M8 fue construido
desde adentro de la industria.

No por un equipo de software que descubrió el problema de forecasting en una encuesta. Por alguien que lo vivió, lo estudió, y construyó la herramienta que necesitaba.

Un problema que ninguna
herramienta resolvía bien.

Trabajando en planeación de demanda, el patrón era siempre el mismo: un ERP que aplicaba el mismo modelo a todo el catálogo. Los demand planners pasaban la mitad de la semana ajustando manualmente los números que el sistema no acertaba.

La solución estándar era comprar una herramienta más cara. Pero las herramientas caras tenían el mismo problema de fondo — tratar todos los SKUs igual — solo con mejor UI y más capas de configuración.

M8 nació de una hipótesis concreta: si segmentas primero, los modelos funcionan mejor. No hace falta un algoritmo de IA misterioso. Hace falta la pregunta correcta antes de modelar.

Ocho reglas de clasificación. Quince algoritmos en competencia. Backtesting real por SKU. El resultado fue un sistema que el equipo de planeación realmente usa — porque los números son explicables y defendibles.

8 Reglas de segmentación de demanda en el árbol de decisión
15 Algoritmos estadísticos evaluados por cada SKU
~80% Reducción típica en overrides manuales del equipo de planning
48h Para tener el análisis de segmentación de tu catálogo

Por qué M8 es diferente
a una herramienta de software.

📊
Construido por un practitioner
M8 no fue diseñado en un laboratorio. Fue construido para resolver un problema real, con datos reales, en operaciones industriales y de retail. Cada decisión de diseño tiene una razón de negocio detrás.
🔍
Código auditable
A diferencia de los SaaS de forecasting que operan como cajas negras, M8 está escrito en Python y el cliente puede ver exactamente qué modelo ganó, por qué, y con qué métricas. Defendible ante el CFO.
📚
Base académica sólida
Los 15 algoritmos de M8 están publicados en la literatura de forecasting de series de tiempo. No hay "magia de IA" — hay estadística robusta bien aplicada al dominio de supply chain.

Cómo pensamos
sobre el forecasting.

01
Segmentar antes de modelar
El modelo correcto depende del tipo de demanda. Aplicar un modelo sin clasificar primero el SKU es como prescribir sin diagnosticar.
02
Backtesting, no suposición
El modelo ganador se elige en los datos históricos reales del SKU — no por configuración global ni por intuición del analista.
03
Explicabilidad sobre complejidad
Un forecast que el equipo no puede explicar es un forecast que nadie va a usar. M8 muestra el modelo asignado y las métricas de cada SKU.
04
Flagear lo que no se sabe
Los SKUs sin señal estadística clara no reciben un modelo forzado — reciben un flag para revisión manual. La honestidad estadística es parte del producto.

De la frustración al motor.

PROBLEMA IDENTIFICADO
Un modelo para todo el catálogo
Trabajando en planeación de demanda, el patrón se repite: ERP con un solo algoritmo para SKUs completamente distintos. El equipo compensa con overrides manuales masivos.
HIPÓTESIS
La segmentación como paso previo
Primeras pruebas del árbol de decisión M8: clasificar cada SKU por tipo de demanda antes de asignar modelos. El error de forecast baja, los overrides manuales también.
DESARROLLO
Pipeline Python + 15 modelos
Construcción del motor completo: DataLayer → SegmentationEngine → BacktestEngine → ForecastPipeline. Todos los parámetros centralizados en ForecastConfig. Primeras pruebas con catálogos reales.
VALIDACIÓN
Farmatodo y retail industrial
M8 aplicado sobre catálogos de más de 800 SKUs en retail farma. Distribución de segmentos validada. Modelos ganadores consistentes con expectativas teóricas. MAPE por segmento documentado.
HOY
Motor disponible para tu operación
M8 está listo para correr sobre tu catálogo. El análisis de segmentación gratuito es la mejor forma de ver los resultados en tus propios datos antes de cualquier decisión.

¿Hablamos sobre tu catálogo?

Cuéntame el tamaño de tu catálogo y tu problema actual de forecasting. Te respondo en menos de 24 horas con un plan concreto.

Solicitar análisis gratuito