Previsión de demanda por plato con IA: de la corazonada al modelo

"Mañana es viernes, prepara más" es una previsión. El problema es que es imprecisa, no baja al plato y no se puede auditar. Un modelo de demanda hace lo mismo que la corazonada del jefe de cocina veterano — pero por cada plato, con números, y sin depender de que esa persona esté de turno.

Por qué "por plato" lo cambia todo

Una previsión de ventas totales sirve para el labour. Pero para el pedido y el prep necesitas el detalle por plato: saber que el viernes vendes 40 raciones de un guiso y 8 de otro decide cuánta materia prima entra en cámara y cuánto se pre-elabora. Ahí es donde se corta la sobre-producción y el sobre-pedido.

Qué entra en el modelo

• Histórico de ventas por plato y franja (del TPV).
• Estacionalidad — día de la semana, mes, festivos, puentes.
• Eventos — partidos, conciertos, ferias cercanas.
• Meteorología — la terraza y los platos de temporada dependen del tiempo.

Prophet + XGBoost: dos modelos, dos trabajos

No es magia, es la combinación de dos técnicas maduras. Prophet descompone la serie temporal en tendencia + estacionalidad + festivos: captura muy bien el "cómo se comporta normalmente" cada día. XGBoost aprende de los drivers (clima, eventos, promociones) para corregir cuándo el día se saldrá de lo normal. Juntos dan una previsión por plato que se adapta.

El MAPE (error porcentual medio) es la métrica honesta: te dice cuánto se equivoca el modelo de media. Un modelo útil para hostelería suele moverse por debajo del 15–20% de MAPE a nivel de plato; total del local, bastante menos.

La previsión no vale sola: tiene que caer en cascada

Una previsión que solo se mira no ahorra un euro. El valor está en que alimente las tres decisiones que cuestan dinero:

• Compras → par levels ajustados a la demanda prevista, no a la de la semana pasada (menos sobre-pedido, menos caducidad).
• Prep → producción dimensionada al plato (menos sobre-producción).
• Cuadrante → comensales previstos → personal necesario (ver la fórmula de dimensionado en el artículo de SPLH).

Honestidad sobre la IA

Un modelo se equivoca, sobre todo con pocos datos históricos o ante un evento nunca visto. Por eso la regla es la IA propone, el manager decide: la previsión es un punto de partida excelente, no una orden. Y el modelo mejora solo — cada semana de real vs previsto lo re-afina.