Cómo predecir la demanda de medicamentos con machine learning

Decidir cuánto comprar de cada referencia es una de las tareas que más dinero mueve en una farmacia. Se ha hecho siempre con una mezcla de experiencia, intuición y las propuestas de pedido del programa de gestión. El machine learning (aprendizaje automático) promete predecir mejor la demanda teniendo en cuenta más variables. Pero antes de pensar en algoritmos conviene entender qué es una previsión de demanda, cómo se mide si es buena y en qué casos merece la pena ir más allá de los métodos sencillos.

Parte de la guía Stock y compras

Qué es una previsión de demanda

Es una estimación de cuántas unidades de cada referencia se van a vender en un periodo (una semana, un mes). Con ella se calculan los parámetros de compra: el punto de pedido, el stock de seguridad y la cantidad a pedir. Una previsión que se queda corta produce faltas; una que se pasa, capital inmovilizado y caducidades.

No todas las referencias necesitan el mismo esfuerzo. Con la clasificación ABC, las referencias A (las que más venden) justifican un método de previsión cuidadoso; las C, una regla sencilla.

Los métodos sencillos y sus límites

La mayoría de los programas de gestión proponen pedidos a partir de la venta pasada:

• Media móvil: la venta media de las últimas semanas. Funciona bien con demanda estable, pero reacciona tarde a los cambios.
• Mismo periodo del año anterior: útil para productos estacionales, pero repite los errores del año pasado (por ejemplo, las faltas, que no aparecen como venta).
• Stock mínimo y máximo fijos: sencillos de mantener, pero se quedan desfasados si nadie los revisa.

El límite común es que solo miran la propia serie de ventas. No saben que esta semana hay un festivo local, que el polen se ha adelantado o que un medicamento tiene problemas de suministro.

Qué añade el machine learning

Un modelo de machine learning aprende de los datos históricos la relación entre la venta y otras variables, y la usa para prever. Puede combinar:

• Estacionalidad semanal y anual de cada referencia.
• Calendario: festivos, puentes, vacaciones escolares, días de cobro.
• Variables externas: temperatura, niveles de polen, incidencia de enfermedades respiratorias.
• Acciones propias: promociones, cambios de exposición, campañas.
• Relaciones entre productos: cuándo un producto se vende junto a otro o lo sustituye.

Herramientas de código abierto como Prophet (de Meta) o las librerías de Python como scikit-learn permiten construir estos modelos, y algunos programas de gestión y empresas especializadas ya los integran. Lo importante no es el algoritmo, sino si la previsión mejora frente al método actual.

Un algoritmo no arregla datos malos. Primero el inventario fiable; después, la previsión.

Cómo medir si una previsión es buena

Antes de cambiar de método, mide el error del que usas ahora. Dos indicadores sencillos:

• Error absoluto medio en porcentaje: la media de |venta real − previsión| ÷ venta real. Cuanto más bajo, mejor. En referencias de venta muy baja este indicador se dispara: úsalo sobre todo en las A y B.
• Sesgo: la suma de (previsión − venta real). Si es positivo de forma sistemática, el método sobrestima y te llena el almacén; si es negativo, te deja sin stock.

Ejemplo ilustrativo: en cuatro semanas, una referencia vende 20, 25, 30 y 25 unidades, y la previsión fue de 25 cada semana. Los errores absolutos son 5, 0, 5 y 0 unidades: el error medio es del 10,4 % (5/20, 0/25, 5/30 y 0/25, promediados) y el sesgo es cero. Si un modelo nuevo no baja ese error en una prueba con tus datos, no compensa.

Mide también el efecto en el negocio: el ratio de faltas, los días de stock y las caducidades antes y después del cambio.

Qué datos necesitas

• Ventas diarias por referencia de al menos dos años, para captar la estacionalidad.
• Registro de faltas: la venta que no se pudo hacer. Sin él, el modelo aprende que lo que faltó no se demanda.
• Stock fiable. Si el inventario del programa no coincide con el real, las propuestas de pedido fallan con cualquier método.
• Calendario y acciones propias (promociones, cambios de exposición) registradas con fecha.

Un plan para empezar

1. Limpia los datos: inventario actualizado, referencias duplicadas o descatalogadas fuera.
2. Empieza por una categoría estacional de referencias A, donde el beneficio de prever bien es mayor.
3. Mide el error del método actual durante cuatro a ocho semanas.
4. Prueba el nuevo método en paralelo, sin cambiar todavía las compras, y compara el error.
5. Si mejora, aplícalo a esa categoría y amplía poco a poco. Revisa los resultados cada trimestre.

Si no tienes recursos para un modelo propio, pregunta a tu proveedor de software qué método usa su propuesta de pedido y si permite ajustar la estacionalidad. A menudo, revisar bien los parámetros del programa ya da una mejora importante. Lo explico en la guía de gestión óptima de stock.

Errores frecuentes

• Aplicar un modelo complejo a todas las referencias, incluidas las de venta muy baja.
• No registrar las faltas y prever solo con la venta.
• Cambiar el método sin medir antes el error del actual.
• Confiar a ciegas en la propuesta automática: la revisión del equipo sigue siendo necesaria en desabastecimientos, lanzamientos y campañas.

Preguntas frecuentes

¿Qué es el machine learning aplicado a la farmacia?

Un conjunto de técnicas que aprenden de los datos históricos para hacer previsiones. En compras, sirve para estimar la demanda de cada referencia teniendo en cuenta la estacionalidad, el calendario y otras variables.

¿Necesito un científico de datos?

No para empezar. Muchos programas de gestión y proveedores especializados ya incluyen previsión automática. Lo que sí necesitas es medir si funciona con tus datos.

¿Cuánto stock puedo reducir?

Depende de cómo de ajustado esté hoy tu stock y de la calidad de tus datos. Mídelo con tus propios días de stock y capital inmovilizado antes y después de la prueba, en lugar de fiarte de promedios.

Fuentes y referencias

• Prophet: Forecasting at scale (Meta) y scikit-learn: herramientas de código abierto para previsión y machine learning.
• Definiciones: punto de pedido, stock de seguridad, días de stock y capital inmovilizado en el glosario.
• Todos los ejemplos numéricos son ilustrativos.

Última revisión: 4 de octubre de 2026.