Previsión de demanda en el almacén: del histórico de pedidos a los turnos

- La previsión de demanda en el almacén sirve para una cosa concreta: saber con días o semanas de antelación cuántas líneas, pedidos o palés vas a mover y, con eso, cuántas personas necesitas por turno y tarea.
- La fórmula base es sencilla: personas = líneas previstas / (productividad en líneas por hora × horas efectivas por persona). Lo difícil es la calidad de la previsión, que se mide con el error medio (MAPE) y el sesgo.
- La estacionalidad pesa: según la CNMC, el comercio electrónico en España facturó más de 114.800 millones de euros en 2025 y 31.418 millones solo en el cuarto trimestre.
- El margen para corregir con horas extra es limitado: el Estatuto de los Trabajadores fija un máximo de ochenta horas extraordinarias al año y doce horas de descanso entre jornadas.
- La IA ayuda, pero no es el primer paso. Según Eurostat, el 20,0 % de las empresas de la UE con 10 o más empleados usaba IA en 2025; antes de un modelo complejo hay que tener el histórico limpio y una línea base que batir.
Planificar turnos a ojo lleva siempre al mismo sitio: lunes con horas extra y miércoles con gente esperando a que lleguen pedidos. Las dos situaciones cuestan dinero y desgastan al equipo.
La previsión de demanda en el almacén resuelve ese problema con datos que casi todas las empresas ya tienen: el histórico de pedidos y líneas del ERP o del WMS, el calendario comercial y los festivos. No hace falta empezar con un proyecto de inteligencia artificial. Hace falta un método que convierta líneas previstas en horas de trabajo y horas de trabajo en personas por turno, y una forma honesta de medir cuánto se equivoca la previsión.
Aquí verás qué datos usar, qué método encaja con tu histórico, cómo medir el error y cómo pasar a la plantilla respetando el Estatuto de los Trabajadores, con un ejemplo con supuestos y una checklist.
Qué es la previsión de demanda en el almacén y qué no es
Conviene separar dos previsiones que a menudo se mezclan. La previsión comercial estima cuánto se va a vender, normalmente en unidades o euros, y sirve para comprar y para presupuestar. La previsión de carga del almacén estima cuánto trabajo físico llega cada día: pedidos, líneas, unidades, palés recibidos, bultos expedidos. Para planificar turnos interesa la segunda.
La diferencia es práctica. Diez mil euros de venta pueden ser un palé completo o trescientas líneas sueltas de e-commerce. El almacén no trabaja en euros, trabaja en líneas y movimientos. Por eso la variable que se prevé tiene que ser la que consume horas de personas: líneas de picking, cajas preparadas, palés ubicados o camiones cargados, según la tarea.
También hay que separar horizontes. Con semanas de antelación se ajustan turnos, vacaciones y personal temporal. Con meses, contrataciones y campañas. Con uno o dos días, la asignación fina por tarea y la decisión de adelantar oleadas. La forma de agrupar el trabajo en oleadas la tratamos en Picking por lotes, por oleadas y por zonas: qué método elegir y cómo calcularlo.
Qué datos usar y por qué la estacionalidad manda
El punto de partida es el histórico diario de al menos dos años, para ver dos veces cada temporada. Para cada día conviene tener:
- Pedidos, líneas y unidades por canal: tienda, distribución, e-commerce, exportación.
- Recepciones: palés y líneas de entrada, con su fecha real, no la prevista.
- Calendario: día de la semana, festivos nacionales y locales, puentes, cierres de clientes.
- Eventos comerciales: campañas, promociones, lanzamientos, cambios de tarifa.
- Incidencias que deforman el dato: roturas de stock, caídas del sistema, huelgas de transporte.
La estacionalidad es la razón principal para prever en lugar de repetir la semana anterior. Según la CNMC, el comercio electrónico en España superó los 114.800 millones de euros en 2025, un 20,6 % más que el año anterior, y el cuarto trimestre alcanzó 31.418 millones con más de 575 millones de transacciones. Con esos datos, el último trimestre concentra en torno al 27 % de la facturación anual, por encima del 25 % que le tocaría si el año fuera plano. En un almacén con mucho canal online la diferencia entre trimestres se nota todavía más en días concretos.
El calendario también deforma. En la nota del INE sobre el comercio minorista de diciembre de 2025, la serie original creció un 4,7 % interanual y la serie corregida de efectos estacionales y de calendario, un 2,9 %. Casi dos puntos de diferencia salen de cómo caen los días. Si tu previsión no distingue cuántos lunes, sábados o festivos tiene cada mes, arrastra ese error a los turnos.
Métodos de previsión: de la media móvil al aprendizaje automático
No hay un método mejor en abstracto. Hay métodos que encajan con el histórico disponible y con el uso que se le va a dar. La literatura de previsión lo ha comprobado a gran escala: la competición M4, publicada en el International Journal of Forecasting, comparó 61 métodos de previsión sobre 100.000 series temporales. La lección práctica para un almacén es empezar por un método simple como referencia y exigir que cualquier modelo más complejo lo mejore de forma medible.
| Método | Histórico mínimo | Capta estacionalidad | Capta campañas y festivos | Explicable al jefe de turno | Cuándo encaja |
|---|---|---|---|---|---|
| Ingenuo estacional (mismo día de la semana anterior o del año pasado) | Unas semanas | Sí, si se elige bien el periodo | No | Totalmente | Línea base para comparar |
| Media móvil por día de la semana | 2-3 meses | Semanal sí, anual no | No | Totalmente | Demanda estable, pocas campañas |
| Suavizado exponencial con tendencia y estacionalidad | 2 años | Sí | Solo con ajustes manuales | Bastante | Volumen con patrón semanal y anual claro |
| Regresión con variables de calendario y eventos | 2 años y registro de eventos | Sí | Sí | Bastante | Campañas frecuentes, festivos locales |
| Aprendizaje automático con muchas variables | 2-3 años y datos limpios | Sí | Sí | Poco | Muchas referencias, canales y variables externas |
Criterio de ingeniero: si el error del método complejo no baja de forma clara frente al ingenuo estacional durante varias semanas, no compensa su mantenimiento. La IA aporta cuando hay muchas variables que una persona no puede cruzar, no cuando el problema es un histórico sucio. Su uso crece deprisa: según Eurostat, el 20,0 % de las empresas de la UE con 10 o más empleados usaba tecnologías de IA en 2025, frente al 13,5 % de 2024. Que se use más no significa que cualquier modelo acierte más en tu almacén; eso solo lo dice la medida del error. Lo que puede y no puede hacer la IA en el almacén lo tratamos en Inteligencia artificial en el almacén: aplicaciones que ya funcionan y cómo evaluarlas.
Cómo se mide el error de la previsión
Una previsión sin medida de error no sirve para planificar. Hay dos indicadores que bastan para empezar:
- Error porcentual absoluto medio: MAPE = media de (|real − previsto| / real) × 100. Dice cuánto te equivocas de media, sin importar el signo.
- Sesgo: suma de (previsto − real) / suma de real × 100. Dice si te equivocas siempre hacia el mismo lado. Un sesgo positivo sostenido significa gente de más; uno negativo, horas extra.
Se miden por día y por tarea, no por mes. Un mes puede cuadrar con lunes muy por debajo y viernes muy por encima, y eso en turnos es exactamente el problema.
Dos reglas que evitan engañarse. La primera, medir siempre sobre datos que el modelo no ha visto: se ajusta con un periodo y se evalúa con el siguiente. La segunda, comparar contra la línea base ingenua. Un MAPE del 10 % puede ser bueno o malo según lo que consiga repetir la semana anterior.
El error medido es además la entrada para decidir el margen de personal. Si sabes que te equivocas de media un 8 %, puedes decidir cuánta plantilla fija cubre la previsión y cuánta flexibilidad necesitas para el resto. Cómo encajar estos indicadores en el seguimiento diario lo explicamos en Cuadro de mando logístico en tiempo real: qué medir y cómo construirlo.
Ejemplo con supuestos: de líneas previstas a personas por turno
Ejemplo con supuestos. Todos los valores son hipotéticos y sirven solo para ilustrar el método; en un proyecto real salen de tu histórico y de la productividad medida en tu almacén.
Supuestos:
- Previsión de líneas de picking: lunes 14.400, miércoles 9.600, media de la semana 12.000.
- Productividad medida en picking: 110 líneas por hora y persona.
- Turno de 8 horas con 7 horas efectivas, descontadas pausas, arranque y cierre.
- Error medio de la previsión (MAPE) del 8 %.
Fórmula: personas = líneas previstas / (productividad × horas efectivas).
Paso 1, día medio. Horas necesarias = 12.000 / 110 = 109,1 h. Personas = 109,1 / 7 = 15,6, es decir, 16 personas.
Paso 2, margen por error. Con un 8 % por encima, las líneas serían 12.960. Horas = 12.960 / 110 = 117,8 h. Personas = 117,8 / 7 = 16,8, es decir, 17. Una decisión razonable es plantilla fija de 16 y una persona flexible o polivalente.
Paso 3, días extremos. Lunes: 14.400 / 110 = 130,9 h, que son 18,7 personas, es decir, 19. Miércoles: 9.600 / 110 = 87,3 h, que son 12,5 personas, es decir, 13.
Paso 4, qué pasa si se planifica plano. Con 16 personas todos los días hay 16 × 7 = 112 h disponibles. El lunes faltan 130,9 − 112 = 18,9 h, que acaban en horas extra o en pedidos que pasan al martes. El miércoles sobran 112 − 87,3 = 24,7 h de personas sin trabajo de picking.
Paso 5, contraste con el límite legal. Repartir esas 18,9 h entre 16 personas son unas 1,2 h por persona cada lunes. En 50 lunes al año son unas 59 h por persona, cerca del tope de ochenta horas extraordinarias anuales del Estatuto de los Trabajadores, y eso sin contar campañas. La previsión no elimina el pico, pero permite mover personal del miércoles al lunes, ajustar vacaciones o reforzar con temporales en lugar de quemar el margen de horas extra.
Si quieres hacer este cálculo con tu histórico y tus productividades reales, pide tu estudio gratuito y lo revisamos contigo.
¿Cuántas personas necesitas por turno según tu demanda real?
Partimos de tu histórico de pedidos y líneas para prever la carga de cada día, medir el error y calcular la plantilla por turno, y vemos si tu pico necesita organización o capacidad.
Habla con nuestra ingenieríaLímites legales y de organización que la previsión debe respetar
La previsión dice cuántas horas hacen falta. La organización del trabajo dice cómo se pueden cubrir. En España, el texto consolidado del Estatuto de los Trabajadores en el BOE marca el marco general, que luego concreta el convenio:
- Jornada ordinaria máxima de cuarenta horas semanales de trabajo efectivo, de promedio en cómputo anual.
- A falta de pacto, la empresa puede distribuir de forma irregular a lo largo del año el diez por ciento de la jornada.
- Entre el final de una jornada y el comienzo de la siguiente deben mediar como mínimo doce horas.
- Las horas ordinarias de trabajo efectivo no pueden superar nueve diarias, salvo otra distribución pactada.
- Las horas extraordinarias no pueden superar ochenta al año.
El diez por ciento de distribución irregular es la herramienta más útil y menos usada: concentra horas en las semanas de pico y las compensa en las valle, si la previsión llega con antelación para avisar al equipo según el convenio.
En rotación de turnos, la NTP 455 del INSST recomienda, para ciclos cortos, cambiar de turno cada dos o tres días, y recuerda que el turno de noche no debería trabajarse más de dos semanas seguidas salvo de forma voluntaria. Una buena previsión permite diseñar el cuadrante con esos criterios en lugar de improvisarlo cada semana.
Errores habituales al prever la carga del almacén
Estos son los fallos que más vemos al revisar cómo planifica un almacén:
- Prever pedidos cuando lo que consume horas son líneas o unidades. Un día con pocos pedidos grandes y otro con muchos pequeños no cuestan lo mismo.
- Usar el histórico de lo expedido sin corregir los días con rotura de stock o caída del sistema. La previsión aprende a esperar menos trabajo del que habrá.
- No registrar campañas y promociones. Sin ese dato, el modelo trata el pico como ruido o lo repite cuando ya no toca.
- Una sola productividad para todo. Picking de unidad, de caja y de palé tienen ritmos muy distintos.
- No medir el error, o medirlo por mes. El turno se decide por día.
- Olvidar las recepciones. Un camión que llega a primera hora ocupa al mismo equipo que luego tiene que preparar.
- Cambiar el cuadrante sin preaviso. La previsión que llega tarde obliga a horas extra aunque sea correcta.
Si el pico es estructural y se repite cada año, la pregunta ya no es solo de turnos. Puede ser de capacidad del sistema, y ahí entran opciones como reforzar con equipos temporales, que tratamos en Alquiler de shuttles para picos de demanda: cuándo compensa.
Checklist: qué medir o preguntar antes de decidir herramienta o proveedor
Antes de elegir una herramienta de previsión o de encargar el proyecto, ten respuesta a estas preguntas:
- Qué variable se prevé: pedidos, líneas, unidades, palés o bultos, y por qué tarea.
- Cuánto histórico diario limpio hay, desde qué sistema sale y quién corrige las incidencias.
- Si existe un registro de campañas, promociones y festivos locales con fechas reales.
- Qué productividad por tarea se usa, cómo se ha medido y cuándo se revisó por última vez.
- Con qué antelación necesita el equipo de planificación la previsión: días, semanas o meses.
- Qué error medio y qué sesgo tiene hoy la planificación actual, aunque sea a ojo, para tener una referencia.
- Cómo mide la herramienta el error: sobre datos no vistos, por día y por tarea, y contra una línea base ingenua.
- Si la herramienta explica de dónde sale cada previsión o es una caja negra.
- Cómo se integra con el ERP o el WMS para leer el histórico y para devolver la plantilla por turno.
- Qué margen de flexibilidad permite el convenio: distribución irregular, bolsa de horas, temporales.
Si te falta alguno de estos datos, es lo primero que hay que reunir. Qué debe aportar el sistema de gestión del almacén en este proceso lo explicamos en WMS para pymes: cómo elegirlo, nube o local, integración con el ERP y coste total.
Cómo lo resolvemos en Shuttlia
En nuestros proyectos, la previsión de carga es la base del dimensionamiento: de ella salen las personas por turno hoy y la capacidad que debe tener la instalación mañana. Nuestro método:
- Toma de datos: extraemos el histórico diario de pedidos, líneas y recepciones, lo limpiamos de incidencias y medimos productividades reales por tarea.
- Análisis y previsión: construimos la línea base, medimos su error y, si los datos lo justifican, un modelo con calendario y eventos, con las fórmulas y supuestos por escrito.
- Layout y simulación: simulamos los días tipo y los días pico con la plantilla y con el layout actuales y propuestos, para ver dónde está el cuello de botella real.
- Propuesta cerrada con rango de inversión, tanto si la solución es organizativa como si incluye automatización.
- Integración con tu ERP o WMS para que la previsión y la plantilla por turno se actualicen solas, y servicio posterior para revisar el modelo cuando cambian canales o productos.
Si tus turnos se deciden cada semana a ojo y quieres saber cuánto trabajo te llega de verdad, pide tu estudio gratuito y lo analizamos con tus datos.
Conclusión
La previsión de demanda en el almacén no necesita empezar con inteligencia artificial. Necesita prever la variable correcta, medir el error por día y por tarea y convertir líneas en horas con productividades medidas.
El ejemplo lo muestra: planificar plano con 16 personas deja casi 19 horas sin cubrir los lunes y casi 25 horas ociosas los miércoles. Con el tope legal de ochenta horas extra al año y doce horas de descanso entre jornadas, la diferencia entre prever y no prever se paga en costes, en servicio y en el desgaste del equipo.
¿Lo aplicamos a tu almacén?
Cuéntanos tus palés, referencias y picos. Te devolvemos sin coste el cuello de botella, la solución que encaja y un rango de inversión.
Pide tu estudio gratuitoPreguntas frecuentes
¿Hace falta un científico de datos para prever la demanda del almacén?
Para empezar, no. Con dos años de histórico diario limpio, un registro de campañas y una hoja bien construida se obtiene una previsión útil. El perfil especializado aporta cuando hay muchos canales, referencias y variables externas, y siempre que el modelo complejo mejore de forma medible a la línea base.
¿Qué horizonte de previsión necesito para planificar turnos?
Depende de la decisión. Para el cuadrante y el personal temporal, de una a cuatro semanas. Para contrataciones y campañas, meses. Para asignar personas a tareas dentro del día, uno o dos días. Cada horizonte tiene su error y conviene medirlos por separado.
¿Qué error de previsión es aceptable?
No hay una cifra universal. Lo que importa es que el error sea menor que el de la línea base ingenua, que no tenga sesgo sostenido y que el margen de personal flexible cubra la desviación habitual. Se mide por día y por tarea sobre datos que el modelo no ha visto.
¿Prevemos pedidos, líneas o unidades?
La variable que más horas consume en cada tarea. En picking suelen ser líneas; en embalaje, pedidos o bultos; en recepción y ubicación, palés o líneas de entrada. Prever solo pedidos suele llevar a errores cuando cambia el tamaño medio del pedido.
¿Qué datos hay que limpiar antes de prever?
Los días con rotura de stock, caídas del sistema, cierres no habituales o huelgas de transporte, que muestran menos trabajo del que hubo en realidad. También los traspasos internos que no son demanda. Si no se corrigen, el modelo aprende a esperar menos carga de la que llegará.
¿La previsión sirve también para decidir si automatizar?
Sí. Es la entrada del dimensionamiento: de la previsión de días tipo y días pico salen las líneas por hora que debe dar una instalación. Si quieres ver qué capacidad necesitaría la tuya, /#estudio y lo calculamos con tu histórico.
Fuentes
- CNMC - El comercio electrónico superó en España los 114.800 millones de euros en 2025
- INE - Índices de Comercio al por Menor, diciembre de 2025
- BOE - Real Decreto Legislativo 2/2015, texto refundido de la Ley del Estatuto de los Trabajadores (texto consolidado)
- INSST - NTP 455: Trabajo a turnos y nocturno, aspectos organizativos
- Eurostat - 20% of EU enterprises use AI technologies (diciembre de 2025)
- International Journal of Forecasting - The M4 Competition: 100,000 time series and 61 forecasting methods

