www.slimstock.

com

Simplificando la previsión
de la demanda y la
optimización de inventarios
Las empresas deben rentabilizar al máximo el uso de su capital para ser
competitivas en un mercado global. Les suena familiar, ¿verdad?
Desde hace varias décadas, fabricantes y distribuidores atribuyen a la
optimización de inventarios la máxima prioridad. Pero todavía es habitual
encontrar situaciones que aplican métodos basados en la intuición como
elementos de parametrización y cálculo para gestionar la demanda y los
stocks. En este artículo vamos a ver la importancia de emplear herramientas
específicas para esta especialidad tan relevante en la cadena de suministro.
 Simplificando la previsión de la demanda
y la optimización de inventarios

Las empresas deben rentabilizar al máximo el uso de su capital para ser competitivas en un mercado
global. Les suena familiar, ¿verdad?

Desde hace varias décadas, fabricantes y distribuidores atribuyen a la optimización de inventarios la

máxima prioridad. Pero todavía es habitual encontrar situaciones que aplican métodos basados en
la intuición como elementos de parametrización y cálculo en la optimización de inventarios.

En la mayoría de casos, la optimización de inventarios se considera un aspecto demasiado complejo

de abordar si se tiene que gestionar de forma poco automatizada o mediante hojas de cálculo (que
por cierto, siempre fallan en el momento más inoportuno). A ello hay que añadir la vorágine diaria a
la que se ven sometidos los planificadores, obligados a reaccionar más que a planificar. Y abordar
toda esta problemática con el ERP suele ser de gran complejidad, ya que su finalidad es cubrir la
gestión transaccional de la empresa.

Por definición, la optimización del inventario es la respuesta al equilibrio entre el nivel de servicio
deseado y del valor del stock necesario para cumplir con este nivel de servicio.

Una problemática común es que los equipos de ventas desean un nivel de servicio elevado en todos
los artículos del surtido, para minimizar así la venta perdida. Sin embargo, si tomamos como
definición de nivel de servicio el % de unidades que queremos servir directamente del stock o bien
el número de veces que vamos a entregar una línea de pedido en fecha y cantidad cuando nos la
solicitan, un valor cercano al 100% supondría en realidad un stock de seguridad muy elevado.
Veamos a continuación la curva de relación entre el nivel de servicio y el valor del stock: el valor del
stock crece exponencialmente según aumenta el nivel de servicio.

1
Consideremos el gráfico anterior: cualquier empresa que se encuentre por encima de la curva tiene
un valor en stock por encima del necesario para cumplir con el nivel de servicio definido. Esto arroja
dos realidades: por una parte, que con el nivel de inventario existente podemos dar un mejor nivel
de servicio, y por otra, que si consideramos que el nivel de servicio es el adecuado, podemos
cumplirlo con un menor nivel de inventario.

Siendo así de fácil y simple, ¿por qué las empresas encuentran dificultades en obtener estas
mejoras? Esto se debe en gran medida a que las prácticas para calcular los niveles de servicio e
inventario están basadas en la intuición y no en un enfoque numérico.

Las empresas clasifican los SKUs en categorías y cada categoría mantiene un determinado número
de semanas de cobertura. Esto significa que el nivel de stock de seguridad para cada SKU es igual a
la suma de las previsiones de la demanda proyectada de un determinado número de semanas.

No obstante, hay otros factores que también pueden influir en el cálculo del stock de seguridad. Por
ejemplo, una mejora importante se puede conseguir calculando el nivel de inventario por cada SKU
(Referencia-Almacén), haciendo así una operación más ‘objetiva’. Si tomamos como ejemplo un SKU
cuya demanda sigue un perfil de distribución normal, la fórmula aceptada por la mayoría de libros
de texto para determinar el stock de seguridad en una determinada ubicación es la siguiente:

Los factores utilizados en esta fórmula son los siguientes:

 Z : Valor tabulado según el nivel de servicio asignado al SKU

 : Plazo de entrega medio en días (sin unidad)
 σD : Variación de la demanda por día
 : Demanda media por día
 σPE : Variación en el plazo de entrega (sin unidad)

Veamos un sencillo ejemplo de cálculo aplicando la fórmula anterior en dos escenarios distintos:

Escenario 1:

Imaginemos un SKU con demanda media de 500 uds/día y una desviación media de 75 uds. El
proveedor que lo suministra tiene un plazo de entrega de 15 días y una desviación media del plazo
de entrega de 1 día. El nivel de servicio que hemos asignado a este SKU es del 95% (Z=1,645). En
este caso, aplicando la fórmula anterior para el cálculo del stock de seguridad obtendremos:

2
Escenario 2:

Disponemos para el mismo SKU de un proveedor más barato y que tiene el mismo plazo de
entrega. La única parte negativa es que es menos fiable que el anterior. La desviación en el plazo de
entrega para este proveedor es de 5 días. En este caso, aplicando la fórmula anterior para el cálculo
del stock de seguridad obtendremos:

La incertidumbre en el plazo de entrega tiene mayor impacto que la incertidumbre en la demanda.

Esto nos lleva a considerar que la fiabilidad en la entrega a la hora de seleccionar proveedores debe
tomarse como un factor de mayor importancia que el precio, ya que los costes encubiertos pueden
no justificar su elección.

Lo que ocurre al emplear modelos de cálculo del stock de seguridad basados en la experiencia,
intuición o en valores que ya pocos recuerdan porqué se usan, es que tienden a protegerse con un
número de unidades en stock más elevado de lo necesario. Además, no suelen tener la misma
valoración una rotura de stock que un exceso de stock. Para el planificador, la penalización en el
primer caso suele ser mucho mayor, mientras que para la empresa puede ser distinta, ya que
intervendrán otros factores según sea un artículo A, para un cliente A o ambos a la vez.

Pero no quedarse sin stock no es necesariamente una buena señal. Un buen indicador para evaluar
la fiabilidad del stock de seguridad es contabilizar el número de veces que se recurre al mismo. Si
nunca llega a usarse, probablemente tengamos un valor excesivo, en cuyo caso deberíamos
replantearnos los cálculos anteriores.

La importancia de una buena clasificación ABC

Los gestores de stock saben por dónde empezar cuando hay varias decenas de miles de referencias.
La clave en este caso es: segmenta y vencerás.

Una buena clasificación ABC es siempre el punto de partida para saber dónde concentrar el tiempo
y la energía. La mayor parte de los beneficios financieros procederán de ser capaces de contar con
el valor de inventario adecuado para los artículos A. Además, el planificador debe priorizar el
seguimiento de los artículos A frente al resto del surtido.

El camino a seguir para pasar del modelo basado en la intuición al modelo basado en fórmulas,
aunque fácil de implementar, sufre todavía algunas reticencias. Para las empresas que decidan
cambiar al modelo de cálculo del stock de seguridad, citamos algunos puntos a tener presentes:

3
  Evitar la falta de confianza en el resultado de una simple fórmula, “ya que mi negocio es
mucho más complejo”. Incluso en las empresas afectadas por un alto número de variables,
(ciclos de vida, promociones, sustituciones…), esta fórmula nos garantiza resultados
comprensibles y repetitivos, basados en datos y valores objetivos que proporcionarán al
planificador la base para el análisis de situaciones excepcionales.

 Tener siempre en mente el ahorro financiero que puede aportar: Reducción de los costes de
almacenaje, financieros, de transporte urgente o de reducción en la obsolescencia de
productos, entre otros.

 No requiere modificar los procesos de la empresa, ya que lo que estamos implementando

son mejoras aplicables al ámbito local del área de gestión de materiales.

 No supone un proyecto que requiera del rediseño del sistema de información existente. En
muchos casos se pueden obtener mejoras sustanciales con herramientas disponibles en el
mercado que han sido específicamente diseñadas para esta especialidad de la optimización
del inventario.

En resumen, a todos aquellos lectores que deseen abordar un proyecto de optimización del
inventario, recomendamos empezar con una regla básica: no es bueno pretender llegar muy lejos
con demasiada rapidez. Hemos visto que el simple cálculo del stock de seguridad con valores
objetivos traerá mejoras cuyo resultado es fácil de interpretar y revisar. En el caso de que haya que
gestionar grandes volúmenes de SKUs, existen sistemas de simulación y cálculo en el mercado
específicamente diseñados para ello. En este caso, la evaluación del retorno de la inversión del
proyecto es el indicador clave para justificar o no su implementación.

Para finalizar, hemos visto que es relativamente fácil aplicar la fórmula para el cálculo del stock de
seguridad. Sin embargo, ésta requiere disponer de valores relacionados con la demanda de los
productos. Vamos a refrescar por tanto este concepto de previsión de la demanda.

4
 Previsión de la Demanda
“Lo mejor es enemigo de lo bueno”

La previsión de la demanda ha generado en los últimos años intensos debates sobre cuál es el
mejor resultado usando sofisticados modelos estadísticos. Sin embargo, y aunque puede existir una
gran variedad de perfiles de consumo, la gran mayoría de ellos responden a los que aparecen a
continuación o presentan combinaciones de ellos:

Demanda regular en cantidad y frecuencia Tendencia elevada

Demanda regular en cantidad e irregular en frecuencia Estacional

Demanda con Picos irregulares Demanda irregular en Cantidad y Frecuencia

Los gráficos anteriores representan productos con demanda regular en cantidades y frecuencia, con
una clara tendencia al alza (lanzamiento del producto), con demanda regular en cantidad pero
irregular en frecuencia, estacional, con picos de demanda o erráticos en cantidad y frecuencia.

El primer paso para una buena gestión de la demanda es segmentar el surtido de productos. El
modelo de cálculo que se aplique debe depender del comportamiento de la demanda.

Algunos métodos de cálculo de previsiones de venta ampliamente conocidos son los siguientes:

5
  Suavizado Exponencial Simple
 Suavizado Exponencial Doble
 Regresión Lineal
 Media Móvil Simple
 Media Móvil Ponderada
 Regresión Lineal
 Método de Descomposición
 …

No se asuste, no vamos a describir todos y cada uno de ellos. Nos limitaremos en este artículo a
exponer brevemente el cálculo del Suavizado Exponencial Simple, por su facilidad de uso y por su
amplia aplicación en los sistemas de cálculo de previsiones.

El método de Suavizado Exponencial Simple (conocido también como Alisamiento

Exponencial o Suavización Exponencial Simple) es una de las metodologías más extendidas para
calcular las previsiones de demanda de artículos que siguen una distribución normal cuando se
dispone de una serie de datos temporales para poder estimar el comportamiento futuro. Su nombre
se debe a que cada incremento del pasado se reduce en (1 – α) por lo que se considera válido que
la importancia de los datos disminuye en la medida en que son más antiguos.

Para generar una previsión usando el método de Alisamiento Exponencial se requiere la previsión
más reciente, la demanda que se presentó para ese período y una constante de suavizado (α).

Ft = F (t-1) + α * [A (t-1) – F (t-1)]

La previsión calculada en el período t Ft será igual a la previsión del período anterior, t-1 (Ft-1) más
α por el error del período anterior (A t-1 – Ft-1). El valor del parámetro alfa puede oscilar entre 0 y 1.

Cuando el valor de alfa es relativamente bajo se reducen las variaciones de corto plazo asociadas a
la demanda, lo cual parece razonable cuando la demanda real tiene un comportamiento
relativamente estable. Por el contrario, cuando la demanda presenta cambios significativos en el
corto plazo, es mejor usar valores de alfa más elevados.

El método del Suavizado Exponencial presenta buenos resultados cuando el patrón de la demanda
no presenta ni tendencia ni estacionalidad. Sin embargo, si la serie de tiempo tiene una tendencia
creciente se tenderá a subestimar la demanda real y de forma análoga, cuando la demanda presente
una tendencia decreciente el Alisamiento Exponencial tenderá a sobrestimar el valor de la demanda
real.

6
Para mejorar la calidad de las previsiones en este tipo de artículos (que siguen una distribución
normal y presentan tendencia en la serie de tiempo) es aconsejable aplicar el método de Suavizado
Exponencial Doble, conocido también como Método de Holt Winters.

La tendencia es un incremento o decremento sistemático en el promedio de la serie a través del

tiempo. Luego, el método de Suavizado Exponencial Doble lo que busca es incorporar la tendencia
en una previsión del suavizado exponencial.

Todo lo explicado hasta ahora es perfectamente aplicable cuando el volumen de datos a emplear es
bajo. Es decir, cuando tenemos un número reducido de SKUs, 1 solo punto de stock o almacén y no
es necesario gestionar las promociones de productos. Pero este sería un entorno irreal.

Incluso aunque seamos partidarios de automatizar al máximo con herramientas de cálculo

avanzadas como Slim4 de Slimstock, es necesaria la supervisión del aprovisionador para que éste se
encargue de todas aquellas excepciones que puedan aparecer en la gestión de materiales, tales
como:

 Excepciones de Previsiones
 Excepciones de Compras / Fabricación
 Excepciones de Inventario
 Excepciones de error
 …o las configuradas por el usuario

Es necesario incorporar en los métodos de cálculo de previsiones factores como el patrón de la

demanda, estacionalidades y tendencias, entre otros. Slim4 de Slimstock, permite automatizar la
clasificación de los artículos según el patrón de la demanda y aplicar el método de cálculo más
apropiado para cada SKU, calculando y aplicando estacionalidades y tendencias a ese nivel.

Desviación de la demanda
“En teoría, la teoría y la práctica son iguales. En la práctica, no lo son.”

Por defecto, el lector debe asumir que las previsiones serán erróneas. Por ello es importante evaluar
la desviación entre lo que se estimó y lo que realmente sucedió o está sucediendo.

Técnicamente, el error de la previsión es una simple resta entre lo vendido y lo que estaba previsto
vender:

e = At - Ft

7
En esta fórmula:

 At es la demanda real en el período t

 Ft es la demanda prevista en el período t

La forma más habitual de tener una visión objetiva de la certeza de las previsiones de productos con
una demanda regular es a través de los indicadores MAD y la señal de rastreo (TS):

 MAD mide el error promedio de la previsión (en valor absoluto)

 La señal de rastreo (conocida también como Tracking Signal o TS) mide la desviación
de la previsión respecto a la variación de la demanda. Del mismo modo, se puede
interpretar como el número de MAD (Desviación Media Absoluta o Mean Absolute
Deviation) el hecho de que la previsión esté sobre o bajo la demanda real.
La fórmula que se utiliza para obtener la señal de rastreo es la siguiente:

En esta fórmula:

 At es la demanda real en el período t

 Ft es la previsión calculada en el período t
 n es el número de períodos

En la práctica, la señal de rastreo nos informa de que no estamos acertando en el cálculo de las
previsiones y que deberíamos revisar los parámetros de este SKU. Es crítico que el aprovisionador
pueda disponer de estos cálculos para tomar acciones al respecto y lo antes posible.

Veamos un ejemplo de cálculo muy didáctico donde se aplica la fórmula anterior:

At Ft Error Abs. Sumatorio Error N Sumatorio Señal de Rastreo

Período Demanda Previsiones ( At - Ft ) Error Absoluto MAD (At - Ft) Error N TS

Enero 200
Febrero 230
Marzo 260
1 Abril 160 220 60 60 60,00 -60 -60 -1,00
2 Mayo 260 213 47 107 53,50 47 -13 -0,24
3 Junio 240 237 3 110 36,67 3 -10 -0,27
4 Julio 260 240 20 130 32,50 20 10 0,31
5 Agosto 300 253 47 177 35,40 47 57 1,61
6 Septiembre 300 243 57 234 39,00 57 114 2,92
7 Octubre 350 290 60 294 42,00 60 174 4,14
8 Noviembre 240 323 83 377 47,13 -83 91 1,93
9 Diciembre 210 303 93 470 52,22 -93 -2 -0,04

8
En la práctica, cuando la señal de rastreo supera un determinado valor durante varios períodos
consecutivos, es recomendable revisar el comportamiento de la demanda de dicho artículo, ya que
lo que nos está indicando es que el sistema no logra acertar en el cálculo de la previsión. Slim4
calcula periódicamente este valor y, mediante la gestión de excepciones, avisa al planificador de las
desviaciones en la señal de rastreo por encima/debajo de un valor determinado.

Estacionalidad

Algunos productos presentan unos patrones de demanda que se reproducen cíclicamente. Algunos
ejemplos muy claros son las luces de Navidad, los bañadores, los helados o los abrigos. Menos
obvios son los productos cuya demanda puede variar durante el mes, la semana o el día. Por
ejemplo, el consumo de energía eléctrica a lo largo del día o el día de compra de carne fresca en el
supermercado a lo largo de la semana. Los picos de consumo eléctrico, por ejemplo, suelen ser de
lunes a viernes a primera hora de la mañana (entre las 6 y las 8 horas).

Para todos estos casos, un indicador útil y comúnmente utilizado es el índice estacional. El índice
estacional es una estimación de cuánto estará la demanda por encima o por debajo de la demanda
media del producto durante un período determinado.

Supongamos que la demanda media de un bañador de caballero es de 100 unidades al mes. Sin
embargo, en julio es de 175 y en septiembre de 35. Los índices estacionales de la demanda para los
meses de julio y septiembre son 1,75 (175/100) y 0,35 (35/100) respectivamente.

El período en este caso es mensual, pero puede ser diario, semanal o mensual dependiendo de la
base de la estacionalidad de la demanda.

La demanda media de todos los períodos es un valor que se calcula con la media de todos los
valores y al que también se le llama demanda desestacionalizada.

Veámoslo más claramente con un sencillo ejemplo: supongamos que las ventas de un producto son
las que se reflejan en la tabla inferior. No hay tendencia, pero se aprecia cierta estacionalidad. El
producto ha tenido unas ventas anuales de 400 unidades con una demanda media trimestral de
100 unidades.

Histórico de Ventas Estacional

Año Trimestre
1 2 3 4 total
1 122 108 81 90 401
2 130 100 73 96 399
3 132 98 71 99 400
Demanda Media 128 102 75 95 400

Índice Estacional 1,28 1,02 0,75 0,95 4

9
Los índices estacionales trimestrales se han calculado dividiendo la demanda del trimestre entre la
demanda media. Es decir, el índice estacional del Trimestre 1 es 1,28 (128/100).

Para tomar en consideración la estacionalidad calculada en las previsiones de venta, sigamos con el
ejemplo del producto anterior. Supongamos que las previsiones de venta para el próximo año
son 420 unidades. Para calcular las previsiones de venta trimestrales, teniendo en cuenta la
estacionalidad, operaremos de la siguiente forma:

Demanda media trimestral = 420/4 = 105 unidades

Previsiones:
1er Trimestre = 105 x 1,28 = 134,4 uds
2er Trimestre = 105 x 1,02 = 107,1 uds
3er Trimestre = 105 x 0,75 = 78,75 uds
4er Trimestre = 105 x 0,95 = 99,75 uds

Una vez más, no parecería complicado si lo que estamos gestionando son unas centenas de SKUs.
Pero si tenemos que trabajar con miles, deberemos dedicar mucho tiempo a los cálculos y tenemos
alta posibilidad de error usando herramientas ofimáticas. Slim4 calcula de forma periódica la
estacionalidad y aplica los índices estacionales a las previsiones de venta de forma completamente
automática.

Gestión de Promociones
Uno de los factores más desestabilizantes y perturbadores en la cadena de suministro son las
promociones de productos.

Las promociones presentan dificultades en muchos aspectos: en el cálculo de las previsiones, en las
entregas o en los efectos colaterales como la canibalización de productos. Pueden además aparecer
roturas de stock (o ventas perdidas) si las previsiones han sido pesimistas. Esto provocará pérdida
de beneficios en el corto plazo y, lo que es más dañino, la potencial pérdida del cliente al que
hemos obligamos a buscar productos sustitutivos de otras marcas. Si las previsiones han sido
demasiado optimistas, por el contrario, corremos el riesgo de generar pérdidas debido a la
caducidad u obsolescencia de los productos promocionados.

A todo ello hay que añadir que las promociones de productos de larga duración provocarán
el fenómeno conocido como Promotion Post Dip Effect. Esto quiere decir que una promoción del 3x2
en pasta dentífrica no hará que usemos más pasta a diario, solo hará que tardaremos más en
comprar de nuevo. Eso sí, puede que el cliente decida que, aprovechando la oferta, también es el

10
momento de cambiar de cepillo de dientes. Otro ejemplo de este efecto es una promoción de
refrescos de cola que consigue aumentar las ventas de patatas fritas.

Pero más allá de las consideraciones sobre el impacto positivo o negativo que pueden aportar las
promociones, es conveniente tener en cuenta algunos puntos:

En primer lugar, es necesario identificar y separar de las ventas normales aquél incremento de
ventas que se haya debido a la promoción. Para ello, en principio, hay que aplicar 2 acciones:

 Dividir las ventas en 2 categorías: normal y promocional

 Generar un histórico de la demanda, diferenciando los períodos donde se ha
producido demanda promocional de la demanda regular

En segundo lugar, hay que realizar el seguimiento del impacto de las promociones en la demanda.
Al tener separadas las promociones de la demanda normal, el seguimiento es mucho más fácil. Solo
habrá que examinar la diferencia entre la demanda actual y las previsiones de base calculadas.

La precisión de las previsiones de la promoción puede también obtenerse comparando las

previsiones calculadas para la promoción con la demanda actual. Esta segmentación permite evaluar
el resultado de las promociones y permitirá eliminar incidentes recurrentes, como ocurre en general
con las proyecciones muy optimistas. Al mismo tiempo, permite analizar las promociones por grupo
de productos y diferenciar las promociones rentables de las que no lo son.

Pueden darse situaciones contraproducentes y difíciles de detectar si no tenemos las promociones

correctamente identificadas en el sistema. Veámoslo con un ejemplo:

Se detecta una disminución en los beneficios generados por un grupo de productos. Sin embargo,
las ventas se han mantenido en los mismos niveles. El análisis revela que las promociones realizadas
sobre algunos productos del grupo han provocado un incremento en sus ventas, en detrimento de
otros productos del mismo grupo. La trampa está en que los productos que se pusieron en
promoción tenían márgenes de beneficio inferiores, lo que ha provocado una disminución en el
beneficio global generado por todo el grupo de productos.

En tercer lugar, es necesario utilizar modelos cuantitativos para calcular la previsión de las
promociones. Para refrescar la memoria: los modelos cuantitativos son modelos de cálculo que se
basan en datos históricos que se supone que son relevantes para el futuro.

Y finalmente, siempre que sea posible, analizar los resultados obtenidos. El beneficio de hacer este
análisis es que algunos factores que afectan la demanda como el precio, la posición en el lineal o el
embalaje, se conocerán con antelación y podrán aplicarse a promociones futuras.

11
 Simulaciones What-If
En general, uno de los valores más difíciles de obtener cuando abordamos el análisis en una
empresa es el valor del nivel de servicio. Ya hemos visto que este valor tiene un fuerte impacto en el
cálculo del stock de seguridad.

Siendo este un valor estratégico, es necesario poder demostrar la variación en los niveles de stock y
su coste según la elección realizada. Es una funcionalidad ampliamente utilizada en los sistemas
actuales: disponer de capacidades de simulación de distintos escenarios para la toma de decisiones.

Veamos el siguiente ejemplo de un SKU con los siguientes datos logísticos:

 Plazo de entrega : 15 días

 Frecuencia de pedido: 7 días
 Cantidad mínima de compra : 2.000 unidades
 Demanda media mensual : 9.800 unidades
 Precio de compra unitario : 1,36€

¿Cuál es el nivel de stock de seguridad para distintos niveles de servicio ?

Mediante los procesos de simulación de Slim4 obtenemos en segundos los siguientes resultados:

Simulación Nivel de Servicio vs Stock de Seguridad

Nivel de Servicio Stock de Seguridad (uds) Stock de Seguridad

90 1141 1.552 €
95 1710 2.326 €
97 2084 2.834 €
98 2359 3.208 €
99 2793 3.798 €
99,99 5016 6.822 €

12
Mediante la funcionalidad de simulación, se ofrece al aprovisionador valores objetivos calculados en
segundos por Slim4 y que deben ayudar a la toma de decisiones empresariales como la definición
del nivel de servicio.

Conclusión

Este whitepaper pretende mostrar al lector de forma generalista alguno de los puntos más
importantes para mejorar la previsión de la demanda y la optimización del inventario. Los puntos
que abordamos, y muchos otros como la cantidad óptima de compra, la optimización de las
órdenes de compra según formato de embalaje o el importe mínimo de compra (portes pagados,
llenado de contenedores...), están disponibles en Slim4 de Slimstock, resultado de 25 años de
presencia en el mercado y con más de 750 clientes en todo el mundo.

Aunque la mayoría de conceptos serán conocidos por el lector, su aplicación en la gestión diaria se
hace difícil si no se dispone de las herramientas informáticas que lo soporten. La implementación y
uso adecuado de Slim4 en las empresas aporta, entre otros, los siguientes beneficios:

Publicado por Slimstock, líder en previsión de la demanda y optimización de inventarios

Desde 1993, Slimstock es sinónimo de la mejor previsión de demanda, una gestión de stock más
eficiente, un análisis claro del inventario y un stock fiable. Tenemos más de 750 clientes en todo
el mundo que incluyen grandes, medianas y pequeñas empresas.
Infórmate sobre cómo podemos ayudarte llamándonos al 902 876 961 o vía www.slimstock.com

13