Demand & Supply Planners
Profesionales que buscan migrar de Excel hacia pipelines automatizados y reproducibles en Python, con mayor grado de precisión.
Inicia el 9 de noviembre de 2026
Forecasting para Supply Chain con Python
Domina desde los modelos estadísticos clásicos (SARIMA, SARIMAX, Holt-Winters, Prophet) hasta modelos de machine learning (Random Forest, XGBoost, CatBoost) aplicados a la planificación de demanda e inventarios.
24 horas12 sesiones en vivo (Zoom)
4 semanasInicio: 9 noviembre 2026
PrácticoCasos de estudio reales
Clases en vivo por Zoom
Grupo de Telegram de por vida
Casos de estudio LatAm
Contacto directo: WhatsApp +507 6280-1526
Contexto y visión
Introducción al curso
En el entorno volátil y competitivo de América Latina, la precisión en los pronósticos de demanda deja de ser una tarea puramente estadística para convertirse en la palanca financiera principal de la cadena de suministro. Un error sistemático genera excesos de inventario (capital de trabajo inmovilizado) o roturas de stock (pérdida de ventas y penalizaciones por nivel de servicio OTIF).
Este curso aborda la brecha entre los modelos tradicionales de hojas de cálculo y la analítica moderna en Python, mediante casos de estudio reales de empresas latinoamericanas. Aprenderás a automatizar, evaluar y escalar pipelines de pronóstico utilizando frameworks de última generación.
Objetivo general
Capacitar al profesional para diseñar, implementar y validar pipelines end-to-end de pronóstico de demanda en Python, integrando técnicas estadísticas clásicas con algoritmos de machine learning y reconciliación jerárquica, para la toma de decisiones estratégicas y operativas en Supply Chain.
Al terminar podrás
Objetivos específicos
- Dominar el data wrangling con Pandas, la visualización analítica con Matplotlib y Seaborn, y la segmentación estratégica ABC/XYZ.
- Implementar modelos estadísticos clásicos: SARIMA, SARIMAX, Prophet, Holt y Holt-Winters.
- Desarrollar modelos de machine learning avanzados: regresión lineal, árboles de decisión, Random Forest, XGBoost y CatBoost.
- Aplicar métricas de negocio (MAPE, WAPE, RMSE, BIAS) y conectar el pronóstico con el cálculo de safety stock y reabastecimiento.
Requisitos previos
Nivel intermedio: manejo básico de Python y pandas, y familiaridad con notebooks. No se requiere experiencia previa en series de tiempo ni en machine learning.
Para quién es
A quién está dirigido
Data Scientists y analistas
Analistas cuantitativos que desean especializarse en las particularidades de Supply Chain: jerarquías, intermitencia y costo del error.
Líderes de S&OP y logística
Gerentes y jefes de área que requieren entender técnicamente las capacidades del machine learning para liderar proyectos analíticos exitosos.
Impacto
¿Por qué este curso transforma tu carrera y tu empresa?
Reducción directa de costos de inventario
Un incremento del 1% en la precisión del pronóstico puede reducir hasta un 5% los costos de almacenamiento y obsolescencia.
Tecnología state of the art
Aprenderás librerías modernas como statsforecast y mlforecast, desarrolladas por la comunidad global de series temporales, incluyendo la experiencia Nixtla.
SKUs intermitentes y jerárquicos
Tratamiento especializado para repuestos o productos de baja rotación, donde los métodos tradicionales fallan estrepitosamente.
Código reutilizable en tu empresa
Saldrás con plantillas de Jupyter Notebooks listas para conectar a tus fuentes de datos: PostgreSQL, Snowflake, CSV o Excel.
Nivel intermedio · 24 horas lectivas
Temario oficial del curso
Cuatro módulos de seis horas cada uno: de los modelos clásicos y Prophet hasta XGBoost y CatBoost. Pulsa cada módulo para ver el detalle.
- Rol estratégico del forecasting en la planificación de la demanda y alineación S&OP.
- Tipos de modelos de pronóstico: causales, estadísticos, machine learning e híbridos.
- Data wrangling con Pandas: limpieza, agregación temporal, remoción de outliers e imputación de valores faltantes.
- Visualización de demanda: gráficos explicativos y exploratorios con Matplotlib y Seaborn.
- Segmentación ABC/XYZ: clasificación de productos por volumen y valor de ventas (ABC) y por variabilidad y predecibilidad de la demanda (XYZ).
- Métricas clave de evaluación de error: MAPE, WAPE, RMSE y BIAS (sesgo del pronóstico).
- Introducción y manipulación de datos multiserie (SKU × almacén × cliente).
# Stack: Python, Pandas, Matplotlib, Seaborn, NumPy
# Segmentación: ABC (Pareto) + XYZ (Coeficiente de Variación CV)
- Suavizamiento exponencial: modelo Holt (tendencia) y Holt-Winters (tendencia y estacionalidad).
- Modelos estadísticos univariados y estacionarios: SARIMA.
- Incorporación de variables explicativas exógenas: SARIMAX.
- Modelado de tendencia y estacionalidad con componentes aditivos y multiplicativos usando Prophet.
- Evaluación formal de estacionalidad, tendencia y patrones cíclicos en la demanda.
- Criterios de selección automática del modelo óptimo por SKU o categoría.
from statsmodels.tsa.statespace.sarimax import SARIMAX
from statsforecast.models import Holt, HoltWinters, AutoARIMA
from prophet import Prophet
- Transformación de series de tiempo a aprendizaje supervisado: lags, rolling means, variables de calendario y promociones.
- Regresión lineal: baseline supervisado y coeficientes explicativos.
- Árbol de decisión: reglas explícitas e interpretabilidad.
- Random Forest: ensamble bagging para mitigar el sobreajuste.
- XGBoost y CatBoost: boosting de alto rendimiento para multiserie masiva con variables categóricas.
- Integración de alto rendimiento con Python y Polars para procesamiento acelerado.
- Diagnóstico de residuales, validación temporal cruzada (backtesting) y control de sobreajuste.
from sklearn.linear_model import LinearRegression
from sklearn.ensemble import RandomForestRegressor
import xgboost as xgb
import catboost as cb
- Forecasting integrado de demanda y requisitos de abastecimiento (requisition planning).
- Optimización de inventarios y cálculo dinámico de stock de seguridad según la variabilidad del pronóstico.
- Simulación de escenarios (what-if analysis) para promociones, quiebres de stock y disrupciones.
- Construcción de dashboards de resultados y storytelling analítico para la gerencia de operaciones.
# Safety Stock = Z * sqrt(LeadTime * Var_Demanda + Demanda^2 * Var_LeadTime)
Cronograma oficial · 1 mes
Diseñado para profesionales activos en LatAm
Del 9 de noviembre al 4 de diciembre de 2026. Cuatro semanas con una intensidad de tres días por semana y dos horas por sesión: 24 horas lectivas directas en vivo, más talleres y prácticas en Python.
Opción A
Lunes, miércoles y viernes
Desde el lunes 9 de noviembre
Opción B
Martes, jueves y sábados
Desde el martes 10 de noviembre
Horario tarde / noche
18:30 a 20:30 (GMT-5 / GMT-6)
En vivo por Zoom
Resumen semanal de aprendizaje
6 horas lectivas
Fundamentos, data wrangling y ABC/XYZ
- Rol estratégico del forecasting en demanda y S&OP
- Data wrangling con Pandas y visualización con Matplotlib/Seaborn
- Segmentación ABC/XYZ de productos e inventarios
- Métricas de error: MAPE, WAPE, RMSE y BIAS
6 horas lectivas
Modelos clásicos y series temporales
- Suavizamiento exponencial: modelos Holt y Holt-Winters
- Modelos estadísticos: SARIMA y SARIMAX con covariables
- Componentes de tendencia y estacionalidad con Prophet
- Selección automática del modelo óptimo por SKU
6 horas lectivas
Forecasting avanzado con machine learning
- Feature engineering: lags, rolling stats y calendario
- Regresión lineal y árboles de decisión
- Modelos de ensamble: Random Forest, XGBoost y CatBoost
- Aceleración con Polars y backtesting cruzado
6 horas lectivas
Aplicaciones en Supply Chain
- Planificación de demanda y reabastecimiento
- Cálculo dinámico de stock de seguridad (safety stock)
- Simulación de escenarios de mercado (what-if)
- Dashboard de resultados y storytelling analítico
Acreditación oficial
Ejemplo de certificado digital
Al completar satisfactoriamente las 24 horas lectivas en vivo por Zoom, la resolución de casos de estudio y los proyectos prácticos, se otorga el certificado digital verificado.
Forecast Latam
Certificado de aprobación y excelencia
Se otorga el presente diploma a
Nombre del participante
Por haber culminado con éxito el programa ejecutivo especializado de 24 horas lectivas en vivo por Zoom sobre
“Forecasting para Supply Chain con Python: Modelos Clásicos y Machine Learning”
Naren Castellón
Naren Castellón Instructor del curso y especialista
Sello oficial
Documento digital verificable
Qué acredita
Un respaldo verificable de tu especialización
Deja constancia de que completaste un programa ejecutivo de 24 horas lectivas en vivo, con casos de estudio reales de la industria latinoamericana.
Digital y verificable
Con código único de validación.
24 horas lectivas
Acreditadas en vivo por Zoom.
Programa detallado
Modelos clásicos y machine learning.
Listo para LinkedIn
O para adjuntar a tu hoja de vida.
Requisitos para obtenerlo
Completar las 24 horas lectivas, resolver los casos de estudio asignados y entregar los proyectos prácticos de cada módulo.
Inversión
Costos de inscripción
Todas las opciones incluyen acceso a las 12 sesiones en vivo por Zoom, casos de estudio prácticos, grabaciones completas y acceso de por vida al grupo privado de Telegram.
Preventa (Early Bird)
Hasta el 15 de octubre o primeros 15 cupos
$310USD
- Inicio: 9 de noviembre de 2026
- Sesiones 100% en vivo por Zoom
- Grupo de Telegram de por vida
- Casos de estudio reales LatAm
- Certificado digital de finalización
Precio regular
Tarifa estándar posterior a la preventa
$350USD
- Inicio: 9 de noviembre de 2026
- Sesiones 100% en vivo por Zoom
- Grupo de Telegram de por vida
- Casos de estudio reales LatAm
- Certificado digital de finalización
Grupal / Corporativo
A partir de 3 participantes por empresa
$290USD / pers.
- Descuento especial: $290 por persona
- Inicio: 9 de noviembre de 2026
- Grupo de Telegram de por vida
- Factura fiscal corporativa
El programa inicia el 9 de noviembre de 2026. La preventa cierra el 15 de octubre de 2026 o al completar los primeros 15 cupos, lo que ocurra primero. Pagos en USD vía tarjeta o transferencia.
Asegura tu cupo en la preventa
Arrancamos el 9 de noviembre de 2026: cuatro semanas, 24 horas en vivo y un repositorio de código que te llevas para aplicarlo en tu propia operación.