Pronóstico de ventas con IA: 9 trampas

Ayer no podía despegarme del ordenador. Cuando levanté la cabeza, eran las ocho y media de la tarde. Llevaba unas tres horas sentado solo en la planta de arriba.

Le estaba enseñando a un agente de IA que puede trabajar de forma autónoma con datos y código. La tarea: un pronóstico de ventas a corto plazo — una vista predictiva de los pedidos e ingresos entrantes.

El plan era simple.

Darle al agente los datos, las campañas, el contexto, y dejar que prediga los pedidos para los próximos treinta días, cada mañana. Y enseñarle a entender por qué el número aterriza donde aterriza en un día concreto.

Decidí construir esto de forma más robusta de lo que este resultado en particular estrictamente requiere. La razón va más allá de una sola predicción. Una vez que el agente entienda de qué se compone el ingreso — la cola de una temporada, un empujón a corto plazo, una caída inesperada, el efecto de campañas que se solapan — se abre todo un campo de posibilidades sobre en qué más puedo ponerlo a trabajar.

Una cosa estuvo clara desde el principio. No basta con lanzarle al agente un montón de números. Para que el resultado sea útil, tiene que entender las conexiones entre ellos. Tiene que poder responder "si esa campaña de temporada no estuviera activa, ¿cómo se vería el gráfico?". Tiene que decir "este pico de mitad de mes lo esperamos porque hay una campaña de retención que termina en dos semanas". Tiene que responder preguntas de tipo qué pasaría si y devolver simulaciones creíbles.

El objetivo está claro.

Un paso más hacia el estado cuando tu agente de IA se une al equipo. Llevar al agente a un nivel donde otra persona pueda decir "vale, tú te encargas de esto, yo me dedico a otra cosa". No es fácil.

LA PRIMERA VERSIÓN INGENUA

La posición de partida era esta. El almacén de datos guarda agregados diarios de pedidos. La herramienta de gestión de proyectos almacena las campañas con etiquetas, fechas de inicio y fin, tipos. El plan de marketing proporciona supuestos de crecimiento interanual.

Se lo di al agente y produjo una fórmula:

baseline(2026-D) = actual(2025-D, weekday-aligned)
forecast(2026-D) = baseline × growth_target × campaign_multiplier

El multiplicador (el número por el que multiplicas la línea base para reflejar el impacto de una campaña) lo sacó del historial. Un día en el pico de una campaña concreta tenía históricamente cierto múltiplo de ingresos comparado con el estado en el que no había campañas activas. Un múltiplo distinto para festividades de temporada.

A primera vista parecía decente. Lo bastante cerca como para merecer afinarse. Empecé a construir un panel para poder visualizar el resultado mientras lo afinaba.

Cuando le pedí que explicara la lógica y visualizara los datos, empezó una batalla de varias horas.

RONDA 1 — ¿POR QUÉ MIS MULTIPLICADORES DE PERFIL MENTÍAN?

Una de las campañas el modelo la marcó como la más fuerte. Eso estaba mal.

Le escribí: "Eso está completamente fuera. Esta semana temática es una de las más débiles. La otra campaña que corre en paralelo tiene un impacto mucho mayor."

El problema estaba en la línea base (el estado de referencia contra el que se mide el impacto de una campaña). El multiplicador se calculaba como la proporción entre (la mediana de los días en los que la campaña corría) y (la mediana de los otros días). Pero "los otros días" incluían otras campañas paralelas. La línea base estaba artificialmente inflada. La atribución del lift (el incremento de ingresos asignado a una campaña) estaba distorsionada en ambas direcciones — algunas campañas sobrevaloradas, otras infravaloradas, dependiendo de qué otras campañas estaban corriendo durante sus días inactivos. En los periodos de solapamiento — que son la mayor parte del año — la atribución estaba completamente fuera.

Después de que protestara, el agente reescribió la definición de línea base como "mediana de los días en los que no había ninguna campaña push corriendo". Pero el resultado no era adecuado como punto de partida para el análisis. Había pocos días limpios. Para algunos mercados y días de la semana no tenía ni cinco ejemplos. Las campañas se solapan casi de forma continua.

RONDA 2 — ¿POR QUÉ LA ATRIBUCIÓN PUBLICITARIA ES SOLO LA PUNTA DEL ICEBERG?

Luego vino el intento de añadir más contexto. Impacto medible de la campaña a través de la atribución publicitaria (asignar pedidos a un anuncio concreto) — conversiones desde las plataformas publicitarias.

El agente no pudo interpretarlo correctamente otra vez.

Le escribí: "Pero no tuviste en cuenta la tasa de consentimiento. Cuánta gente rechaza las cookies."

A través de las plataformas publicitarias solo se empareja una parte de los pedidos. El resto pasa por clientes sin consentimiento que rechazaron las cookies — no aparecen en las plataformas publicitarias, pero sí aparecen en los registros de pedidos. El agente sabía de esta brecha, pero no la incluyó en el método de predicción.

Tras el recálculo los números de las campañas subieron a valores más realistas.

Y enseguida nos topamos con otra capa.

RONDA 3 — ¿CÓMO CAMBIA LA COMUNICACIÓN EN EL SITIO LAS TASAS DE CONVERSIÓN?

Le escribí: "Una campaña no tiene impacto solo a través de los anuncios. Cuando una campaña aparece en la web, la conversión sube para todo el que llega, no solo los clics desde anuncios. Incluyendo los que vienen de referencias de búsqueda, directos, y así."