ENDPOINT]), ERP de inventario ([API_INVENTORY_ENDPOINT]) y plan de marketing ([API_MARKETING_ENDPOINT]). Extrae ventas históricas de los últimos 18 meses, inventario disponible y lead times actuales. Normaliza SKUs, corrige discrepancias y genera la previsión para [HORIZON_WEEKS] semanas siguiendo la metodología: ajustar estacionalidad, estimar uplift por promoción, modelar cannibalización y producir P10–P90 por SKU. Devuelve: JSON con executive_summary, forecast_table, reorder_plan, safety_stock_recommendations, riesgo_priorizado y missing_data si corresponde. Registra las consultas realizadas (endpoints y filtros) y adjunta el SQL o llamadas API usadas. No realices cambios en sistemas, solo lectura y cálculo.

Cuando usar el modo avanzado en este tutorial: Especialmente valioso cuando necesitas validación en tiempo real con datos operativos actualizados, coordinación con compras y automatización del envío de órdenes a proveedores.

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: Integra la previsión final en tu ciclo de S&OP y realiza una prueba piloto con 20 SKUs críticos para medir precisión y ajustar supuestos antes de escalar al catálogo completo.

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