Una aplicación eficaz de previsión de la demanda con IA para la industria de recambios automotrices: un caso real desde Turquía

Por qué importa adivinar la demanda de recambios

Cuando un coche se avería, los conductores esperan que la pieza correcta esté en el estante. Para los fabricantes y talleres, mantener suficientes piezas sin llenar en exceso los almacenes es un ejercicio constante de equilibrio. Este estudio analiza cómo el uso inteligente de la inteligencia artificial puede ayudar a las empresas de la industria de recambios automotrices a predecir demanda muy irregular con mayor precisión, ahorrando dinero y manteniendo a los clientes en la carretera.

El reto de la demanda de paro y arranque

Los recambios no se venden en un flujo suave y constante. Muchos artículos permanecen meses sin pedidos y luego registran picos repentinos de demanda. Los autores denominan a estos patrones demanda intermitente y grumosa. En muchos periodos la demanda es cero; cuando aparecen pedidos, las cantidades pueden variar drásticamente. Las herramientas clásicas de previsión que funcionan bien para productos cotidianos tienen dificultades en este entorno, lo que a menudo conduce a estantes vacíos o a costosas acumulaciones de stock no utilizado. Dado que los recambios son críticos para mantener el equipo en funcionamiento, las previsiones deficientes pueden perjudicar la calidad del servicio y aumentar los costes.

De las reglas antiguas a aprender de los datos

Para abordar esto, los investigadores revisaron tanto métodos estadísticos tradicionales como enfoques más recientes basados en datos. Las técnicas tradicionales conocidas como métodos basados en Croston fueron diseñadas específicamente para series con muchas ceros, pero tienen límites cuando la demanda se vuelve altamente errática. Métodos de aprendizaje automático más recientes, como máquinas de vectores de soporte, bosques aleatorios y regresión lineal, y métodos de aprendizaje profundo como perceptrones multicapa, redes neuronales recurrentes y redes de memoria a largo plazo, pueden aprender automáticamente patrones complejos a partir de los datos. Sin embargo, cada método tiene sus propias fortalezas y debilidades, y ningún modelo único es el mejor en todas las situaciones.

Datos reales de un fabricante de recambios

El equipo trabajó con un fabricante turco que produce componentes de sistemas de transmisión eléctrica para vehículos. Se centraron en dos recambios de alto valor que son especialmente difíciles de planificar: uno con demanda intermitente y otro con demanda fuertemente grumosa. Usando 51 meses de datos reales de ventas mensuales, limpiaron y normalizaron los registros y luego clasificaron los patrones de demanda con medidas estándar de la frecuencia de ocurrencia de la demanda y de cuánto varía. Los datos se dividieron en conjuntos de entrenamiento y prueba para que los modelos se evaluaran en periodos no vistos, reflejando la previsión en el mundo real.

Dejar que muchos modelos voten juntos

En lugar de confiar en una sola herramienta de previsión, los autores construyeron un ensamblado por apilamiento, que puede entenderse como un equipo de modelos cuyas salidas se combinan mediante un modelo de segundo nivel simple. Primero, varios modelos de aprendizaje automático y profundo generaron pronósticos de forma independiente. Sus predicciones se introdujeron luego en un modelo de regresión lineal que aprendió cuánto confiar en cada uno. Este modelo apilado se comparó con métodos basados en Croston y con cada método individual, usando medidas de error que capturan los fallos típicos y su magnitud relativa a la demanda media. Los investigadores también emplearon resúmenes gráficos y pruebas estadísticas para comprobar si las diferencias de rendimiento eran significativas y no atribuibles al azar.

Qué significan las previsiones más inteligentes para el negocio

El modelo apilado produjo de forma consistente las previsiones más precisas y estables tanto para la demanda intermitente como para la grumosa. Los métodos de aprendizaje profundo por sí solos superaron en general a los enfoques tradicionales, pero la combinación de múltiples métodos funcionó mejor de todos. Para la empresa colaboradora, esto supuso menor stock de seguridad, menos artículos obsoletos en estanterías y un riesgo reducido de no poder suministrar a los clientes a tiempo. En términos sencillos, el estudio muestra que usar una mezcla cuidadosamente diseñada de modelos de IA puede convertir la demanda desordenada y de paro y arranque de recambios en predicciones lo bastante buenas como para apoyar inventarios más ajustados y un servicio más fiable.

Cita: Albayrak Ünal, Ö., Erkayman, B. & Usanmaz, B. An effective AI infused demand forecasting application for automotive spare parts industry: a real case from Turkey. Sci Rep 16, 15661 (2026). https://doi.org/10.1038/s41598-026-44461-0

Palabras clave: demanda de recambios, demanda intermitente, aprendizaje en conjunto, cadena de suministro automotriz, pronóstico de la demanda