El stock de seguridad es el inventario extra que mantienes para absorber la diferencia entre lo que pronosticas y lo que realmente pasa. Es el colchón que te permite seguir vendiendo cuando la demanda se dispara o un proveedor se retrasa.

Lo que está en juego en ambos extremos está bien documentado. Un estudio de Harvard Business Review de Corsten y Gruen estimó el costo de los quiebres de stock en alrededor del 4% de las ventas anuales de un retailer típico — y encontró que casi un tercio de los compradores que encuentran el anaquel vacío simplemente compran el producto con un competidor. Pero si tienes demasiado, el costo de mantener inventario — capital, almacenaje, seguros, obsolescencia — suele rondar el 15–25% de su valor al año. El stock de seguridad es la perilla entre esas dos pérdidas, así que merece algo mejor que una corazonada.

Por qué falla la regla de “semanas de cobertura” fija

Muchos equipos fijan el stock de seguridad con una regla plana — “siempre tres semanas”. El problema es que no todos los productos se comportan igual. Un SKU estable y de alto volumen casi no necesita colchón, mientras que uno errático puede variar muchísimo de una semana a otra. Aplicar la misma regla a ambos sobre-abastece los productos fáciles y deja cortos los riesgosos — capital estacionado donde no hay riesgo, quiebres donde sí lo hay.

Dimensiónalo desde la variabilidad y el tiempo de entrega

Un mejor punto de partida liga el colchón a dos cosas que sí puedes medir:

Variabilidad de la demanda — cuánto se aleja la demanda real del pronóstico.
Tiempo de entrega (lead time) — cuánto tarda el reabasto y qué tan confiable es.

La fórmula clásica escala un factor de nivel de servicio (Z) por la desviación estándar de la demanda durante el tiempo de entrega:

Stock de seguridad = Z × σ(demanda) × √(lead time)

Z sale directo de la distribución normal y codifica el nivel de servicio que quieres proteger — la proporción de ciclos de reabasto que superas sin quiebre de stock:

Nivel de servicio	Factor Z
90%	1.28
95%	1.64
98%	2.05
99%	2.33
99.9%	3.09

Una sutileza que los libros de texto pasan rápido: si pronosticas, la σ que va en la fórmula es la desviación estándar de tu error de pronóstico, no de la demanda cruda. Lo que estás amortiguando es lo que tu pronóstico no ve — la estacionalidad predecible no debería inflar el colchón.

Un ejemplo con números

Supón un SKU que vende 100 unidades por semana en promedio, con variabilidad semanal de σ = 30 unidades, y un proveedor que entrega confiablemente en 4 semanas. Para un nivel de servicio del 95%:

SS = 1.64 × 30 × √4 = 98 unidades — aproximadamente una semana de demanda.

¿Quieres 99%? Sustituye Z = 2.33 y el colchón salta a 140 unidades. Mismo producto, mismo proveedor — lo único que cambió es cuánto riesgo decidiste cubrir.

Cuando el lead time también varía

Los proveedores reales no son metrónomos, y la variabilidad del lead time suele ser el riesgo mayor. La fórmula extendida — popularizada por Peter King en APICS Magazine — agrega un término para capturarla:

SS = Z × √( LT × σ²demanda + σ²LT × D² )

Toma el mismo SKU, pero ahora el lead time de 4 semanas del proveedor oscila ±1 semana (σLT = 1). Al 95% de servicio:

SS = 1.64 × √(4 × 30² + 1² × 100²) = 1.64 × √13,600 ≈ 191 unidades

Casi el doble de colchón — y los números de demanda no cambiaron en absoluto. Un solo proveedor poco confiable puede costarte más inventario que todo el ruido de tu demanda junto; por eso los lead times de tus proveedores merecen la misma disciplina de medición que tus ventas.

La trampa del nivel de servicio

Observa cómo crece Z: pasar de 95% a 99% infla el colchón 42%, y perseguir el 99.9% casi lo duplica. La protección se encarece exponencialmente conforme te acercas al 100% — por eso ASCM señala que las metas típicas de nivel de servicio están en el rango de 90–98% y recomienda fijar Z por grupo de productos, no globalmente: servicio alto en los productos A que generan tu ingreso, colchones más esbeltos en la cola larga.

La calidad del pronóstico lo cambia todo

Aquí está lo que muchos equipos pasan por alto: el colchón escala linealmente con el error de pronóstico. Reduce el error a la mitad y necesitas la mitad del stock de seguridad para el mismo nivel de servicio. McKinsey estima que el pronóstico con IA reduce los errores entre 20 y 50% — lo que se traduce directamente en 20–50% menos colchón en todo el catálogo: capital de trabajo liberado en silencio, sin tocar el servicio.

Esa es la lógica de combinar la planeación de demanda con Machine Learning con matemática de inventario por SKU: Forecast Studio recalcula los pronósticos cada noche, así que tus colchones pueden seguir a la realidad en lugar de a la hoja de cálculo del trimestre pasado. Y antes de confiar en cualquier número, mide tu error actual con WAPE o MAPE — no puedes dimensionar un colchón contra un error que no has cuantificado.

Conclusión

El stock de seguridad no es un número que fijas una vez. Es una cantidad por SKU, derivada de fórmulas, que debe ajustarse conforme cambian los patrones de demanda, la precisión del pronóstico y la confiabilidad de tus proveedores. Hazlo bien y dejas de pagar dos veces — una en ventas perdidas, otra en capital congelado.

¿Quieres ver cómo se ven tus colchones con tus propios datos? Agenda una demo gratuita y te mostramos Forecast Studio en acción en 30 minutos.

Fuentes: Corsten & Gruen, Stock-Outs Cause Walkouts, HBR · King, Crack the Code: Understanding safety stock, APICS Magazine · ASCM sobre stock de seguridad y niveles de servicio · NetSuite, costos de mantener inventario · McKinsey, AI-driven operations forecasting

Stock de seguridad: cuánto inventario de respaldo necesitas de verdad