El problema con la clasificación ABC clásica
Si llevas tiempo en compras o supply chain, conoces el principio de Pareto aplicado al inventario: el 20% de los productos genera el 80% de la facturación. De ahí nace la clasificación ABC: agrupar las referencias en tres categorías según cuánto facturan.
Productos A: el 20% que genera el 80% del volumen
Productos B: el 30% siguiente, con peso medio
Productos C: el 50% restante, de baja contribución
Sobre el papel, suena lógico. Y durante años fue suficiente, porque las herramientas disponibles (Excel, MRPs básicos, ERPs sin capa de inteligencia) no permitían mucho más.
El problema es que la clasificación ABC clásica responde a una pregunta que no es la importante.
El ABC mide importancia económica, no comportamiento
Imagina dos productos clasificados como "A":
Producto A1: factura mucho porque se vende constantemente, todo el año, con demanda predecible.
Producto A2: factura mucho porque tiene un ticket medio alto, pero se vende solo 4 veces al año, en momentos puntuales.
Ambos son "A" en tu ERP. Y ambos reciben la misma política de stock: punto de reorden, cobertura de seguridad, frecuencia de revisión.
¿El resultado? El producto A1 se gestiona bien. El producto A2 acumula stock que no se mueve durante meses. Capital inmovilizado disfrazado de buena gestión.
El caso inverso: productos "C" críticos
El reverso del problema es igual de real. Un producto clasificado como "C" porque factura poco puede ser:
Un componente crítico para cerrar pedidos grandes (sin él, no entregas).
Una referencia con lead time largo (si rompes stock, tardas semanas en reponer).
Un producto con margen alto, aunque baja rotación.
Tratado como "C", recibe poca atención y stock mínimo. Cuando rompe, el coste real (cliente perdido, pedido cancelado, urgencia para reponer) es enorme. Pero el ERP no lo ve, porque solo mira facturación.
Por qué el ABC sobrevive (a pesar de no funcionar bien)
Si el ABC clásico tiene estos problemas, ¿por qué sigue siendo el estándar?
1. Es simple de calcular. Cualquier ERP genera un reporte ABC en segundos. Solo necesita histórico de ventas y facturación.
2. Da una sensación de control. Tres categorías ordenadas dan la impresión de que el inventario está bajo gestión, aunque la lógica subyacente sea débil.
3. Hasta hace poco, no había alternativa práctica. Segmentar 5.000 referencias por comportamiento de demanda era inviable manualmente. Habrías necesitado un equipo de analistas dedicado o una consultora externa.
Pero el contexto ha cambiado. Las plataformas de IA aplicada a procurement permiten hoy hacer en minutos lo que antes requería meses. El ABC no se mantiene por ser bueno. Se mantiene por inercia y por falta de alternativas accesibles.
La alternativa: segmentación por comportamiento de demanda
El cambio mental clave es este:
No clasifiques productos por cuánto facturan. Clasifícalos por cómo se comportan.
Cuando observas el patrón real de demanda de cada referencia (frecuencia, regularidad, estacionalidad, predictibilidad), aparecen tres categorías que no tienen nada que ver con el ABC clásico:
1. Productos de alta rotación (demanda predecible)
Son productos que se venden de forma constante, con patrones identificables. La demanda es regular, las series temporales son estables, y los modelos de forecasting funcionan bien con ellos.
Ejemplo: un consumible industrial que se vende 50 unidades a la semana, con poca variación.
Cómo gestionarlos:
Modelos de forecasting estadísticos o de machine learning para predecir demanda futura.
Punto de reorden dinámico, calculado según lead time real y variabilidad.
EOQ (Economic Order Quantity) para optimizar el balance entre coste de pedido y coste de almacenaje.
Cobertura de stock ajustada al nivel de servicio objetivo.
Aquí, la inteligencia artificial añade valor real: cuanto mejor predigas, menos stock necesitas para mantener el mismo nivel de servicio.
2. Productos de baja rotación (demanda esporádica)
Son productos que vendes pocas veces, sin patrón claro. Pueden pasar semanas o meses sin movimiento, y de repente aparecer un pedido.
Ejemplo: un repuesto industrial que se pide 3-4 veces al año, sin estacionalidad detectable.
Aquí los modelos de forecasting no funcionan bien, porque no hay patrón que predecir. Insistir en aplicarles forecast es perder tiempo y precisión.
Cómo gestionarlos:
Stock de seguridad mínimo, dimensionado al riesgo de ruptura, no a la demanda esperada.
Sistema de estados (saludable → alerta → aplazado → ruptura) que monitoriza el stock disponible y dispara compras solo cuando es necesario.
Decisiones basadas en criticidad y lead time, no en facturación.
Revisión periódica para detectar si un producto está pasando a obsoleto.
El objetivo aquí no es predecir mejor. Es controlar el riesgo sin acumular capital innecesariamente.
3. Productos bajo demanda (compra contra pedido)
Son productos que solo entran al almacén cuando hay una orden de venta confirmada. No mantienes inventario preventivo.
Ejemplo: producto personalizado, configurable, o de muy baja rotación con lead time aceptable.
Cómo gestionarlos:
Cero stock preventivo.
La compra al proveedor se dispara con la confirmación del pedido del cliente.
Lead time del proveedor controlado y comunicado al cliente final.
Negociación con proveedor para reducir el lead time si es factor crítico.
Esta categoría es la que más capital libera cuando se identifica bien. Muchas empresas tienen productos que están manteniendo en stock "por si acaso" que en realidad podrían moverse a esta lógica.
Tres categorías, tres lógicas, tres decisiones distintas
Aquí está el cambio fundamental: no es que un modelo de gestión sea mejor que otro. Es que cada categoría requiere un modelo distinto.
Aplicar política de "alta rotación" a un producto de baja rotación → capital inmovilizado. Aplicar política de "baja rotación" a un producto de alta rotación → rupturas constantes. Aplicar política uniforme (ABC clásico) a todos → ambos errores a la vez, en proporciones que ni siquiera ves.
Por qué la IA cambia las reglas del juego
Hace 5 años, segmentar 5.000 referencias por comportamiento de demanda real era inviable para la mayoría de empresas. Habrías necesitado:
Un equipo de analistas durante meses para revisar producto a producto.
Una consultora externa con coste de seis cifras.
Mantener la segmentación actualizada manualmente, lo que la convertía en estática a las pocas semanas.
Por eso el ABC sobrevivió: era lo único factible.
Hoy, las plataformas de IA aplicadas a supply chain hacen este trabajo de forma automática y recurrente:
Analizan el histórico de ventas de cada referencia.
Detectan patrones (regularidad, estacionalidad, esporadicidad).
Asignan automáticamente cada producto a una categoría.
Aplican la política de gestión adecuada.
Recalculan periódicamente, porque el comportamiento de los productos cambia.
Lo que antes era un proyecto de meses, ahora es un proceso continuo en segundo plano. Y eso permite algo que antes era impensable: gestionar cada referencia con la lógica que le corresponde, no con una política uniforme heredada del ABC.
Conclusión: el problema no es predecir mejor, es decidir diferente
La clasificación ABC clásica responde a una pregunta del siglo pasado: ¿qué productos facturan más? Es una buena pregunta para hacer informes, pero una mala pregunta para gestionar inventario.
La pregunta correcta es: ¿cómo se comporta cada producto, y qué política tiene sentido aplicarle según ese comportamiento?
Cuando cambias la lógica de "todos los productos se gestionan igual" a "cada producto tiene su propia lógica según cómo se comporta", liberas capital, reduces rupturas y aumentas el nivel de servicio. Sin comprar más. Sin predecir mejor. Solo decidiendo diferente.
Si tu empresa gestiona más de 1.000 referencias y aún aplica políticas uniformes, probablemente tienes capital inmovilizado que no estás viendo y rupturas que se podrían evitar.
👉 Reserva una sesión de 30 minutos y hacemos un scanner de stock: analizamos tu situación real y te decimos, sin rodeos, dónde está el capital atrapado y qué rupturas son evitables.
Sin presentaciones genéricas. Sin promesas vacías. Solo números.