El mercado de Consumer Healthcare atraviesa una transformación marcada por los cambios en los hábitos de compra, la mayor sensibilidad al precio y la distribución de la demanda entre la farmacia comunitaria, el comercio electrónico y el mercado de gran consumo. En este contexto, la anticipación de las ventas en la oficina de farmacia con desglose territorial y por gama resulta determinante para la planificación de recursos, la distribución logística y las decisiones comerciales.
La compañía farmacéutica Uriach, en colaboración con la firma especializada en inteligencia artificial Docenteo, desarrolló un sistema de forecasting predictivo que estima, semana a semana y con un horizonte de hasta doce meses, las unidades de la marca Fisiocrem que se venderán en el canal farmacia por comunidad autónoma y gama de producto. El modelo, que ya se encuentra en fase de producción, registró un error medio del +5,7 %, moviéndose en una horquilla de entre el cuatro y el diez por ciento según la semana y la referencia.
El sistema analizó tres años de datos históricos semanales de ventas correspondientes a 31 referencias de producto. Según explicó Nacho Roset, Global Data Insights de la compañía farmacéutica, anticipar el volumen de venta en farmacia ayuda a planificar de manera más eficiente y a entender qué factores mueven a cada producto para tomar decisiones con información más precisa.
Para determinar las señales que explican y anticipan la evolución de la demanda, la herramienta analiza el peso y la relación de diversas variables internas y externas. En el ámbito interno, la investigación evaluó aspectos vinculados a la distribución, la disponibilidad de estocaje y la estacionalidad. De forma paralela, el modelo incorporó variables meteorológicas externas procedentes de la Agencia Estatal de Meteorología (Aemet), tales como la temperatura, los episodios de calor o la presión atmosférica.
El análisis de los datos permitió medir la relación de estas variables con las ventas y seleccionar únicamente aquellas que aportaban capacidad predictiva. La evaluación constató que las referencias no responden de igual manera a los mismos factores. De este modo, una determinada condición meteorológica mostró una relación clara con la demanda de un producto específico, mientras que resultó irrelevante para otra gama de la misma marca.
Validación de modelos y simulaciones
El proceso de desarrollo requirió la comparación previa de siete familias de modelos analíticos y más de 60 configuraciones sobre el histórico de tres años de datos semanales. Mediante cientos de simulaciones, los técnicos midieron la estabilidad y la precisión de las previsiones antes de seleccionar la configuración con el comportamiento más estable para su paso a producción.
El proyecto completó su paso desde la fase de definición hasta la puesta en marcha en un plazo de ocho semanas. En la actualidad, el sistema funciona de manera automática al incorporar los nuevos datos del mercado, actualizar cada semana sus estimaciones, contrastarlas con las ventas reales y reajustar los algoritmos a medida que añade nueva información a la base de datos.
Por su parte, Pablo de Vicente, especialista en datos e inteligencia artificial de la firma colaboradora, señaló que el reto técnico cobra valor al combinarse con el conocimiento del mercado para que la información forme parte de la planificación y la toma de decisiones, convirtiendo la predicción en una capacidad real para el negocio.
Con este despliegue, la empresa dispone de una señal anticipada sobre la demanda en el canal farmacia con detalle semanal, territorial y por gama. Esta visibilidad facilita la ordenación de recursos y el seguimiento de cada categoría, al tiempo que identifica las variables que explican las ventas reales en las oficinas de farmacia.
Lilisbeth Perestelo: 
