Predice la demanda de tu tienda
Anticipa cuánto podrías vender los próximos días, cuánto stock pedir a tu proveedor y cuándo lanzar una promoción sin quedarte sin género. Con un margen de error real calculado sobre tus propias ventas, no sobre medias del sector.
Solo disponible dentro del panel de administración de Shopify.
ENCUENTRE SU MOTOR DE ANÁLISIS ADECUADO
La predicción no sustituye su criterio, pero puede ayudarle a decidir mejor
1. Preguntas
¿Cada cuánto mira sus ventas?
¿Cuánto lleva vendiendo?
¿Hace ofertas o rebajas?
¿Le molesta que le sobre o le falte stock?
¿Cómo suele decidir el pedido a su proveedor?
INTELIGENCIA ARTIFICIAL TRANSPARENTE
Qué recomendamos en cada caso
Si responde ¿Hace ofertas o rebajas?: Sí · ¿Cuánto lleva vendiendo?: Más de un año
Para su tienda es mejor:
XGBoost (la hoja de reglas)
No viene entrenado: hay que enseñarle con los datos del propio negocio. Con suficiente historial puede aprender de descuentos, festivos y otras variables registradas.
Usted apunta los descuentos y además lleva tiempo vendiendo. Son las dos cosas juntas las que cambian la respuesta, no una sola.
Karlsruhe comparó las dos formas de trabajar en 30 conjuntos de datos. En 6, XGBoost o los métodos clásicos superaron a los modelos ya entrenados, con entre 21 y 2.768 muestras propias. En otros 9 hubo un punto de cruce, entre las 24 y las 8.361 muestras. Lo que decidía no era tener columnas: era cuánto historial propio había disponible. Karlsruhe (KIT), julio 2026, análisis de equilibrio.
Virginia Tech no le dio a nadie esas columnas: únicamente el precio. Ahí XGBoost quedó por detrás de copiar el último valor, 0,823 frente a 0,775. Sin información adicional no se sostiene; con ella y con historial propio, sí. Virginia Tech, enero 2026, Tabla 2.
Conviene saber una cosa antes de decidir: Chronos-2 también admite esas columnas de forma nativa, incluidas las que se conocen de antemano, como una rebaja ya planificada. Apuntar descuentos no obliga a salir de Chronos-2.
Y una advertencia: XGBoost hay que entrenarlo y mantenerlo con los datos del propio negocio. Si no va a haber quien lo monte y lo actualice, esta no es su respuesta.
Karlsruhe no midió una tienda Shopify, y tampoco midió descuentos ni festivos. Midió a partir de cuánto historial propio los métodos clásicos alcanzan a los que ya vienen entrenados. Karlsruhe (KIT), julio 2026.
Usted hoy copia el año pasado. En Virginia Tech eso quedó el 14.º de 17 (error 0,973). Copiar solo la última cifra quedó el 6.º (0,775): más difícil de batir. Virginia Tech, enero 2026, Tabla 2.
Usted hoy usa una hoja, pero solo con lo vendido. En Virginia Tech esa idea (XGBoost sin otras casillas) quedó el 8.º, error 0,823: peor que copiar el último (0,775). Virginia Tech, enero 2026, Tabla 2.
La vara es copiar el último número. Si otro método no gana a eso en la misma carrera, no está aportando. Virginia Tech, enero 2026, Tabla 2.
Si responde ¿Cuánto lleva vendiendo?: Unos meses · ¿Cada cuánto mira sus ventas?: Cada día · ¿Le molesta que le sobre o le falte stock?: Sí
Para su tienda es mejor:
Chronos-2
Ya viene entrenado. Recibe el historial de la tienda y calcula una previsión central y un rango para una semana floja y una semana fuerte.
Usted pide a menudo o lleva poco historial. El estudio que midió eso es el de Texas: demanda eléctrica hora a hora, con solo 24 horas de historia. Texas (ERCOT), febrero 2026.
En esa ventana, copiar la misma hora de ayer hizo 0,591 y Chronos-2 hizo 0,659: con solo 24 horas, Chronos-2 no gana a copiar lo de ayer. Moirai-2 se fue a 1,304. Prophet se rompió, con error mayor que 74, y el contable SARIMA también, 15,1. Texas (ERCOT), febrero 2026, contexto de 24 horas.
A usted le duele quedarse sin producto. El aviso se midió con 512 horas de historia: Chronos-2 cubrió el 95 % de los casos cuando decía «estoy seguro al 90 %». Moirai-2 cubrió el 70 %: su aviso se quedaba corto. Texas (ERCOT), febrero 2026, cobertura del intervalo al 90 %.
El método es Chronos-2, no porque el número de en medio sea el mejor, sino porque avisa mejor si la semana sale floja. Texas es luz, no su lineal: es la carrera que existe para poca historia. Texas (ERCOT), febrero 2026.
Usted hoy copia el año pasado. En Virginia Tech eso quedó el 14.º de 17 (error 0,973). Copiar solo la última cifra quedó el 6.º (0,775): más difícil de batir. Virginia Tech, enero 2026, Tabla 2.
Usted hoy usa una hoja, pero solo con lo vendido. En Virginia Tech esa idea (XGBoost sin otras casillas) quedó el 8.º, error 0,823: peor que copiar el último (0,775). Virginia Tech, enero 2026, Tabla 2.
La vara es copiar el último número. Si otro método no gana a eso en la misma carrera, no está aportando. Virginia Tech, enero 2026, Tabla 2.
Si responde ¿Cuánto lleva vendiendo?: Unos meses · ¿Cada cuánto mira sus ventas?: Cada día
Para su tienda es mejor:
Chronos-2
Ya viene entrenado. Recibe el historial de la tienda y calcula una previsión central y un rango para una semana floja y una semana fuerte.
Usted pide a menudo o lleva poco historial. Texas midió exactamente eso: 24 horas de historia. Texas (ERCOT), febrero 2026.
En esa ventana: copiar la misma hora de ayer 0,591. Chronos-2 0,659. Moirai-2 1,304, peor que copiar ayer. TinyTimeMixer 5,73. SARIMA 15,1. Prophet más de 74. Texas (ERCOT), febrero 2026, contexto de 24 horas.
El método es Chronos-2, y conviene decirlo con la cifra delante: con solo 24 horas no gana a copiar lo de ayer. Donde manda es en el aviso: cuando decía «estoy seguro al 90 %», cubrió el 95 % (medido con 512 horas de historia). Prophet y el contable no sirven aquí. Texas es luz, no su lineal. Texas (ERCOT), febrero 2026, cobertura del intervalo al 90 %.
Usted hoy copia el año pasado. En Virginia Tech eso quedó el 14.º de 17 (error 0,973). Copiar solo la última cifra quedó el 6.º (0,775): más difícil de batir. Virginia Tech, enero 2026, Tabla 2.
Usted hoy usa una hoja, pero solo con lo vendido. En Virginia Tech esa idea (XGBoost sin otras casillas) quedó el 8.º, error 0,823: peor que copiar el último (0,775). Virginia Tech, enero 2026, Tabla 2.
La vara es copiar el último número. Si otro método no gana a eso en la misma carrera, no está aportando. Virginia Tech, enero 2026, Tabla 2.
Si responde ¿Cada cuánto mira sus ventas?: Cada mes
Para su tienda es mejor:
Chronos-2
Ya viene entrenado. Recibe el historial de la tienda y calcula una previsión central y un rango para una semana floja y una semana fuerte.
Usted pide al mes, tiene historial decente y solo apunta lo vendido. Eso se parece a la única carrera de 2026 donde casi todos los métodos de esta lista corrieron juntos: Virginia Tech, precios mensuales de grano. Virginia Tech, enero 2026.
Chronos-2 hizo 0,736. Time-MoE quedó delante (0,693); no está en la lista que comparamos, y no es de Amazon. TimesFM 2.5 empató con él, también 0,736. Moirai-2 0,751. Copiar el último 0,775, y eso ya ganó a la hoja (0,823), al contable SARIMA (0,859), a ETS (0,921) y a Prophet, que quedó el último de diecisiete (1,291). Virginia Tech, enero 2026, Tabla 2.
El método es Chronos-2: quedó delante de todo lo clásico en la parrilla más completa de la lista. La prueba es grano, un dato al mes, no su Shopify. Virginia Tech, enero 2026, Tabla 2.
Usted hoy copia el año pasado. En Virginia Tech eso quedó el 14.º de 17 (error 0,973). Copiar solo la última cifra quedó el 6.º (0,775): más difícil de batir. Virginia Tech, enero 2026, Tabla 2.
Usted hoy usa una hoja, pero solo con lo vendido. En Virginia Tech esa idea (XGBoost sin otras casillas) quedó el 8.º, error 0,823: peor que copiar el último (0,775). Virginia Tech, enero 2026, Tabla 2.
La vara es copiar el último número. Si otro método no gana a eso en la misma carrera, no está aportando. Virginia Tech, enero 2026, Tabla 2.
Si responde ¿Le molesta que le sobre o le falte stock?: Sí
Para su tienda es mejor:
Chronos-2
Ya viene entrenado. Recibe el historial de la tienda y calcula una previsión central y un rango para una semana floja y una semana fuerte.
Usted pide cada semana y solo apunta ventas. Hay dos estudios. No se mezclan las cifras de uno con las del otro.
En Virginia Tech, la foto más completa de la lista, Chronos-2 quedó delante de Moirai-2 y de copiar el último. Prophet, el último de diecisiete. Virginia Tech, enero 2026, Tabla 2.
En Texas, con mucha historia, Moirai-2 estimó un poco mejor el número (0,307) que Chronos-2 (0,334). Texas (ERCOT), febrero 2026, contexto de 2048 horas.
A usted le duele la estantería vacía. En Texas el aviso se midió con 512 horas de historia: el de Moirai-2 cubrió el 70 % cuando pedía el 90 %. Chronos-2 cubrió el 95 %. Por eso el método es Chronos-2: el aviso de «si va floja» cubrió de verdad. Ni Virginia Tech ni Texas son una tienda semanal; son las carreras que existen. Texas (ERCOT), febrero 2026, cobertura del intervalo al 90 %.
Usted hoy copia el año pasado. En Virginia Tech eso quedó el 14.º de 17 (error 0,973). Copiar solo la última cifra quedó el 6.º (0,775): más difícil de batir. Virginia Tech, enero 2026, Tabla 2.
Usted hoy usa una hoja, pero solo con lo vendido. En Virginia Tech esa idea (XGBoost sin otras casillas) quedó el 8.º, error 0,823: peor que copiar el último (0,775). Virginia Tech, enero 2026, Tabla 2.
La vara es copiar el último número. Si otro método no gana a eso en la misma carrera, no está aportando. Virginia Tech, enero 2026, Tabla 2.
Si responde ¿Cuánto lleva vendiendo?: Más de un año
Para su tienda es mejor:
Chronos-2
Ya viene entrenado. Recibe el historial de la tienda y calcula una previsión central y un rango para una semana floja y una semana fuerte.
Moirai-2
También viene entrenado de antemano. Con mucho historial su previsión central fue algo mejor en Texas, pero su rango de seguridad se quedó corto.
Los dos estudios no eligen al mismo método. Abajo van los dos, cada uno con su paper. No hay un ganador mezclado.
Usted pide cada semana, lleva más de un año de ventas y solo apunta unidades. Los dos estudios no eligen al mismo. No hay un campeón mezclado.
Virginia Tech (casi toda la lista, un dato al mes): Chronos-2 delante de Moirai-2 (0,736 contra 0,751). Virginia Tech, enero 2026, Tabla 2.
Texas con 2048 horas de historia: Moirai-2 0,307, Chronos-2 0,334. Texas (ERCOT), febrero 2026, contexto de 2048 horas.
Si quiere la foto de la lista, Chronos-2. Si quiere el número de mucha historia horaria, Moirai-2. No sume las cifras. Su semana de tienda no es ni el mes del grano ni la hora de la red eléctrica.
Usted hoy copia el año pasado. En Virginia Tech eso quedó el 14.º de 17 (error 0,973). Copiar solo la última cifra quedó el 6.º (0,775): más difícil de batir. Virginia Tech, enero 2026, Tabla 2.
Usted hoy usa una hoja, pero solo con lo vendido. En Virginia Tech esa idea (XGBoost sin otras casillas) quedó el 8.º, error 0,823: peor que copiar el último (0,775). Virginia Tech, enero 2026, Tabla 2.
La vara es copiar el último número. Si otro método no gana a eso en la misma carrera, no está aportando. Virginia Tech, enero 2026, Tabla 2.
Para su tienda es mejor:
Chronos-2
Ya viene entrenado. Recibe el historial de la tienda y calcula una previsión central y un rango para una semana floja y una semana fuerte.
Usted solo apunta ventas y el historial es de meses, no de días. La foto más completa de la lista es Virginia Tech. Virginia Tech, enero 2026.
Chronos-2 quedó delante de Moirai-2 y de copiar el último. Copiar el último ya ganó a la hoja, al contable y a Prophet (último de diecisiete, 1,291). Lag-Llama no corre en esa parrilla. Virginia Tech, enero 2026, Tabla 2.
La prueba es mensual y agrícola. El nombre es el de esa foto, no un milagro sobre su tienda. Virginia Tech, enero 2026.
Usted hoy copia el año pasado. En Virginia Tech eso quedó el 14.º de 17 (error 0,973). Copiar solo la última cifra quedó el 6.º (0,775): más difícil de batir. Virginia Tech, enero 2026, Tabla 2.
Usted hoy usa una hoja, pero solo con lo vendido. En Virginia Tech esa idea (XGBoost sin otras casillas) quedó el 8.º, error 0,823: peor que copiar el último (0,775). Virginia Tech, enero 2026, Tabla 2.
La vara es copiar el último número. Si otro método no gana a eso en la misma carrera, no está aportando. Virginia Tech, enero 2026, Tabla 2.
Ver el detalle técnico y los estudios
INTELIGENCIA ARTIFICIAL TRANSPARENTE
Imagínese un producto: una camiseta
Hace 8 semanas
Se vendieron 40 camisetas
Hace 7 semanas
Se vendieron 38 camisetas
Hace 6 semanas
Se vendieron 42 camisetas
Hace 5 semanas
Se vendieron 41 camisetas
Hace 4 semanas · esa semana hubo rebaja
Se vendieron 55 camisetas
Hace 3 semanas
Se vendieron 39 camisetas
Hace 2 semanas
Se vendieron 44 camisetas
La semana pasada
Se vendieron 42 camisetas
Qué haría cada método con estas ventas
Chronos-2
Cómo interpreta las ventas
Mira las ocho semanas tal como están. Como no le hemos dicho que las 55 camisetas se vendieron durante una rebaja, entiende esa subida como una semana de más demanda.
Qué devuelve
No da una sola cifra. En este ejemplo calcula tres posibilidades:
Una semana floja
36
Una semana normal
42
Una semana fuerte
52
Estas cifras sirven solo para explicar el ejemplo. La posición de Chronos-2 en la comparación sale del estudio de Virginia Tech (Tabla 2).
En dinero
Si cada camiseta cuesta 20 €, serían entre 720 € y 1.040 €, con 840 € como escenario central.
Moirai-2
Cómo interpreta las ventas
Mira las mismas ocho semanas y hace la previsión con un modelo que ya viene entrenado.
Qué devuelve
También calcula una semana floja, una normal y una fuerte, pero su rango es más estrecho:
Una semana floja
38
Una semana normal
42
Una semana fuerte
47
Ese margen más estrecho puede parecer mejor, pero en el estudio de Texas se quedó corto: cuando debía cubrir el 90 % de los casos, cubrió el 70 %.
En dinero
A 20 € por camiseta, serían entre 760 € y 940 €, con 840 € como escenario central.
XGBoost (la hoja de reglas)
Cómo interpreta las ventas
XGBoost trabaja de otra manera. Además de las ventas puede usar información como descuentos, festivos u otras condiciones de cada semana.
Si le indicamos que la semana de las 55 camisetas hubo una rebaja, puede tenerlo en cuenta. Si no se lo indicamos, para él son simplemente 55 ventas más.
Qué devuelve
En este ejemplo estima unas 40 camisetas.
Una semana floja
—
Una semana normal
40
Una semana fuerte
—
A diferencia de los otros dos métodos, aquí no tenemos una semana floja y una semana fuerte alrededor de la previsión. En el estudio de Virginia Tech, XGBoost sin información adicional quedó por detrás de simplemente repetir el último valor.
En dinero
A 20 € por camiseta, una previsión de 40 camisetas serían unos 800 €.
Y de ahí sale el pedido
Supongamos que la previsión central es de 42 camisetas. Quiere tener 10 más de margen por si la semana viene fuerte y ya tiene 15 en stock.
42 + 10 − 15 = 37
Tendría que pedir 37 camisetas al proveedor.
El ranking no es de este ejemplo. Está en los estudios.
INTELIGENCIA ARTIFICIAL TRANSPARENTE
Información
Actualizado: 2026-08-30
Qué es cada método
Chronos-2
Ya viene entrenado. Antes de ver las ventas de su tienda ha aprendido patrones a partir de grandes colecciones de series temporales. Por eso puede recibir un historial nuevo y hacer una previsión sin tener que entrenarse primero con los datos de esa tienda.
En los estudios de esta página se prueba precisamente así: recibe el historial disponible y calcula qué puede ocurrir después. Además de una previsión central, puede dar un rango para una semana floja y una semana fuerte.
Además del historial admite columnas adicionales —descuentos, festivos y otras condiciones conocidas de antemano— sin necesidad de entrenarlo. En los estudios de esta página no se usaron: allí todos los métodos recibieron únicamente el historial.
Moirai-2
También viene entrenado de antemano. Salesforce lo ha entrenado con grandes colecciones de series temporales, así que tampoco necesita empezar desde cero cada vez que llega a una tienda nueva.
Recibe el historial disponible y hace la previsión utilizando lo aprendido durante ese entrenamiento previo. En el estudio de Texas, con mucho historial, su previsión central fue algo mejor que la de Chronos-2, pero su rango de seguridad se quedó corto: cuando debía cubrir el 90 % de los casos, cubrió el 70 %.
XGBoost (la hoja de reglas)
XGBoost funciona de otra manera: no viene entrenado para su tienda. Hay que enseñarle con datos del problema concreto antes de utilizarlo para predecir.
Puede aprender a partir de varias columnas, por ejemplo ventas, descuentos, festivos u otras variables que se hayan registrado. Cuantos más datos útiles tenga para entrenarse, más posibilidades tiene de aprender relaciones propias de ese negocio.
Esa ventaja tiene un coste: necesita datos con los que aprender. Por eso Karlsruhe estudia precisamente en qué momento disponer de suficiente historial propio hace que XGBoost o los métodos clásicos puedan alcanzar o superar a los modelos que ya vienen entrenados.
El motor es Chronos-2, de Amazon. Lo que ApisDom pone por encima —validar el historial antes de ejecutarlo, decidir si los datos dan para una previsión defendible, calcular el margen de error sobre las ventas reales de esa tienda y marcar los días cerrados— es lo que convierte esa previsión en algo que un comercio puede usar para decidir.
Documentación de la tecnología predictiva de ApisDom
Los estudios
Virginia Tech, enero 2026
The Promise of Time-Series Foundation Models for Agricultural Forecasting: Evidence from Commodity Prices
Fuente: Virginia Tech · Le Wang, Boyuan Zhang · 2026
Compararon 17 métodos utilizando precios mensuales de maíz, soja, trigo y algodón entre 1997 y 2025. Todos recibieron exactamente la misma información: únicamente los precios anteriores. No se les dieron descuentos, festivos ni otras variables adicionales.
Aquí hay una diferencia importante: modelos como Chronos-2 y Moirai-2 ya llegaban preentrenados y se utilizaron sin entrenarlos con esos productos. Otros métodos tuvieron que aprender a partir de los datos disponibles para la prueba.
No es una tienda Shopify ni un pedido diario. Sirve para ver qué ocurre cuando todos compiten utilizando únicamente el historial y sin información adicional.
Uno de los autores, Boyuan Zhang, trabaja en Amazon, la empresa que desarrolla Chronos-2. El estudio declara que la investigación es independiente de su puesto. Además, el método que terminó primero, Time-MoE, no pertenece a Amazon. Dejamos este dato visible para que pueda valorar los resultados con todo el contexto.
| Time-MoE | 0,693 |
| Chronos-2 | 0,736 |
| TimesFM 2.5 | 0,736 |
| Moirai-2 | 0,751 |
| Copiar el último | 0,775 |
| Hoja con reglas (XGBoost) | 0,823 |
| Contable (SARIMA) | 0,859 |
| ETS | 0,921 |
| Copiar el año pasado | 0,973 |
| Temporadas y fiestas (Prophet) | 1,291 |
Texas (ERCOT), febrero 2026
Time Series Foundation Models for Energy Load Forecasting on Consumer Hardware: A Multi-Dimensional Zero-Shot Benchmark
Fuente: Investigador independiente (Turín) · Luigi Simeone · 2026
Este estudio utilizó la demanda eléctrica de Texas entre 2020 y 2024. Comparó qué ocurría dando a los modelos muy poco historial, solo 24 horas, y después mucho más, hasta 2.048 horas.
Chronos-2 y Moirai-2 no se entrenaron desde cero con los datos de Texas: se utilizaron como modelos ya preentrenados. Eso permite comprobar una de sus ventajas posibles: qué pueden hacer cuando llegan a un problema nuevo y apenas tienen historial disponible.
El estudio también comprobó si sus márgenes eran fiables. No solo miró qué modelo acertaba mejor la cifra central, sino si cuando decía que el resultado estaría dentro de un rango con un 90 % de confianza, ese rango realmente cubría lo que ocurrió.
No es una tienda ni mide ventas de productos. Lo utilizamos porque permite comparar poco historial frente a mucho historial y comprobar si los rangos de cada modelo se cumplen de verdad. XGBoost no participó en este estudio.
| Copiar la misma hora de ayer | 0,591 |
| Chronos-2 | 0,659 |
| Moirai-2 | 1,304 |
| TinyTimeMixer | 5,73 |
| Contable (SARIMA) | 15,1 |
| Temporadas y fiestas (Prophet) | más de 74 |
| Moirai-2 | 0,307 |
| Chronos-2 | 0,334 |
| Contable (SARIMA) | 0,370 |
| TinyTimeMixer | 0,450 |
| Temporadas y fiestas (Prophet) | 0,610 |
| Copiar la misma hora de ayer | 0,749 |
| Chronos-2 | cubrió el 95 % cuando decía estar seguro al 90 % |
| Moirai-2 | cubrió el 70 % |
| Prophet | cubrió el 70 % |
Karlsruhe (KIT), julio 2026
When Do Foundation Models Pay Off? A Break-Even Analysis of Pretrained Time Series Forecasters
Fuente: Instituto Tecnológico de Karlsruhe (KIT) · Nicholas Tan Jerome, Frank Simon · 2026
Este estudio se hizo precisamente para responder a una pregunta muy práctica: ¿cuándo compensa utilizar un modelo que ya viene entrenado y cuándo compensa entrenar uno con sus propios datos?
Moirai y Lag-Llama ya habían aprendido de grandes colecciones de series antes de entrar en la prueba. Podían empezar a predecir sin entrenarse con cada conjunto nuevo. XGBoost, ETS y ARIMA parten de otra situación: necesitan utilizar los datos disponibles del problema concreto para ajustar su funcionamiento.
Los investigadores compararon ambas formas de trabajar en 30 conjuntos de datos y fueron aumentando poco a poco la cantidad de historial local disponible.
En 15 de los 30 conjuntos, los modelos que ya venían entrenados ganaron con cualquier cantidad de historial.
En 6, XGBoost o los métodos clásicos consiguieron superarlos incluso con pocos datos propios, entre 21 y 2.768 muestras.
En otros 9 hubo un punto en el que disponer de más historial cambió cuál era la mejor opción. Ese punto apareció entre las 24 y las 8.361 muestras, dependiendo del conjunto.
El estudio obtiene además una regla especialmente clara: con menos de 700 datos y una estacionalidad apreciable, recomienda utilizar el modelo preentrenado directamente y no reentrenarlo.
Sobre las preguntas
¿Cada cuánto mira sus ventas?
Si pide cada día, el estudio que habla de poca historia es el de Texas (hora a hora). Si pide cada mes, el que junta más métodos es Virginia Tech (un dato al mes).
¿Cuánto lleva vendiendo?
Texas midió qué pasa con muy pocas horas de historia. Virginia Tech midió series de años.
¿Hace ofertas o rebajas?
Ninguno de los tres estudios midió descuentos: en Virginia Tech y en Texas nadie recibió esa columna, y Karlsruhe midió otra cosa, cuánto historial propio hace falta. Esta respuesta cuenta junto con la del historial, no por sí sola.
¿Le molesta que le sobre o le falte stock?
Texas midió si el aviso «va a vender entre tanto y tanto» cubría de verdad lo que ocurrió. Un margen bien calibrado protege en los dos sentidos: de comprar de más y de quedarse corto.
¿Cómo suele decidir el pedido a su proveedor?
No elige el método. Sirve para decirle si lo que hace ahora quedó delante o detrás en la misma carrera.
INTELIGENCIA ARTIFICIAL TRANSPARENTE
Escudo de calidad
Antes de cada predicción, Forecast revisa el historial de tu tienda y lo clasifica con un semáforo de calidad: verde, amarillo o rojo. Si los datos no son suficientes, el motor no se ejecuta y no se consume crédito. Así cada crédito que se gasta produce un resultado utilizable.
Verde
Tu tienda tiene un historial sólido. El motor de predicción se ejecuta y recibes la proyección completa con tres escenarios (conservador, central y optimista) y el margen de error real calculado sobre tu propio histórico. Se consume 1 crédito porque produce un resultado utilizable.
Clasificación SBC, Syntetos-Boylan-Croston 2005. Métricas ADI y CV² sobre datos reales de la tienda.
Rojo
Tu tienda todavía no acumula suficiente historial para una predicción fiable. El motor no se ejecuta y no se consume crédito. Tus créditos se quedan en tu saldo esperando. Cuando el historial alcance el nivel necesario, te avisaremos por email y podrás usarlos.
Solo se activa por falta de historial de ventas. Tu forma de vender, a rachas o por temporadas, nunca te bloquea.
Amarillo
Tu tienda ya tiene historial suficiente para proyectar. Recibes la predicción completa con tres escenarios y el margen de error real calculado sobre tu propio histórico. El motor se ejecuta y se consume 1 crédito. El rango entre el escenario conservador y el optimista te ayuda a decidir cuánto stock pedir con la información delante.
Ventas variables, ventas a rachas o pausas recientes. El motor funciona igual: recibes tu predicción con un aviso claro y tú decides.
Azul: Estabilidad excepcional
Una vez generada la predicción, si el motor detecta que tus ventas son tan estables que la media diaria ya es una referencia fiable, te lo dice con un aviso de Estabilidad excepcional. En ese caso, la próxima vez puedes usar esa media directamente y ahorrarte el crédito, o generar la predicción para confirmar que la estabilidad se mantiene. Es información posterior a la predicción, no un estado del semáforo previo.
Test de trivialidad: desviación estándar inferior al 5% sobre los últimos 30 días.
Cómo funciona
Instala la app
Desde el Shopify App Store en segundos. Sin configuración técnica ni integraciones externas. Al instalar recibes 2 créditos gratuitos para probar el motor sin compromiso.
Conecta tus ventas
La app lee tu historial de pedidos directamente desde Shopify. Antes de cada predicción, el semáforo de calidad evalúa los datos: si el historial no es suficiente, el motor no se ejecuta y no se gasta crédito. Es parecido a una previsión meteorológica: con muy pocos datos cualquier número sería inventado.
Obtén tu proyección
Selecciona el período, elige la métrica y genera la predicción. Recibes tres escenarios con margen de error real. Junto al gráfico, un mensaje valora la confianza del resultado y, si tus ventas son tan estables que la media ya basta, te avisa con un aviso de Estabilidad excepcional.
Curso gratuito: aprende a leer tus previsiones
Una guía en PDF de 10 módulos, en lenguaje de negocio: cuántos datos necesitas, qué significa cada color del semáforo y cómo usar los escenarios para pedir stock sin jugártela. Sin programar y sin estadística.
Descargar el curso en PDF (español)Download the course in PDF (English)Vídeo: no adivines, aprende a prever tu demanda
Siete minutos que explican cómo convertir tu historial de ventas en previsiones útiles para tu negocio, sin programar ni dominar estadística. Lo mismo que hace la app, contado con calma.
Ver el vídeo (7 min, español)Watch the video (English)Empieza hoy
ApisDom Forecast ya está disponible en el App Store de Shopify. Al instalarla recibes 2 predicciones gratuitas
Soporte profesional incluido
Cada comerciante con créditos tiene acceso al sistema de soporte integrado directamente desde la aplicación.
Crea tickets categorizados con diagnóstico automático, adjunta capturas si lo necesitas y recibe respuesta en menos de 24 horas laborables.
Tu historial de consultas queda guardado para que nunca tengas que repetir información.
Prueba Viral de ApisDom
¿Quieres analizar tus propios datos? Con Viral puedes subir cualquier serie temporal y obtener predicciones con la misma tecnología de ApisDom. Redes sociales, ventas offline, tráfico web.
Preguntas frecuentes
¿Qué es ApisDom Forecast y para qué me sirve?
ApisDom Forecast es una aplicación para tiendas Shopify que predice cuánto vas a vender en los próximos días, semanas o meses. Te ayuda a decidir cuánto stock pedir a tu proveedor, cuándo lanzar una campaña y cuándo bajar precios para liquidar inventario. Trabaja sobre el historial real de ventas de tu tienda, no sobre medias del sector.
¿Cómo sé que la predicción es fiable y no un número inventado?
Cada predicción incluye tres escenarios (conservador, central, optimista) y un margen de error real calculado sobre el historial de tu propia tienda. Si tus datos no son suficientes para una predicción fiable, la app no la ejecuta: un sistema previo, el semáforo de calidad, bloquea el análisis y no se gasta ningún crédito. Solo recibes una predicción cuando hay base estadística para que sea útil.
¿Cuánto cuesta? ¿Tengo que comprometerme con una suscripción?
No hay suscripción. Solo pagas cuando usas la app, mediante un sistema de créditos que no caducan nunca: compras un pack cuando lo necesitas (a partir de 14,99 USD), generas predicciones cuando te hacen falta y los créditos sobrantes esperan en tu cuenta para la próxima temporada. Al instalar la app recibes 2 créditos gratuitos para probar el motor sin compromiso.
Acabo de abrir mi tienda. ¿Me servirá ahora o tengo que esperar?
Si tu tienda todavía no acumula suficiente historial de ventas, el motor no ejecuta la predicción y no se gasta ningún crédito. Tus 2 créditos gratuitos se quedan en tu saldo esperando hasta que tu tienda tenga datos suficientes; entonces te avisamos por email y puedes usarlos. Es parecido a una previsión meteorológica: con muy pocos datos cualquier número sería inventado, y no es una base responsable para tomar decisiones de negocio.
¿Quién está detrás de la tecnología? ¿Es IA de verdad?
El motor de predicción es Amazon Chronos-2, el modelo de inteligencia artificial de series temporales desarrollado por Amazon Science. ApisDom ha construido una capa de microservicios sobre Chronos-2 que valida tus datos, gestiona la calidad, calcula los intervalos de confianza y te devuelve el margen de error real medido sobre tu historial. La tecnología base es de Amazon Science. La inteligencia que la adapta a una tienda Shopify es de ApisDom.
¿Qué pasa con mis datos? ¿Son seguros?
Tus datos se procesan en servidores en la Unión Europea (Google Cloud, Países Bajos) y nunca se venden ni se comparten con terceros. ApisDom Forecast no almacena información personal de tus clientes: solo trabaja con totales diarios de ventas agregadas. Cumplimos el RGPD y dispones de un panel para exportar o eliminar tus datos en cualquier momento.