8 min de lectura
En la mayoría de las empresas que hacen previsión de demanda, el forecast vive en una planilla. La actualiza una persona del equipo de operaciones o de supply chain, normalmente los primeros días del mes. Esa persona abre el archivo del mes anterior, pega los nuevos datos de ventas, revisa los supuestos, ajusta algunas celdas donde el patrón del año pasado no se repitió, y manda el archivo por mail o lo sube a una carpeta compartida. El equipo comercial y el de compras lo descargan desde ahí.
Esa planilla funciona. Para muchas empresas, el forecast en Excel es más preciso que la primera versión de un modelo predictivo construido desde cero. Un operador con años en el negocio tiene contexto que el modelo tarda en aprender: la promoción que un cliente grande suele pedir en marzo, el proveedor que entrega tarde en agosto, el SKU nuevo que todavía no acumuló histórico suficiente. Discutir el límite de la planilla desde la precisión del pronóstico es discutir el frente equivocado.
El límite aparece en otro lado. La planilla llega a su tope cuando el costo de mantenerla supera al del modelo, y ese costo vive por fuera de las métricas de regresión como MAPE o error absoluto, en tres frentes de infraestructura: dependencia de una persona, falta de escala, y pérdida de auditabilidad. Cuando los tres se acumulan, la planilla sigue siendo precisa y aun así deja de ser sostenible.
Límite 1: el forecast depende de que alguien esté disponible
La planilla tiene una propiedad invisible mientras funciona bien y evidente apenas falla. El forecast depende de la agenda de una persona concreta. Si esa persona está de vacaciones, con otro proyecto encima, o se fue de la empresa, el forecast no existe hasta que alguien más lo construya desde cero o lo retome a medias.
Esa dependencia tiene varios niveles. En el más superficial, la persona es la única que sabe abrir el archivo correcto, dónde pegar los datos nuevos, y qué celdas pisar manualmente antes de distribuir. En el medio, es la única que recuerda por qué el supuesto de crecimiento para la línea de producto más grande se fijó en seis por ciento el trimestre pasado. En el más profundo, es la única que puede defender el forecast ante una pregunta del comité comercial sobre por qué el pronóstico cambió entre mes y mes.
Mientras la persona está presente, nada de esto se nota. El forecast circula, las decisiones de compra se toman, los márgenes se mantienen. Cuando la persona falta por un mes, el equipo descubre que no es solo el archivo lo que depende de ella. Es toda la cadena de supuestos, ajustes y defensa del número frente al resto del negocio. El costo es un costo de continuidad del proceso, no de precisión del número.
Límite 2: cada serie temporal nueva es una reescritura
El segundo límite se activa cuando el negocio crece en complejidad. La planilla original cubre, pongamos, diez categorías de producto y doce meses de histórico por categoría. Es una matriz manejable de ciento veinte puntos de datos que una persona puede mirar, entender y ajustar. Pero el negocio no se queda ahí.
Aparece la necesidad de pronosticar por SKU dentro de categoría. Diez categorías con cien SKUs cada una son mil series temporales. Aparece la necesidad de pronosticar por canal de venta. Dos canales duplican la cuenta. Aparece la necesidad de pronosticar por región, por tipo de cliente, por configuración de producto. Cada dimensión que el negocio pide multiplica la cantidad de series que la planilla tiene que sostener.
El Excel, como herramienta, no está diseñado para escalar por multiplicación. Está diseñado para que una persona vea un rango y ajuste lo que no cuadra. Cuando el rango deja de caber en la pantalla, el ajuste manual deja de ser posible y la persona empieza a cortar por donde se puede: agrupa SKUs que podrían pronosticarse por separado, aplica el mismo supuesto a canales que se comportan distinto, posterga la apertura por región para "cuando haya tiempo". El forecast sigue existiendo, pero deja de representar la granularidad que el negocio necesita para decidir.
Agregar una serie nueva a una planilla madura no es una extensión. Es una reescritura parcial de la lógica, con riesgo de romper fórmulas que funcionaban para las series viejas. Lo que un modelo predictivo bien diseñado hace por diseño, con las mismas variables de entrada y una llamada más, el Excel lo hace por reconstrucción manual. Un modelo entrenado para predecir mil series tarda lo mismo en predecir dos mil si los datos están disponibles. Una planilla configurada para mil es un proyecto distinto cuando llegan dos mil.
Este límite es el que la mayoría de los equipos detecta primero cuando piensan en pasar a un modelo. El problema es que suele detectarse tarde. Para cuando los equipos reconocen el patrón, la planilla ya está rota por crecimiento y el pronóstico empezó a fallar por agregaciones forzadas. La migración desde ahí es más dolorosa que desde una planilla que funciona pero no escala.
Límite 3: las decisiones manuales se acumulan sin trazabilidad
El tercer límite es el menos visible y el que más suele subestimarse. En cualquier forecast en planilla, el pronóstico final no es el output puro de las fórmulas. Es el output después de una serie de ajustes manuales que el operador aplica para corregir lo que las fórmulas no capturan. Un cliente grande cambió sus condiciones de compra. Un competidor entró con una promoción agresiva. El año pasado hubo un pico raro que no conviene proyectar. Cada ajuste es una decisión razonable en el momento, aplicada sobre una celda, con una justificación que vive en la cabeza del operador o en un comentario breve en la planilla.
Esta pérdida de auditabilidad tiene dos consecuencias concretas. La primera es que la mejora continua del forecast se vuelve imposible. No se puede optimizar un proceso cuando no se sabe qué parte del output viene de la lógica y qué parte viene del ajuste. La segunda es que la empresa pierde la capacidad de defender el forecast ante preguntas de auditoría, de dirección, o de nuevos integrantes del equipo que legítimamente quieren entender cómo se arma el número que condiciona las compras del próximo trimestre.
Un modelo predictivo bien diseñado invierte esta dinámica. Las decisiones manuales siguen existiendo, pero quedan separadas del output del modelo y registradas como overrides con fecha, autor y motivo. Hay distinción entre la predicción algorítmica, el ajuste humano, y el pronóstico final. Cada capa es auditable por separado. Como se vio en la discusión sobre modelos de churn y el costo del error, la auditabilidad del output es parte del valor del sistema, no un extra. En previsión de demanda, esa misma lógica aplica con más peso. El forecast condiciona decisiones de inventario que mueven capital durante meses.
El cruce: cuándo los tres límites justifican la migración
Los tres límites rara vez aparecen aislados. Lo habitual es que se activen en secuencia a medida que el negocio crece. Primero la escala, cuando la cantidad de SKUs o canales empieza a desbordar la planilla. Después la dependencia de persona, cuando la complejidad del archivo se vuelve tal que ya nadie puede sostenerlo salvo quien lo construyó. Por último la auditabilidad, cuando la acumulación de ajustes manuales sin trazabilidad empieza a complicar las revisiones y la mejora del pronóstico.
La pregunta de cuándo pasar a un modelo no es cuándo el Excel "falla". Un Excel puede fallar por una fórmula mal escrita y la planilla aún así se corrige. La pregunta operativa es cuándo el costo acumulado de mantener la planilla, considerando los tres frentes, supera al costo de construir y mantener un modelo.
Hay una variante del argumento que vale aclarar. El contraste entre "mirar hacia atrás" y "mirar hacia adelante" es más útil para entender la diferencia entre dashboards de BI y modelos predictivos que para evaluar el límite del Excel como herramienta de forecasting. La planilla de forecast ya mira hacia adelante. El problema no es qué tipo de pregunta responde, sino la infraestructura con la que la responde.
El forecast en planilla es una herramienta razonable mientras depende de una sola persona que la sostiene, mientras cubre un número de series que una persona puede ver, y mientras los ajustes manuales son pocos y explicables. Cuando esas tres condiciones empiezan a ceder, la planilla todavía produce números. Lo que empieza a faltar es la posibilidad de confiar en el proceso que los produjo.