[{"data":1,"prerenderedAt":59},["ShallowReactive",2],{"/es/answer-library/en-el-caso-de-estudio-de-motor-mart-cmo-puedo-disear-un-semforo-de-riesgo-por-su":3,"answer-categories":35},{"id":4,"locale":5,"translationGroupId":6,"availableLocales":7,"alternates":8,"_path":9,"path":9,"question":10,"answer":11,"category":12,"tags":13,"date":15,"modified":15,"featured":16,"seo":17,"body":22,"_raw":27,"meta":28},"d1f13467-eb05-43e0-8cae-02632c993c6f","es","2baa54f8-3506-4ce1-8625-1a9f63064ae6",[5],{"es":9},"/es/answer-library/en-el-caso-de-estudio-de-motor-mart-cmo-puedo-disear-un-semforo-de-riesgo-por-su","En el caso de estudio de Motor Mart, ¿cómo puedo diseñar un “semáforo” de riesgo por sucursal que anticipe quiebres de stock o sobreinventar?","## Respuesta\n\nDiseña el semáforo como un score simple y accionable por sucursal que combine dos riesgos separados: quiebre de stock y sobreinventario. Empieza a nivel sucursal por SKU, lo agregas por categoría y finalmente lo resumes en un indicador ejecutivo por sucursal con sus principales “drivers”. La clave no es el color, sino que el color llegue con una acción concreta y con suficiente anticipación para que compras y logística alcancen a reaccionar. Con datos mínimos y una calibración con histórico, lo puedes operar en Excel o en BI sin convertirlo en un proyecto eterno.\n\nObjetivo del semáforo y alcance (Motor Mart: sucursal, SKU, categoría)\nEl error más típico al armar un semáforo es hacerlo “bonito” pero inútil: muchos rojos, pocos responsables y cero acción. En Motor Mart conviene definir desde el inicio dos cosas: el horizonte de anticipación y el nivel de decisión. Mi recomendación práctica es que el semáforo anticipe entre 7 y 14 días, o bien el lead time del proveedor más un pequeño buffer, porque eso es lo que te permite mover palancas reales como acelerar pedido, transferir inventario o frenar compras.\n\nEn alcance, la unidad de análisis base debe ser sucursal por SKU. Luego agregas por categoría para que el jefe de tienda y el comprador hablen el mismo idioma, y finalmente produces un indicador ejecutivo por sucursal para ranking y priorización. Si intentas arrancar directo “por sucursal” sin bajar a SKU, el semáforo se vuelve una caja negra y nadie sabe qué arreglar.\n\nSeñales de entrada: datos mínimos y features recomendadas\nCon datos mínimos puedes construir algo sólido. Lo mínimo viable por sucursal y SKU es: ventas por día o por semana, inventario disponible, inventario comprometido si existe, pedidos abiertos o en tránsito, fecha estimada de arribo, y lead time histórico por proveedor. Si además tienes devoluciones, cancelaciones y sustituciones, úsalas para limpiar ruido.\n\nLuego vienen las features recomendadas, que son las que vuelven predictivo al semáforo sin requerir un modelo complejo:\n1) Demanda esperada de corto plazo, por ejemplo promedio móvil de 4 semanas con estacionalidad simple si aplica.\n2) Variabilidad de la demanda, por ejemplo desviación estándar o MAD en la misma ventana.\n3) Intermitencia, o sea cuántos días o semanas vende cero, típica en refacciones o SKUs de baja rotación.\n4) Momentum de ventas, una comparación entre las últimas 2 semanas y las 6 anteriores para detectar aceleración.\n5) Lead time promedio y su variabilidad. La variabilidad del lead time es un multiplicador del riesgo, porque un proveedor inestable te rompe cualquier “mínimo y máximo” bien intencionado.\n6) Restricciones comerciales como mínimo de compra, múltiplos de empaque y frecuencia de entrega.\n\nTip práctico 1: separa siempre ventas observadas de “demanda perdida” por quiebre. Cuando el inventario está en cero, la venta cae a cero aunque haya clientes. Si alimentas el promedio con esos ceros, el semáforo aprende que no se vende y luego el quiebre se vuelve profecía autocumplida. Un trabajo académico sobre quiebres en puntos de venta y tableros heurísticos insiste en que el valor viene de detectar y anticipar, no solo de reportar, y eso requiere cuidar el dato base de demanda real frente a disponibilidad.\n\nMétricas base por SKU en cada sucursal\nCon esas señales, define métricas base que sean interpretables por negocio. Las que más rinden para un semáforo son:\n\nCobertura o días de inventario. DOH, Days on Hand. DOH igual a inventario disponible dividido por demanda diaria esperada. Es la forma más rápida de entender si te alcanza.\n\nDemanda durante lead time. Demanda LT igual a demanda diaria esperada por lead time en días.\n\nStock de seguridad. Una versión simple es z por sigma por raíz de lead time, donde sigma es la desviación estándar diaria. Si no quieres meterte en niveles de servicio, usa un factor fijo por criticidad, por ejemplo mayor para A y menor para C.\n\nPunto de pedido. ROP igual a demanda LT más stock de seguridad. Si el inventario disponible más lo que viene en tránsito cae por debajo del ROP, estás entrando a zona de riesgo.\n\nExceso sobre objetivo. Exceso DOH igual a DOH menos DOH objetivo. El DOH objetivo puede ser distinto por categoría o por clase ABC.\n\nAging. Días desde la última venta, o días desde el último movimiento. Es el mejor detector de sobreinventario silencioso, ese que “se ve lleno” pero no rota.\n\nFill rate o nivel de servicio observado, si puedes estimarlo. Si no, al menos días en quiebre en las últimas 8 semanas.\n\nEstas métricas aparecen recurrentemente en enfoques de inventario óptimo y gestión predictiva, donde el punto no es solo evitar quiebres, sino balancear costo de mantener inventario contra costo de ruptura, algo que también enfatizan revisiones aplicadas de optimización de inventarios y stock óptimo.\n\nConstrucción del score: normalización y combinación de señales\nEl score debe ser fácil de explicar en una reunión de 15 minutos. La forma más práctica es construir dos sub scores separados:\n\nRiesgo de quiebre. Señales típicas: brecha contra ROP, cobertura por debajo del objetivo, probabilidad de caer a cero antes de que llegue el pedido, y aumento reciente de demanda.\n\nRiesgo de sobreinventario. Señales típicas: DOH muy por encima del objetivo, aging alto, caída de demanda reciente, y inventario en tránsito que “empuja” más stock.\n\nNormalización. No compares una llanta con un filtro de aceite sin normalizar, porque tienen patrones distintos. Para cada categoría o familia, normaliza cada señal con percentiles históricos o un z score robusto. En la práctica, percentiles funcionan muy bien para arrancar porque soportan outliers.\n\nCombinación. Una fórmula típica para un semáforo heurístico es:\n\nScore quiebre igual a 0.45 por brecha ROP normalizada más 0.35 por cobertura invertida normalizada más 0.20 por variabilidad y lead time normalizados.\n\nScore sobrestock igual a 0.50 por exceso DOH normalizado más 0.30 por aging normalizado más 0.20 por caída de demanda normalizada.\n\nLuego ponderas por criticidad. Puedes usar una matriz ABC por valor o margen y XYZ por variabilidad. Por ejemplo, si es A y además es X, sube el peso del quiebre. Si es C y Z, sube el peso del aging para capturar el costo de tener “museo de inventario”.\n\nHumor ligero para el equipo: un semáforo que marca rojo para todo es como una alarma de coche que suena con el viento, al tercer día nadie la escucha.\n\nDefinición de umbrales del semáforo (verde, amarillo, rojo) y calibración\nAquí se gana o se pierde el proyecto. No pongas umbrales por intuición, calibra con histórico.\n\nPrimero define etiquetas de evento.\n1) Evento quiebre. Por ejemplo, inventario en cero en los próximos N días o cobertura proyectada menor que 1 día antes de la próxima recepción.\n2) Evento sobreinventario. Por ejemplo, DOH mayor al objetivo más un margen, o aging mayor a cierto umbral por categoría.\n\nLuego haces backtesting. Tomas los scores históricos y ves qué percentil o qué corte te da buena precisión y buen recall según el costo. En muchos retailers funciona bien que rojo sea el peor 10 a 15 por ciento, amarillo el siguiente 15 a 25 por ciento, y verde el resto. Pero lo correcto es elegirlo por costo: un falso negativo de quiebre suele costar más que un falso positivo.\n\nError común: usar el mismo umbral para todos los SKUs y todas las sucursales. Resultado: la sucursal con demanda alta vive en rojo y la sucursal pequeña vive en verde aunque tenga problemas. Qué hacer en su lugar: define umbrales por clase y categoría, y si puedes por perfil de sucursal, al menos volumen alto contra volumen bajo.\n\nAgregación a nivel sucursal: de SKU a indicador ejecutivo y ranking\nUna vez que tienes semáforo por SKU, lo conviertes en un indicador ejecutivo por sucursal sin perder trazabilidad.\n\nPropón tres vistas simultáneas:\n1) Score sucursal de quiebre, promedio ponderado por ventas o margen de los SKUs.\n2) Score sucursal de sobrestock, promedio ponderado por costo de inventario o capital inmovilizado.\n3) Porcentaje de SKUs en rojo y amarillo, porque al director le importa la “cantidad de incendios”, no solo su intensidad.\n\nLuego, agrega un ranking y una lista corta de drivers. Por ejemplo, los 10 SKUs que más contribuyen al riesgo de quiebre y los 10 que más contribuyen al sobrestock. Esa lista transforma el semáforo de “dashboard” a “lista de trabajo”.\n\nPlaybook de acciones por color y por tipo de riesgo\nEl semáforo sin playbook es un semáforo pintado en la pared. Define acciones por color y por tipo de riesgo.\n\nPara quiebre:\n1) Rojo. Acelerar pedido si es posible, hacer transferencia entre sucursales si hay excedente en otra, habilitar sustitutos recomendados por categoría, y revisar ROP y stock de seguridad si el patrón cambió.\n2) Amarillo. Orden preventiva en el próximo ciclo, validar inventario físico si hay sospecha de diferencias, y monitorear diariamente.\n3) Verde. Mantener política y usar el tiempo para atacar causas de raíz, como proveedores con lead time variable.\n\nPara sobreinventario:\n1) Rojo. Frenar compras o reducir cantidades, redistribuir a sucursales con mejor rotación, negociar devolución o intercambio si aplica, y ajustar máximos o DOH objetivo.\n2) Amarillo. Plan de salida suave, por ejemplo bundles, descuentos locales, o promoción con control de margen.\n3) Verde. Mantener, sin “celebrar” demasiado, porque el exceso suele empezar como verde que nadie mira.\n\nTip práctico 2: define responsables y tiempos de reacción por color. Por ejemplo, rojo quiebre en SKUs A exige acción en 24 horas. Amarillo puede revisarse en 48 a 72. Esto está alineado con enfoques de operación logística con automatizaciones simples: la utilidad viene de cerrar el ciclo alerta acción, no de hacer reportes perfectos.\n\nValidación, KPIs y mejora continua\nValida el semáforo como un sistema de decisión. Mide dos capas: desempeño operativo y desempeño predictivo.\n\nOperativo. Tasa de quiebres, días con quiebre por sucursal, fill rate, rotación, DOH promedio, porcentaje de inventario envejecido, y costo de sobrestock.\n\nPredictivo. Precisión de rojos para quiebre, recall de quiebres detectados con anticipación, precisión para sobrestock, y tiempo promedio de anticipación lograda.\n\nCadencia de mejora. Haz backtesting mensual y recalibración trimestral de umbrales y pesos, sobre todo cuando cambian surtidos, campañas o proveedores. Si puedes, monitorea drift, por ejemplo si la variabilidad de demanda o el lead time cambian de forma sostenida.\n\nImplementación práctica (Excel, BI, SQL) y cadencia de actualización\nEsto se puede implementar sin magia.\n\nEn SQL o en tu data mart, crea una tabla diaria por sucursal SKU con inventario, ventas, pedidos en tránsito y fechas. Encima calculas métricas como DOH, ROP, exceso, aging. Luego guardas scores por fecha para poder auditar.\n\nEn Excel, puedes arrancar con tablas dinámicas y columnas calculadas, sobre todo para un piloto de 1 a 3 sucursales y las categorías principales. En BI, lo ideal es un tablero con tres pantallas: ranking de sucursales, detalle por categoría, y detalle por SKU con drivers y acción sugerida.\n\nCadencia. Diario para SKUs A o de alta rotación, y semanal para C o intermitentes. Mucha gente lo actualiza diario para todo y termina con fatiga de alertas.\n\nA continuación se muestra una tabla de controles operativos que te conviene configurar desde el inicio para que el semáforo no se descomponga en producción.\n\nSet: Horizonte de pronóstico. Si lo defines menor al lead time real, el semáforo llega tarde y solo describe incendios.\nSet: Objetivo operativo. Si no está explícito, el equipo discute colores en lugar de ejecutar acciones.\nSet: Manejo de datos históricos. Si no limpias quiebres y outliers, el score aprende patrones falsos.\nSet: Restricciones de proveedor. Si ignoras mínimos y tiempos, propondrás pedidos imposibles.\n\nEjemplo de cálculo (mini) para una sucursal\nSupón sucursal Monterrey Norte y SKU Filtro de aceite X.\n\nDatos.\nDemanda diaria esperada: 4 unidades por día, calculada como promedio móvil reciente.\nDesviación estándar diaria: 2 unidades.\nInventario disponible hoy: 18 unidades.\nEn tránsito confirmado: 0.\nLead time promedio proveedor: 5 días.\nFactor de seguridad z: 1.65 para un servicio alto en un SKU A.\nDOH objetivo categoría: 7 días.\n\nCálculos.\n1) DOH actual igual a 18 dividido por 4, o sea 4.5 días.\n2) Demanda durante lead time igual a 4 por 5, o sea 20 unidades.\n3) Stock de seguridad aproximado igual a 1.65 por 2 por raíz de 5. Raíz de 5 es 2.236, entonces stock de seguridad es cerca de 7.4 unidades.\n4) ROP igual a 20 más 7.4, o sea 27.4 unidades.\n5) Brecha contra ROP igual a inventario disponible más tránsito menos ROP. Es 18 más 0 menos 27.4, o sea menos 9.4.\n\nInterpretación.\nAunque tengas 18 unidades, contra el ROP estás corto porque el lead time “consume” 20 unidades esperadas y además necesitas seguridad. Como DOH es 4.5 y el objetivo es 7, estás por debajo. Si el momentum de ventas además viene subiendo, el score de quiebre será alto.\n\nSemáforo.\nSi tu normalización por percentil ubica esa brecha en el peor 10 por ciento de la categoría, este SKU va a rojo por quiebre. La acción recomendada no es “pedir más” a ciegas, sino pedir al menos la brecha más el ajuste por múltiplos de empaque, o bien transferir desde otra sucursal si ahí está en sobrestock.\n\nRecomendación final para Motor Mart\nEmpieza simple: un semáforo de dos riesgos, calibrado con histórico, con acciones claras y con un ranking que señale los 10 SKUs que explican el problema por sucursal. Primero asegura que el horizonte y el objetivo operativo estén bien definidos, y no sobrecomplicas el modelo hasta que el playbook ya esté funcionando en el piso.\n\n| Control | Dónde vive | Qué configurar | Qué se rompe si está mal |\n| --- | --- | --- | --- |\n| Set: Horizonte de pronóstico | Modelo predictivo | Lead time del proveedor + buffer de seguridad | Quiebres de stock por falta de anticipación o exceso de inventario |\n| Set: Objetivo operativo | Definición de negocio | Anticipación de quiebres (ej. 7 días antes) | Falta de acción temprana, impacto en ventas y satisfacción del cliente |\n| Set: Manejo de datos históricos | Procesamiento de datos | Limpieza de outliers y quiebres históricos | Pronósticos sesgados, el modelo aprende de errores pasados |\n| Set: Restricciones de proveedor | Datos maestros de proveedor | Mínimos de pedido, tiempos de entrega | Pedidos imposibles de realizar, incumplimiento de condiciones comerciales |\n| Set: Agregación de datos | Sistema de gestión de inventario (ERP) | Agregación por SKU y por sucursal | Alertas irrelevantes, decisiones de reabastecimiento incorrectas |\n| Set: Métricas de desempeño | Dashboard de monitoreo | Capacidad predictiva del modelo | No se puede evaluar la efectividad del sistema, decisiones sin base |\n\n### Fuentes\n\n- [Dashboard predictivo para prevenir quiebres de stock en puntos de venta mediante un modelo heurístico en el sector retail](https://repositorioacademico.upc.edu.pe/handle/10757/687820)\n- [Propuesta de mejora para reducir rotura de stock en una empresa retail mediante la aplicación DDMRP empleando Machine Learning](https://repositorioacademico.upc.edu.pe/handle/10757/687766)\n- [Operación logística inteligente: Cómo prever quiebres de stock usando datos y automatizaciones simples](https://redclover.com.ar/operacion-logistica-inteligente-como-prever-quiebres-de-stock-usando-datos-y-automatizaciones-simples/)\n- [Stock óptimo con IA: calcular mín. y máx.](https://meridiandata.es/blog/stock-optimo-calculo-ia-automatizacion)\n- [Optimización de inventarios con IA: cómo evitar excesos de stock y roturas de inventario](https://www.datadec.es/blog/optimizacion-inventarios-ia-exceso-rotura-stock)\n- [0183601.pdf](https://tesiunamdocumentos.dgb.unam.mx/pmig2017/0183601/0183601.pdf)\n\n---\n\n*Última actualización: 2026-04-16* | *Calypso*","decision_systems_researcher",[14],"estudo-de-caso-da-mexicana-motor-mart","2026-04-16T10:05:47.187Z",false,{"title":18,"description":19,"ogDescription":19,"twitterDescription":19,"canonicalPath":9,"robots":20,"schemaType":21},"En el caso de estudio de Motor Mart, ¿cómo puedo diseñar un","Objetivo del semáforo y alcance (Motor Mart: sucursal, SKU, categoría) El error más típico al armar un semáforo es hacerlo “bonito” pero inútil: muchos rojos, p","index,follow","QAPage",{"toc":23,"children":25,"html":26},{"links":24},[],[],"\u003Ch2>Respuesta\u003C/h2>\n\u003Cp>Diseña el semáforo como un score simple y accionable por sucursal que combine dos riesgos separados: quiebre de stock y sobreinventario. Empieza a nivel sucursal por SKU, lo agregas por categoría y finalmente lo resumes en un indicador ejecutivo por sucursal con sus principales “drivers”. La clave no es el color, sino que el color llegue con una acción concreta y con suficiente anticipación para que compras y logística alcancen a reaccionar. Con datos mínimos y una calibración con histórico, lo puedes operar en Excel o en BI sin convertirlo en un proyecto eterno.\u003C/p>\n\u003Cp>Objetivo del semáforo y alcance (Motor Mart: sucursal, SKU, categoría)\nEl error más típico al armar un semáforo es hacerlo “bonito” pero inútil: muchos rojos, pocos responsables y cero acción. En Motor Mart conviene definir desde el inicio dos cosas: el horizonte de anticipación y el nivel de decisión. Mi recomendación práctica es que el semáforo anticipe entre 7 y 14 días, o bien el lead time del proveedor más un pequeño buffer, porque eso es lo que te permite mover palancas reales como acelerar pedido, transferir inventario o frenar compras.\u003C/p>\n\u003Cp>En alcance, la unidad de análisis base debe ser sucursal por SKU. Luego agregas por categoría para que el jefe de tienda y el comprador hablen el mismo idioma, y finalmente produces un indicador ejecutivo por sucursal para ranking y priorización. Si intentas arrancar directo “por sucursal” sin bajar a SKU, el semáforo se vuelve una caja negra y nadie sabe qué arreglar.\u003C/p>\n\u003Cp>Señales de entrada: datos mínimos y features recomendadas\nCon datos mínimos puedes construir algo sólido. Lo mínimo viable por sucursal y SKU es: ventas por día o por semana, inventario disponible, inventario comprometido si existe, pedidos abiertos o en tránsito, fecha estimada de arribo, y lead time histórico por proveedor. Si además tienes devoluciones, cancelaciones y sustituciones, úsalas para limpiar ruido.\u003C/p>\n\u003Cp>Luego vienen las features recomendadas, que son las que vuelven predictivo al semáforo sin requerir un modelo complejo:\u003C/p>\n\u003Col>\n\u003Cli>Demanda esperada de corto plazo, por ejemplo promedio móvil de 4 semanas con estacionalidad simple si aplica.\u003C/li>\n\u003Cli>Variabilidad de la demanda, por ejemplo desviación estándar o MAD en la misma ventana.\u003C/li>\n\u003Cli>Intermitencia, o sea cuántos días o semanas vende cero, típica en refacciones o SKUs de baja rotación.\u003C/li>\n\u003Cli>Momentum de ventas, una comparación entre las últimas 2 semanas y las 6 anteriores para detectar aceleración.\u003C/li>\n\u003Cli>Lead time promedio y su variabilidad. La variabilidad del lead time es un multiplicador del riesgo, porque un proveedor inestable te rompe cualquier “mínimo y máximo” bien intencionado.\u003C/li>\n\u003Cli>Restricciones comerciales como mínimo de compra, múltiplos de empaque y frecuencia de entrega.\u003C/li>\n\u003C/ol>\n\u003Cp>Tip práctico 1: separa siempre ventas observadas de “demanda perdida” por quiebre. Cuando el inventario está en cero, la venta cae a cero aunque haya clientes. Si alimentas el promedio con esos ceros, el semáforo aprende que no se vende y luego el quiebre se vuelve profecía autocumplida. Un trabajo académico sobre quiebres en puntos de venta y tableros heurísticos insiste en que el valor viene de detectar y anticipar, no solo de reportar, y eso requiere cuidar el dato base de demanda real frente a disponibilidad.\u003C/p>\n\u003Cp>Métricas base por SKU en cada sucursal\nCon esas señales, define métricas base que sean interpretables por negocio. Las que más rinden para un semáforo son:\u003C/p>\n\u003Cp>Cobertura o días de inventario. DOH, Days on Hand. DOH igual a inventario disponible dividido por demanda diaria esperada. Es la forma más rápida de entender si te alcanza.\u003C/p>\n\u003Cp>Demanda durante lead time. Demanda LT igual a demanda diaria esperada por lead time en días.\u003C/p>\n\u003Cp>Stock de seguridad. Una versión simple es z por sigma por raíz de lead time, donde sigma es la desviación estándar diaria. Si no quieres meterte en niveles de servicio, usa un factor fijo por criticidad, por ejemplo mayor para A y menor para C.\u003C/p>\n\u003Cp>Punto de pedido. ROP igual a demanda LT más stock de seguridad. Si el inventario disponible más lo que viene en tránsito cae por debajo del ROP, estás entrando a zona de riesgo.\u003C/p>\n\u003Cp>Exceso sobre objetivo. Exceso DOH igual a DOH menos DOH objetivo. El DOH objetivo puede ser distinto por categoría o por clase ABC.\u003C/p>\n\u003Cp>Aging. Días desde la última venta, o días desde el último movimiento. Es el mejor detector de sobreinventario silencioso, ese que “se ve lleno” pero no rota.\u003C/p>\n\u003Cp>Fill rate o nivel de servicio observado, si puedes estimarlo. Si no, al menos días en quiebre en las últimas 8 semanas.\u003C/p>\n\u003Cp>Estas métricas aparecen recurrentemente en enfoques de inventario óptimo y gestión predictiva, donde el punto no es solo evitar quiebres, sino balancear costo de mantener inventario contra costo de ruptura, algo que también enfatizan revisiones aplicadas de optimización de inventarios y stock óptimo.\u003C/p>\n\u003Cp>Construcción del score: normalización y combinación de señales\nEl score debe ser fácil de explicar en una reunión de 15 minutos. La forma más práctica es construir dos sub scores separados:\u003C/p>\n\u003Cp>Riesgo de quiebre. Señales típicas: brecha contra ROP, cobertura por debajo del objetivo, probabilidad de caer a cero antes de que llegue el pedido, y aumento reciente de demanda.\u003C/p>\n\u003Cp>Riesgo de sobreinventario. Señales típicas: DOH muy por encima del objetivo, aging alto, caída de demanda reciente, y inventario en tránsito que “empuja” más stock.\u003C/p>\n\u003Cp>Normalización. No compares una llanta con un filtro de aceite sin normalizar, porque tienen patrones distintos. Para cada categoría o familia, normaliza cada señal con percentiles históricos o un z score robusto. En la práctica, percentiles funcionan muy bien para arrancar porque soportan outliers.\u003C/p>\n\u003Cp>Combinación. Una fórmula típica para un semáforo heurístico es:\u003C/p>\n\u003Cp>Score quiebre igual a 0.45 por brecha ROP normalizada más 0.35 por cobertura invertida normalizada más 0.20 por variabilidad y lead time normalizados.\u003C/p>\n\u003Cp>Score sobrestock igual a 0.50 por exceso DOH normalizado más 0.30 por aging normalizado más 0.20 por caída de demanda normalizada.\u003C/p>\n\u003Cp>Luego ponderas por criticidad. Puedes usar una matriz ABC por valor o margen y XYZ por variabilidad. Por ejemplo, si es A y además es X, sube el peso del quiebre. Si es C y Z, sube el peso del aging para capturar el costo de tener “museo de inventario”.\u003C/p>\n\u003Cp>Humor ligero para el equipo: un semáforo que marca rojo para todo es como una alarma de coche que suena con el viento, al tercer día nadie la escucha.\u003C/p>\n\u003Cp>Definición de umbrales del semáforo (verde, amarillo, rojo) y calibración\nAquí se gana o se pierde el proyecto. No pongas umbrales por intuición, calibra con histórico.\u003C/p>\n\u003Cp>Primero define etiquetas de evento.\u003C/p>\n\u003Col>\n\u003Cli>Evento quiebre. Por ejemplo, inventario en cero en los próximos N días o cobertura proyectada menor que 1 día antes de la próxima recepción.\u003C/li>\n\u003Cli>Evento sobreinventario. Por ejemplo, DOH mayor al objetivo más un margen, o aging mayor a cierto umbral por categoría.\u003C/li>\n\u003C/ol>\n\u003Cp>Luego haces backtesting. Tomas los scores históricos y ves qué percentil o qué corte te da buena precisión y buen recall según el costo. En muchos retailers funciona bien que rojo sea el peor 10 a 15 por ciento, amarillo el siguiente 15 a 25 por ciento, y verde el resto. Pero lo correcto es elegirlo por costo: un falso negativo de quiebre suele costar más que un falso positivo.\u003C/p>\n\u003Cp>Error común: usar el mismo umbral para todos los SKUs y todas las sucursales. Resultado: la sucursal con demanda alta vive en rojo y la sucursal pequeña vive en verde aunque tenga problemas. Qué hacer en su lugar: define umbrales por clase y categoría, y si puedes por perfil de sucursal, al menos volumen alto contra volumen bajo.\u003C/p>\n\u003Cp>Agregación a nivel sucursal: de SKU a indicador ejecutivo y ranking\nUna vez que tienes semáforo por SKU, lo conviertes en un indicador ejecutivo por sucursal sin perder trazabilidad.\u003C/p>\n\u003Cp>Propón tres vistas simultáneas:\u003C/p>\n\u003Col>\n\u003Cli>Score sucursal de quiebre, promedio ponderado por ventas o margen de los SKUs.\u003C/li>\n\u003Cli>Score sucursal de sobrestock, promedio ponderado por costo de inventario o capital inmovilizado.\u003C/li>\n\u003Cli>Porcentaje de SKUs en rojo y amarillo, porque al director le importa la “cantidad de incendios”, no solo su intensidad.\u003C/li>\n\u003C/ol>\n\u003Cp>Luego, agrega un ranking y una lista corta de drivers. Por ejemplo, los 10 SKUs que más contribuyen al riesgo de quiebre y los 10 que más contribuyen al sobrestock. Esa lista transforma el semáforo de “dashboard” a “lista de trabajo”.\u003C/p>\n\u003Cp>Playbook de acciones por color y por tipo de riesgo\nEl semáforo sin playbook es un semáforo pintado en la pared. Define acciones por color y por tipo de riesgo.\u003C/p>\n\u003Cp>Para quiebre:\u003C/p>\n\u003Col>\n\u003Cli>Rojo. Acelerar pedido si es posible, hacer transferencia entre sucursales si hay excedente en otra, habilitar sustitutos recomendados por categoría, y revisar ROP y stock de seguridad si el patrón cambió.\u003C/li>\n\u003Cli>Amarillo. Orden preventiva en el próximo ciclo, validar inventario físico si hay sospecha de diferencias, y monitorear diariamente.\u003C/li>\n\u003Cli>Verde. Mantener política y usar el tiempo para atacar causas de raíz, como proveedores con lead time variable.\u003C/li>\n\u003C/ol>\n\u003Cp>Para sobreinventario:\u003C/p>\n\u003Col>\n\u003Cli>Rojo. Frenar compras o reducir cantidades, redistribuir a sucursales con mejor rotación, negociar devolución o intercambio si aplica, y ajustar máximos o DOH objetivo.\u003C/li>\n\u003Cli>Amarillo. Plan de salida suave, por ejemplo bundles, descuentos locales, o promoción con control de margen.\u003C/li>\n\u003Cli>Verde. Mantener, sin “celebrar” demasiado, porque el exceso suele empezar como verde que nadie mira.\u003C/li>\n\u003C/ol>\n\u003Cp>Tip práctico 2: define responsables y tiempos de reacción por color. Por ejemplo, rojo quiebre en SKUs A exige acción en 24 horas. Amarillo puede revisarse en 48 a 72. Esto está alineado con enfoques de operación logística con automatizaciones simples: la utilidad viene de cerrar el ciclo alerta acción, no de hacer reportes perfectos.\u003C/p>\n\u003Cp>Validación, KPIs y mejora continua\nValida el semáforo como un sistema de decisión. Mide dos capas: desempeño operativo y desempeño predictivo.\u003C/p>\n\u003Cp>Operativo. Tasa de quiebres, días con quiebre por sucursal, fill rate, rotación, DOH promedio, porcentaje de inventario envejecido, y costo de sobrestock.\u003C/p>\n\u003Cp>Predictivo. Precisión de rojos para quiebre, recall de quiebres detectados con anticipación, precisión para sobrestock, y tiempo promedio de anticipación lograda.\u003C/p>\n\u003Cp>Cadencia de mejora. Haz backtesting mensual y recalibración trimestral de umbrales y pesos, sobre todo cuando cambian surtidos, campañas o proveedores. Si puedes, monitorea drift, por ejemplo si la variabilidad de demanda o el lead time cambian de forma sostenida.\u003C/p>\n\u003Cp>Implementación práctica (Excel, BI, SQL) y cadencia de actualización\nEsto se puede implementar sin magia.\u003C/p>\n\u003Cp>En SQL o en tu data mart, crea una tabla diaria por sucursal SKU con inventario, ventas, pedidos en tránsito y fechas. Encima calculas métricas como DOH, ROP, exceso, aging. Luego guardas scores por fecha para poder auditar.\u003C/p>\n\u003Cp>En Excel, puedes arrancar con tablas dinámicas y columnas calculadas, sobre todo para un piloto de 1 a 3 sucursales y las categorías principales. En BI, lo ideal es un tablero con tres pantallas: ranking de sucursales, detalle por categoría, y detalle por SKU con drivers y acción sugerida.\u003C/p>\n\u003Cp>Cadencia. Diario para SKUs A o de alta rotación, y semanal para C o intermitentes. Mucha gente lo actualiza diario para todo y termina con fatiga de alertas.\u003C/p>\n\u003Cp>A continuación se muestra una tabla de controles operativos que te conviene configurar desde el inicio para que el semáforo no se descomponga en producción.\u003C/p>\n\u003Cp>Set: Horizonte de pronóstico. Si lo defines menor al lead time real, el semáforo llega tarde y solo describe incendios.\nSet: Objetivo operativo. Si no está explícito, el equipo discute colores en lugar de ejecutar acciones.\nSet: Manejo de datos históricos. Si no limpias quiebres y outliers, el score aprende patrones falsos.\nSet: Restricciones de proveedor. Si ignoras mínimos y tiempos, propondrás pedidos imposibles.\u003C/p>\n\u003Cp>Ejemplo de cálculo (mini) para una sucursal\nSupón sucursal Monterrey Norte y SKU Filtro de aceite X.\u003C/p>\n\u003Cp>Datos.\nDemanda diaria esperada: 4 unidades por día, calculada como promedio móvil reciente.\nDesviación estándar diaria: 2 unidades.\nInventario disponible hoy: 18 unidades.\nEn tránsito confirmado: 0.\nLead time promedio proveedor: 5 días.\nFactor de seguridad z: 1.65 para un servicio alto en un SKU A.\nDOH objetivo categoría: 7 días.\u003C/p>\n\u003Cp>Cálculos.\u003C/p>\n\u003Col>\n\u003Cli>DOH actual igual a 18 dividido por 4, o sea 4.5 días.\u003C/li>\n\u003Cli>Demanda durante lead time igual a 4 por 5, o sea 20 unidades.\u003C/li>\n\u003Cli>Stock de seguridad aproximado igual a 1.65 por 2 por raíz de 5. Raíz de 5 es 2.236, entonces stock de seguridad es cerca de 7.4 unidades.\u003C/li>\n\u003Cli>ROP igual a 20 más 7.4, o sea 27.4 unidades.\u003C/li>\n\u003Cli>Brecha contra ROP igual a inventario disponible más tránsito menos ROP. Es 18 más 0 menos 27.4, o sea menos 9.4.\u003C/li>\n\u003C/ol>\n\u003Cp>Interpretación.\nAunque tengas 18 unidades, contra el ROP estás corto porque el lead time “consume” 20 unidades esperadas y además necesitas seguridad. Como DOH es 4.5 y el objetivo es 7, estás por debajo. Si el momentum de ventas además viene subiendo, el score de quiebre será alto.\u003C/p>\n\u003Cp>Semáforo.\nSi tu normalización por percentil ubica esa brecha en el peor 10 por ciento de la categoría, este SKU va a rojo por quiebre. La acción recomendada no es “pedir más” a ciegas, sino pedir al menos la brecha más el ajuste por múltiplos de empaque, o bien transferir desde otra sucursal si ahí está en sobrestock.\u003C/p>\n\u003Cp>Recomendación final para Motor Mart\nEmpieza simple: un semáforo de dos riesgos, calibrado con histórico, con acciones claras y con un ranking que señale los 10 SKUs que explican el problema por sucursal. Primero asegura que el horizonte y el objetivo operativo estén bien definidos, y no sobrecomplicas el modelo hasta que el playbook ya esté funcionando en el piso.\u003C/p>\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Control\u003C/th>\n\u003Cth>Dónde vive\u003C/th>\n\u003Cth>Qué configurar\u003C/th>\n\u003Cth>Qué se rompe si está mal\u003C/th>\n\u003C/tr>\n\u003C/thead>\n\u003Ctbody>\u003Ctr>\n\u003Ctd>Set: Horizonte de pronóstico\u003C/td>\n\u003Ctd>Modelo predictivo\u003C/td>\n\u003Ctd>Lead time del proveedor + buffer de seguridad\u003C/td>\n\u003Ctd>Quiebres de stock por falta de anticipación o exceso de inventario\u003C/td>\n\u003C/tr>\n\u003Ctr>\n\u003Ctd>Set: Objetivo operativo\u003C/td>\n\u003Ctd>Definición de negocio\u003C/td>\n\u003Ctd>Anticipación de quiebres (ej. 7 días antes)\u003C/td>\n\u003Ctd>Falta de acción temprana, impacto en ventas y satisfacción del cliente\u003C/td>\n\u003C/tr>\n\u003Ctr>\n\u003Ctd>Set: Manejo de datos históricos\u003C/td>\n\u003Ctd>Procesamiento de datos\u003C/td>\n\u003Ctd>Limpieza de outliers y quiebres históricos\u003C/td>\n\u003Ctd>Pronósticos sesgados, el modelo aprende de errores pasados\u003C/td>\n\u003C/tr>\n\u003Ctr>\n\u003Ctd>Set: Restricciones de proveedor\u003C/td>\n\u003Ctd>Datos maestros de proveedor\u003C/td>\n\u003Ctd>Mínimos de pedido, tiempos de entrega\u003C/td>\n\u003Ctd>Pedidos imposibles de realizar, incumplimiento de condiciones comerciales\u003C/td>\n\u003C/tr>\n\u003Ctr>\n\u003Ctd>Set: Agregación de datos\u003C/td>\n\u003Ctd>Sistema de gestión de inventario (ERP)\u003C/td>\n\u003Ctd>Agregación por SKU y por sucursal\u003C/td>\n\u003Ctd>Alertas irrelevantes, decisiones de reabastecimiento incorrectas\u003C/td>\n\u003C/tr>\n\u003Ctr>\n\u003Ctd>Set: Métricas de desempeño\u003C/td>\n\u003Ctd>Dashboard de monitoreo\u003C/td>\n\u003Ctd>Capacidad predictiva del modelo\u003C/td>\n\u003Ctd>No se puede evaluar la efectividad del sistema, decisiones sin base\u003C/td>\n\u003C/tr>\n\u003C/tbody>\u003C/table>\n\u003Ch3>Fuentes\u003C/h3>\n\u003Cul>\n\u003Cli>\u003Ca href=\"https://repositorioacademico.upc.edu.pe/handle/10757/687820\">Dashboard predictivo para prevenir quiebres de stock en puntos de venta mediante un modelo heurístico en el sector retail\u003C/a>\u003C/li>\n\u003Cli>\u003Ca href=\"https://repositorioacademico.upc.edu.pe/handle/10757/687766\">Propuesta de mejora para reducir rotura de stock en una empresa retail mediante la aplicación DDMRP empleando Machine Learning\u003C/a>\u003C/li>\n\u003Cli>\u003Ca href=\"https://redclover.com.ar/operacion-logistica-inteligente-como-prever-quiebres-de-stock-usando-datos-y-automatizaciones-simples/\">Operación logística inteligente: Cómo prever quiebres de stock usando datos y automatizaciones simples\u003C/a>\u003C/li>\n\u003Cli>\u003Ca href=\"https://meridiandata.es/blog/stock-optimo-calculo-ia-automatizacion\">Stock óptimo con IA: calcular mín. y máx.\u003C/a>\u003C/li>\n\u003Cli>\u003Ca href=\"https://www.datadec.es/blog/optimizacion-inventarios-ia-exceso-rotura-stock\">Optimización de inventarios con IA: cómo evitar excesos de stock y roturas de inventario\u003C/a>\u003C/li>\n\u003Cli>\u003Ca href=\"https://tesiunamdocumentos.dgb.unam.mx/pmig2017/0183601/0183601.pdf\">0183601.pdf\u003C/a>\u003C/li>\n\u003C/ul>\n\u003Chr>\n\u003Cp>\u003Cem>Última actualización: 2026-04-16\u003C/em> | \u003Cem>Calypso\u003C/em>\u003C/p>\n",{"body":11},{"date":15,"authors":29},[30],{"name":31,"description":32,"avatar":33},"Lucía Ferrer","Calypso AI · Clear, expert-led guides for operators and buyers",{"src":34},"https://api.dicebear.com/9.x/personas/svg?seed=calypso_expert_guide_v1&backgroundColor=b6e3f4,c0aede,d1d4f9,ffd5dc,ffdfbf",[36,40,44,48,52,55],{"slug":37,"name":38,"description":39},"support_systems_architect","Arquitecto de Sistemas de Soporte","Estos temas deben mantenerse sólidos en diseño de soporte, lógica de escalamiento, enrutamiento, SLA, handoffs y esa realidad incómoda donde el volumen sube justo cuando la paciencia del cliente baja.\n\nEscribe como alguien que ya vio automatizaciones romperse en la capa de escalamiento, equipos confundiendo chatbot con sistema de soporte y retrabajo nacido por ahorrar un minuto en el lugar equivocado. Queremos tips, modos de falla, humor ligero y ejemplos concretos de LatAm: retail en México durante Buen Fin, logística en Colombia con incidencias urgentes, o soporte financiero en Chile con más controles.\n\nStorylines prioritarios:\n- Qué debería corregir primero un líder de soporte cuando sube el volumen y cae la calidad\n- Cuándo enrutar, resolver, escalar o hacer handoff sin perder el hilo\n- Cómo equilibrar velocidad y calidad cuando el cliente quiere ambas cosas ya\n- Dónde los hilos duplicados y el ownership difuso vuelven ciego al soporte\n- Qué conviene mirar por sucursal además del conteo de tickets\n- Qué señales aparecen antes de que un desorden de soporte se vuelva evidente",{"slug":41,"name":42,"description":43},"revenue_workflow_strategist","Sistemas de captura, calificación y conversión de leads","Estos temas deben mantenerse fuertes en captura, calificación, enrutamiento, agendamiento y seguimiento de leads, incluyendo esas fugas discretas que matan pipeline antes de que ventas y marketing empiecen su deporte favorito: culparse mutuamente.\n\nEscribe como un operador comercial que ya vio entrar leads basura, promesas de 'respuesta inmediata' que empeoran la calidad y automatizaciones que solo ayudan cuando la lógica está bien pensada. Queremos tono experto, práctico, con criterio y enganche real. Incluye ejemplos de LatAm: inmobiliaria en México, educación privada en Perú, retail en Chile o servicios en Colombia.\n\nStorylines prioritarios:\n- Qué leads merecen energía real y cuáles necesitan un filtro elegante\n- Qué hace que el seguimiento rápido se sienta útil y no caótico\n- Cómo enrutar urgencia, encaje y etapa de compra sin volver la operación un laberinto\n- Dónde WhatsApp ayuda a capturar mejor y dónde empieza a fabricar basura\n- Qué conviene automatizar primero cuando el pipeline pierde por varios lados a la vez\n- Por qué el contexto compartido suele convertir mejor que solo responder más rápido",{"slug":45,"name":46,"description":47},"conversational_infrastructure_operator","Infraestructura de mensajería y confiabilidad de flujos de trabajo","Estos temas deben sentirse anclados en operaciones reales de mensajería, de esas que ya sobrevivieron reintentos, duplicados, handoffs rotos y ese momento incómodo en el que el dashboard 'crece' bonito... pero por datos malos.\n\nEscribe para operadores y líderes que necesitan confiabilidad sin tragarse un manual de infraestructura. El tono debe sentirse humano, experto y útil: tips que ahorran tiempo, errores comunes que rompen métricas en silencio, humor ligero cuando ayude, y ejemplos concretos de LatAm. Sí queremos referencias específicas: una cadena retail en México durante Buen Fin, una clínica en Colombia con alta demanda por WhatsApp, o un equipo de soporte en Chile que mide por sucursal.\n\nStorylines prioritarios:\n- Cuándo las métricas por sucursal se ven mejor de lo que realmente se siente la operación\n- Cómo conservar el contexto cuando una conversación pasa entre personas y canales\n- Qué conviene corregir primero cuando la operación de mensajería empieza a sentirse caótica\n- Dónde la actividad duplicada distorsiona dashboards y confianza sin hacer ruido\n- Qué hábitos devuelven credibilidad más rápido que otra ronda de heroísmo operativo\n- Qué significa de verdad estar listo para volumen real, sin discurso inflado",{"slug":49,"name":50,"description":51},"growth_experimentation_architect","Sistemas de crecimiento, mensajería de ciclo de vida y experimentación","Estos temas deben demostrar entendimiento real de activación, retención, reactivación, mensajería de ciclo de vida y experimentación de crecimiento, sin caer en discurso genérico de 'personalización'.\n\nEscribe como alguien que ya vio onboardings quedarse cortos, campañas de win-back volverse intensas de más y tests A/B concluir cosas bastante discutibles con total seguridad. Queremos contenido específico, útil y entretenido, con tips, errores comunes, humor ligero y ejemplos de LatAm: ecommerce en México durante Hot Sale, educación en Chile en temporada de admisiones, o fintech en Colombia ajustando journeys de reactivación.\n\nStorylines prioritarios:\n- Cómo se ve un primer momento de activación que de verdad da confianza\n- Cómo diseñar reactivación que se sienta oportuna y no desesperada\n- Cuándo conviene pensar primero en disparadores y cuándo en segmentos\n- Qué experimentos merecen atención y cuáles son puro teatro de crecimiento\n- Cómo el contexto compartido cambia la retención más que otra campaña extra\n- Qué suelen descubrir demasiado tarde los equipos en lifecycle messaging",{"slug":12,"name":53,"description":54},"Investigación, Diseño de Señales y Sistemas de Decisión","Estos temas deben convertir señales, conversaciones y eventos por sucursal en decisiones confiables sin sonar académicos ni técnicos por deporte.\n\nEscribe como un asesor con experiencia real, de esos que ya vieron dashboards impecables sostener conclusiones pésimas. Queremos criterio, tips accionables, algo de humor ligero y ejemplos concretos de LatAm. Incluye referencias específicas: una operación en México que compara sucursales, un contact center en Perú con picos semanales, o una cadena en Argentina donde los duplicados maquillan el rendimiento.\n\nStorylines prioritarios:\n- Qué números por sucursal merecen confianza y cuáles son puro ruido bien vestido\n- Cómo detectar señal sucia antes de que una reunión segura termine mal\n- Cuándo confiar en automatización y cuándo todavía hace falta criterio humano\n- Cómo convertir evidencia desordenada en insight útil sin maquillar la verdad\n- Qué suelen leer mal los equipos cuando comparan sucursales, conversaciones y atribución\n- Cómo construir una cultura de señal que sirva para decidir, no solo para presentar",{"slug":56,"name":57,"description":58},"vertical_operations_strategist","Temas de autoridad específicos por industria","Estos temas deben mapearse de forma creíble a cómo opera cada industria en la práctica, no sonar genéricos con un sombrero distinto para cada sector.\n\nEscribe como una estratega que entiende que clínicas, retail, bienes raíces, educación, logística, servicios profesionales y fintech se rompen cada una a su manera. Queremos voz experta, práctica y entretenida, con tips vividos, tradeoffs claros y ejemplos concretos de LatAm. Incluye referencias específicas: clínicas en México, retail en Chile, real estate en Perú, educación en Colombia, logística en Argentina o fintech en México y Chile.\n\nStorylines prioritarios por vertical:\n- Clínicas: qué mantiene la agenda viva cuando los pacientes no se comportan como calendario\n- Retail: cómo sostener la calma cuando sube la demanda y baja la paciencia\n- Bienes raíces: cómo se ve un seguimiento serio después de la primera consulta\n- Educación: cómo hacer más fluida la admisión cuando recordatorios y handoffs dejan de pelearse\n- Servicios profesionales: cómo mantener claro el intake y las aprobaciones cuando el pedido se enreda\n- Logística y fintech: qué mantiene los casos urgentes bajo control sin frenar el negocio",1776877116641]