espanolEl analisis de series de tiempo es una de las herramientas mas utilizadas para hacer predicciones basandose en los datos del pasado. En este trabajo se desarrollo una metodologia de pronostico escalable que supera las dificultades del analisis tradicional de series de tiempo, utilizando nuevas herramientas y estructuras de datos computacionales que facilitan la integracion con las aplicaciones empresariales y disminuye la curva de aprendizaje necesaria para obtener buenos pronosticos. La metodologia consta de cinco etapas: (1) Importar datos desde la nube o el dispositivo del usuario, (2) Ordenar y transformar, (3) Visualizar (4) Modelar automaticamente y validar resultados, y (5) Comunicar pronosticos obtenidos mediante un reporte automatizado. La metodologia se utilizo en un caso aplicado considerando diez series de tiempo de indices de ventas reales de comercio minorista en Colombia, mostrando mejoras apreciables con un promedio de disminucion del error de pronostico medio absoluto (MAPE) del 50.56%. EnglishTime series analysis is one of the most used tools to forecast based on past data. This work develops a scalable forecasting methodology that attempts to overcome the difficulties of traditional time series analysis; utilizing new computational tools and data structures that facilitate integration with business applications and reduce the learning curve needed to obtain right forecasts. The methodology consists of five phases: (1) Importing data directly from the cloud or the user’s device, (2) Tidying and transforming, (3) Visualization, (4) Automatically model and validate the results, and (5) Communicate the obtained forecasts with an automated report. The methodology was used in an applied case considering ten time series from real retail sales indexes in Colombia, showing appreciable improvements with an average decrease on the Mean Absolute Percentage Error (MAPE) of 50.56%.