Una previsión que nadie acordó usar es un informe. La analítica predictiva funciona cuando el modelo es dueño de una decisión, no de un panel.
Contenido8 secciones
Por qué las previsiones no se usan
Una previsión que no está ligada a ninguna decisión se produce, se distribuye y se ignora en silencio. Tres razones lo explican:
-
Estimaciones puntuales sin intervalo de confianza. "Las ventas del 3T serán de USD 4,2 millones" tomada como un hecho, llevando a compromisos excesivos cuando el rango real es de USD 3,4 a USD 5,0 millones.
-
Sin decisión específica vinculada. "La demanda del próximo trimestre será un 18% mayor" sin indicar si se debe contratar, ampliar capacidad o acumular inventario.
-
Cadencia equivocada. Previsión producida mensualmente cuando la decisión necesita actualizaciones semanales.
La analítica predictiva exitosa corrige las tres cosas: salidas probabilísticas, vinculadas a una decisión específica, en la cadencia de esa decisión.
La realidad de la precisión en 2026
Las competiciones públicas de previsión son lo más parecido a una referencia honesta, porque todos los métodos se evalúan sobre los mismos datos reservados. No cubren todos los casos, y donde terminan, la referencia es tu propia línea base previa al modelo:
| Caso de uso | Qué reportar | Qué dice la evidencia pública |
|---|---|---|
| Previsión de series temporales | MAPE o sMAPE, con intervalo | En M4 (100.000 series), el mejor método fue cerca de un 10% más preciso que una simple combinación de previsiones estadísticas (Makridakis et al., 2018) |
| Demanda por SKU | Error ponderado por ventas, tasa de rotura de stock | En M5, la mayoría de las 42.840 series de Walmart eran intermitentes, con ventas esporádicas y ceros |
| Calificación de leads, churn | AUC, más conversión o retención por tramo | Ninguna referencia pública se traslada; compara con tu propia línea base previa al modelo |
| Detección de fraude | Precisión y exhaustividad con un volumen de alertas fijo | La tasa base de tus propios datos decide qué es bueno |
De las competiciones se llevan dos lecciones. Una simple combinación de métodos estadísticos es difícil de superar: en M4 ninguno de los seis métodos de aprendizaje automático puro lo logró. Y la caída de precisión durante los cambios de régimen (tras una disrupción, lanzamientos de productos nuevos, giros del mercado) es real e inevitable. La postura honesta es ampliar los intervalos de confianza durante las transiciones, no fingir que el modelo antiguo sigue funcionando.
Tres primeros proyectos que son dueños de una decisión
1. Puntuación de riesgo de churn
Predice qué clientes tienen más probabilidades de cancelar en los próximos 30, 60 o 90 días. Guía el acercamiento proactivo de customer success.
El modelo: árbol de gradient boosting sobre variables de engagement (frecuencia de inicio de sesión, uso de funciones, sentimiento de los tickets de soporte, historial de pago).
La decisión: el 10% de cuentas con mayor riesgo recibe una conversación del CSM en menos de 5 días. Métrica: tasa de retención de las cuentas contactadas frente a las no contactadas en el decil superior.
2. Previsión de demanda de inventario
Predice la demanda por SKU, semana y ubicación. Guía el momento y la cantidad de reposición.
El modelo: Prophet o LSTM con variables de estacionalidad, festivos y promociones.
La decisión: reponer cuando la demanda prevista para las próximas 4 semanas supere el inventario más el pipeline en tránsito. Métricas: tasa de rotura de stock, costo de mantenimiento, ciclos de pedido.
3. Calificación de leads
Predice qué leads entrantes se convertirán en ingresos. Guía la priorización del SDR.
El modelo: regresión logística o árbol de gradient boosting sobre variables firmográficas y de comportamiento.
La decisión: el 30% mejor de los leads recibe contacto del SDR el mismo día; el 30% peor entra en una secuencia de nutrición; el 40% intermedio recibe contacto al día siguiente. Métrica: tasa de conversión por tramo, semanal, contra la línea de base previa al modelo. Si los tramos no se separan en conversión dentro de un trimestre, el score no lleva información y la regla de derivación debe volver al orden de llegada.
El mandato de los intervalos de confianza
Toda previsión en producción debe reportar:
- Estimación puntual (el valor más probable)
- Intervalo de confianza del 80% (P10 y P90)
- Intervalo de confianza del 95% (P2,5 y P97,5)
Las decisiones deben tomarse contra el intervalo, no contra el punto. "Necesitamos planificar para ingresos del 3T entre USD 3,4 millones y USD 5,0 millones" produce un comportamiento financiero distinto de "los ingresos del 3T serán de USD 4,2 millones".
Herramientas que manejan esto de forma nativa: Prophet (intervalos integrados), bibliotecas de predicción conformal (CrepeS, MAPIE), modelos bayesianos (PyMC, Stan). Evita modelos que producen estimaciones puntuales sin incertidumbre.
Cuándo usar qué
| Método | Cuándo | Ventajas | Desventajas |
|---|---|---|---|
| Regresión lineal | Línea base, pocos datos | Sencilla, interpretable | No capta patrones no lineales |
| Prophet | Serie temporal con estacionalidad | Fácil, robusto | Personalización limitada |
| ARIMA | Serie temporal estacionaria | Garantías estadísticas | Frágil ante cambios de régimen |
| Árboles de gradient boosting | Variables tabulares, clasificación | Alta precisión, interpretable | Complejidad operativa |
| Transformers | Secuencias largas, multimodal | Estado del arte en precisión | Caros de entrenar y servir |
| Ensemble (promedio de 3 a 4 modelos) | Cuando el riesgo es alto | El más robusto | 3 a 4 veces más cómputo |
El error es ir directo a los transformers. Empieza con Prophet o árboles de gradient boosting. Avanza solo si la precisión marginal justifica el costo operativo. Para poner cualquiera de los tres en producción, ver implementar modelos de ML.
Cómo detectar cambios de régimen temprano
Los modelos entrenados con datos pre-COVID fallaron a comienzos de 2020. Los cambios de régimen son reales y recurrentes.
Tres señales que los detectan temprano:
-
Residuos de la previsión con tendencia en una sola dirección. Si los valores reales quedan sistemáticamente por debajo de la previsión durante 4 o más periodos consecutivos, el régimen ha cambiado.
-
Drift en la distribución de las variables. Las principales variables de entrada se alejan de la distribución de entrenamiento. Herramientas: Evidently, Whylogs, Arize.
-
Señales externas. Eventos macro (cambios de tipo de interés, cambios de política), eventos sectoriales (lanzamientos de competidores, regulación) o eventos internos (cambio de precios, lanzamiento de producto) suelen preceder a los cambios de régimen.
La respuesta no es descartar el modelo, sino ampliar los intervalos de confianza y reiniciar la ventana de entrenamiento. Las previsiones durante las transiciones de régimen son apoyo a la decisión con alta incertidumbre, no orientación.
Un despliegue de analítica predictiva en 60 días
Semanas 1-2: elige la única decisión que la previsión guiará. Audita los datos existentes. Monta la línea base (Prophet o regresión lineal).
Semanas 3-4: entrena, valida sobre un conjunto de prueba, documenta la precisión con intervalos de confianza. Despliega como lote diario que produce previsión e intervalos.
Semanas 5-6: integra la previsión al flujo de decisión. Mide los resultados de las decisiones (¿el SDR llamó a los leads correctos? ¿la reposición alcanzó el nivel correcto?).
Semanas 7-8: itera sobre variables y modelo a partir de los resultados de las decisiones, no solo de la precisión. Configura el monitoreo de cambios de régimen.
Al día 60, el equipo tiene una previsión en producción guiando una decisión nombrada, con precisión documentada, intervalos de confianza y monitoreo de drift. La capa adyacente — surfacing de hallazgos vía LLM — vive en analítica con IA.
La conclusión
La analítica predictiva funciona cuando el modelo es dueño de una decisión específica, reporta intervalos de confianza y opera en la cadencia de esa decisión. Falla cuando las previsiones son estimaciones puntuales producidas para paneles que nadie lee. Empieza con la línea base (Prophet, regresión lineal) y con la decisión más pequeña posible (un tramo de riesgo de churn, la demanda de un solo SKU). Entrega en 60 días. Mide la calidad de la decisión, no solo la precisión de la previsión. Para traducir el resultado en dólares, ver medir el ROI de la IA.
Preguntas frecuentes
¿Cuál es la diferencia entre forecasting y analítica predictiva?
El forecasting es un tipo de analítica predictiva, centrado en la predicción de series temporales (ventas del próximo trimestre, demanda del próximo mes). La analítica predictiva es más amplia: incluye clasificación (este lead va a convertir), puntuación de riesgo (este cliente va a cancelar) y estimación de probabilidad (cuál es la probabilidad de fraude). Comparten metodología, pero responden preguntas distintas.
¿Por qué la mayoría de las previsiones de negocio no guían decisiones?
Tres razones: (1) la previsión se entrega como estimación puntual sin intervalos de confianza, así que las personas la toman como verdad incluso cuando la incertidumbre es enorme; (2) la previsión no está vinculada a una decisión específica - 'las ventas serán X' no le dice al área financiera si debe contratar o acumular inventario; (3) la previsión se produce mensualmente, pero la decisión la necesita semanalmente.
¿Qué modelo debo usar en mi primer proyecto de previsión?
Empieza con una línea base: regresión lineal con variables de estacionalidad o Prophet (biblioteca de previsión de Facebook). Una línea base simple es un rival serio: en la competición M4 ninguno de los seis métodos de aprendizaje automático puro superó a una simple combinación de previsiones estadísticas. Avanza a ARIMA, gradient boosting o transformers solo si la línea base es claramente insuficiente y la precisión marginal compensa la complejidad operativa.
¿Cómo manejo la caída de precisión tras un cambio de régimen?
Tres patrones: (1) detecta los cambios de régimen temprano mediante monitoreo de drift (cambio repentino en la distribución del objetivo o de las variables); (2) reinicia la ventana de previsión para usar solo datos posteriores al cambio, aceptando intervalos de confianza más amplios; (3) complementa los modelos estadísticos con previsiones humanas en ensemble durante las transiciones. Fingir que el modelo antiguo sigue funcionando es la opción más cara.
¿Cuándo compensan los modelos predictivos el costo operativo?
Cuando la previsión guía una decisión específica con asimetría de costo no trivial. La calificación de leads compensa si priorizar mal cuesta ingresos reales. La previsión de demanda de inventario compensa si la rotura de stock cuesta más que mantener el inventario. Los proyectos genéricos de 'predecir el futuro' sin una decisión específica vinculada no compensan el costo operativo - terminan como paneles sin uso.
