Análisis predictivo: qué puede anticipar tu empresa y con qué datos

El análisis predictivo es de las pocas cosas en el mundo de los datos que se explica en una frase y aun así se compra mal: usar el histórico de la empresa para estimar qué va a pasar y decidir antes de que pase. Cuántas unidades venderás en octubre, qué clientes están a punto de irse, qué máquina va a parar la semana que viene. No hay magia; hay datos ordenados, un modelo estadístico y —esta es la parte que casi nadie presupuesta— un proceso que sepa qué hacer con la predicción cuando llega.

Esta guía va de eso. Qué es realmente el análisis predictivo y en qué se diferencia del cuadro de mando que ya tienes, qué datos hacen falta antes de que nadie hable de modelos, qué tres casos concentran el 80 % del valor en empresas medianas, cómo se mide si el modelo sirve o solo es bonito, cuánto tarda y cuándo la respuesta honesta es «esto todavía no».

¿Qué es el análisis predictivo y en qué se diferencia del BI?

Un cuadro de mando responde a qué pasó. El análisis predictivo responde a qué va a pasar y, si está bien montado, a qué conviene hacer al respecto. Es una diferencia de intención, no de tecnología: los dos beben de las mismas tablas.

La forma más útil de ordenarlo es por niveles:

• Descriptivo. Ventas del trimestre, roturas de stock del mes, bajas de clientes. Es lo que da el business intelligence y es el suelo de todo lo demás.
• Diagnóstico. Por qué cayeron las ventas: mix de producto, canal, zona. Sigue siendo mirar hacia atrás, pero con causas.
• Predictivo. Con este histórico y estas variables, la demanda del mes que viene estará en torno a X, con este margen de error.
• Prescriptivo. Dado ese pronóstico y tus restricciones —capacidad, coste de almacén, plazos de proveedor—, esta es la cantidad que conviene pedir.

Casi todas las empresas que nos piden análisis predictivo están en el primer nivel y creen estar en el segundo. Eso no es un problema: es información. Si el histórico no está consolidado, el modelo no tiene de dónde aprender, y lo que ahorras saltándote ese paso lo pagas con intereses en la fase de «los números no cuadran».

Otro matiz que evita disgustos: el análisis predictivo no adivina rupturas. Aprende de patrones pasados, así que funciona bien mientras el futuro se parezca razonablemente al pasado. Un cambio normativo, un competidor nuevo o una crisis de suministro rompen el modelo, y eso no es un fallo del modelo: es su naturaleza. Por eso se monitoriza y se reentrena, no se instala y se olvida.

Un modelo predictivo no te dice el futuro. Te dice qué es lo más probable según lo que ya te ha pasado, y con cuánta incertidumbre. Quien te venda certezas no está vendiendo estadística.

¿Qué datos hacen falta de verdad?

Aquí es donde se decide el proyecto, mucho antes que en la elección de algoritmo. La checklist mínima que aplicamos antes de aceptar un caso:

• Histórico suficiente. Como referencia práctica: dos o tres ciclos completos del fenómeno. Para demanda con estacionalidad anual, dos o tres años. Para churn en suscripción mensual, 18-24 meses. Con seis meses de datos y estacionalidad fuerte, el modelo aprende ruido.
• Granularidad correcta. Si quieres predecir por referencia y almacén, necesitas el histórico por referencia y almacén, no el agregado mensual de la compañía. Bajar de nivel después es imposible; agregar siempre se puede.
• La variable objetivo bien definida. ¿Qué es exactamente «cliente que se fuga»? ¿Noventa días sin comprar? ¿Baja formal? Dos definiciones distintas dan dos modelos distintos, y esta discusión es de negocio, no de técnica.
• Eventos que explican los saltos. Promociones, cambios de precio, roturas de stock, campañas, festivos. Sin ellos, el modelo interpreta como patrón lo que fue una oferta puntual y repite el error el año siguiente.
• Trazabilidad temporal. Saber en qué momento se conoció cada dato. Es el error más caro y más silencioso: entrenar con información que en el momento de la predicción real todavía no existía. El modelo saca resultados excelentes en la prueba y se hunde en producción.
• Un identificador que aguante el cruce. Si el mismo cliente aparece tres veces con tres códigos, el churn que midas será ficción. Esto es gobierno del dato puro y duro, y suele ser la mitad del trabajo real.

Nada de esto exige un lago de datos ni una plataforma nueva. Exige que alguien pueda responder de dónde sale cada cifra y que ese origen no cambie cada trimestre. La conclusión de fondo es la de siempre: primero los datos, después la IA.

¿Qué casos de análisis predictivo funcionan en empresas medianas?

Tres familias concentran la mayor parte del valor conseguido. No porque sean las más sofisticadas, sino porque el dato existe y la decisión asociada está clara.

| Caso | Qué predice | Qué necesita | Decisión que dispara | |---|---|---|---| | Previsión de demanda | Unidades por referencia y periodo | 2-3 años de ventas, calendario, promociones, precios | Compras, producción, nivel de stock | | Riesgo de fuga de clientes | Probabilidad de baja en N días | Histórico de pedidos o consumo, incidencias, contactos | Acción comercial priorizada | | Mantenimiento predictivo | Probabilidad de fallo o ventana de intervención | Historial de averías, horas de uso, señales de sensor si las hay | Orden de trabajo antes de la parada | | Previsión de tesorería | Cobros y pagos esperados | Facturación, comportamiento real de pago por cliente | Necesidad de financiación, calendario | | Scoring de oportunidades | Probabilidad de cierre | CRM con histórico de ganadas y perdidas | Dónde pone el foco el equipo comercial |

Un par de precisiones sobre los tres primeros, que son los que más se piden.

Previsión de demanda. El error típico es evaluar el modelo contra el histórico y celebrar. Lo que importa es compararlo con lo que ya hacíais: la previsión del comercial, la media de los tres últimos meses, el mismo mes del año pasado. Si el modelo no mejora esa línea base, no aporta, por mucho que la gráfica ajuste bien.

Fuga de clientes. Predecir bajas es la parte fácil; lo difícil es que la lista llegue a alguien con tiempo y argumento para actuar. Un listado semanal de veinte cuentas en riesgo, con el motivo principal y el comercial asignado, vale más que un modelo un 5 % más preciso que nadie mira. Aquí el valor está en la integración con las herramientas donde ya trabaja el equipo.

Mantenimiento predictivo. Es el caso con mejor retorno y peor dato de partida. Muchas empresas tienen las averías apuntadas en papel, en un correo o en la cabeza del jefe de taller. Si ese es tu punto de partida, el primer proyecto no es un modelo: es registrar bien las intervenciones durante unos meses. Es menos vistoso y es lo que hace posible todo lo demás.

¿Cómo se sabe si un modelo predictivo sirve?

Con una regla incómoda: el modelo se juzga contra la decisión, no contra la métrica estadística. Un 92 % de acierto no significa nada si no sabes qué hacías antes ni cuánto cuesta cada tipo de error.

Cuatro cosas que exigir a cualquier proveedor, interno o externo:

• Línea base explícita. Qué precisión tenía el método actual sobre el mismo periodo. Sin ese número, cualquier resultado suena bien.
• Validación temporal. Entrenar con datos hasta cierta fecha y evaluar con los meses siguientes, simulando lo que se sabía en cada momento. Evaluar mezclando periodos infla los resultados.
• Coste asimétrico del error. En stock, quedarte corto y pasarte no cuestan lo mismo. En mantenimiento, una falsa alarma cuesta una revisión; un fallo no detectado cuesta una línea parada. El modelo debe optimizar el coste real, no el error medio.
• Explicación de por qué. Qué variables pesan en cada predicción. No por transparencia teórica: porque es lo que hace que el responsable de compras o el comercial se fíe y actúe.

Y una métrica que se olvida siempre: cuántas de las predicciones acabaron en una acción. Si el modelo acierta y nadie hace nada distinto, el retorno es cero. Es la misma causa de fondo que explica por qué fracasan los pilotos de IA: el problema casi nunca es el algoritmo, es el proceso que debía consumirlo.

¿Cuánto tarda y qué ruta seguir?

Un primer caso de análisis predictivo, en una empresa mediana con datos razonablemente ordenados, cabe en un trimestre. Esta es la secuencia que usamos:

| Semanas | Qué se hace | Resultado | |---|---|---| | 1-2 | Definir la decisión a mejorar, la métrica y la línea base actual | Caso en una página, con dueño | | 3-5 | Extraer y consolidar el histórico; auditar huecos y calidad | Dataset reproducible y documentado | | 6-8 | Primer modelo y validación temporal contra la línea base | ¿Mejora o no? Respuesta con número | | 9-11 | Llevar la predicción a la herramienta donde se decide | Listado o campo dentro del ERP/CRM | | 12-13 | Medir el uso real y las acciones tomadas | Decisión: escalar, ajustar o parar |

Dos notas de presupuesto. La primera: entre el 50 % y el 70 % del esfuerzo se va en las semanas 3 a 5, no en el modelo. Si una propuesta dedica dos días a los datos y tres semanas al algoritmo, está mal planteada. La segunda: presupuesta el mantenimiento. Un modelo en producción necesita monitorización de desviación y reentrenamiento periódico; sin eso, se degrada calladamente y en un año está tomando decisiones peores que la media móvil que sustituyó.

¿Cuándo NO conviene meterse en análisis predictivo?

Decir que no a tiempo es parte del trabajo. Señales claras de que toca esperar:

• No hay una decisión concreta detrás. «Queremos predecir cosas» no es un caso. Si nadie va a cambiar de comportamiento con el resultado, no lo hagas.
• El histórico no llega a un ciclo completo. Sin estacionalidad observada, no hay nada que aprender.
• El fenómeno acaba de cambiar de reglas. Nueva línea de producto, nuevo mercado, nuevo modelo de precios: el pasado ya no representa al futuro.
• El volumen no justifica el esfuerzo. Si decides cinco veces al año y cada decisión la puede razonar bien una persona, un modelo es un lujo. Automatizas donde hay repetición.
• Nadie mantendrá el dato. Si el registro de averías o el CRM se llenan a medias, el modelo heredará esos huecos.

En varios de estos casos el siguiente paso correcto no es predictivo, sino ordenar lo descriptivo o automatizar el proceso que genera el dato. Menos brillante en una reunión, mucho más rentable a doce meses.

Preguntas frecuentes

¿Cuántos datos históricos necesito para empezar?

Depende del ciclo del fenómeno, no de un número absoluto de filas. Como referencia práctica: dos o tres ciclos completos. Con estacionalidad anual eso son dos o tres años; en procesos con ciclo semanal puede bastar con seis meses bien registrados.

¿Necesito contratar a un científico de datos en plantilla?

Para un primer caso, no. Tiene más sentido validar con apoyo externo si el caso aporta valor y dejar documentado el proceso. La incorporación en plantilla se justifica cuando hay tres o cuatro modelos en producción y el mantenimiento se vuelve trabajo continuo.

¿Es lo mismo análisis predictivo que inteligencia artificial?

El análisis predictivo es una rama de la IA, la más antigua y la más comprobable: entra un histórico estructurado y sale un número con su margen de error. Se confunde a menudo con la IA generativa, que produce texto y resuelve problemas muy distintos.

¿Cómo evito que el modelo se degrade con el tiempo?

Monitorizando dos cosas: si los datos de entrada cambian de forma respecto a los de entrenamiento y si el error real crece mes a mes. Con esos dos indicadores en un panel y un reentrenamiento programado, la degradación se detecta antes de que afecte a decisiones.

Si estás dudando entre previsión de demanda, fugas o mantenimiento —o si sospechas que el problema real es que el histórico no está en condiciones—, eso es justo lo que resuelve la auditoría: mirar datos y procesos reales para salir con un caso priorizado, una línea base medible y los descartes por escrito. Si prefieres contrastarlo antes en media hora de conversación, hablemos.