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 a predecir pedidos.

El plan era simple.

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

Decidí construir esto de forma más robusta de lo que este resultado en particular requiere. La razón es esta. Una vez que el agente entienda de qué se componen los ingresos (qué causó la estacionalidad, qué una campaña a corto plazo, qué una caída inesperada, y qué efecto tuvieron las 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 darle 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 por una campaña de retención que termina en dos semanas". Tiene que responder preguntas de tipo qué pasaría si y saber atribuir los pedidos a circunstancias concretas o a actividades de marketing.

El objetivo está claro.

Llevar al agente a un nivel en el que alguien que hace las previsiones de pedidos en la empresa diga "vale, de esto se encarga la máquina, yo me dedico a otra cosa". No es fácil.

LA PRIMERA VERSIÓN INGENUA

Si le dices a una IA que quieres predecir pedidos y le das las fuentes de información para ello, probablemente no saldrá bien. La IA programará algo, algo que parece experto, pero al mirarlo de cerca descubres que así no funciona.

Lo probé. Le di a la IA la fuente de datos básica: cuántos pedidos llegaron en el pasado. Acceso a la herramienta de proyectos donde están las actividades de marketing y las campañas. Y del plan de marketing tenía los supuestos de crecimiento interanual de los ingresos.

Se lo di al agente de IA y creó 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 se multiplica 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 frente a los días sin campaña. Un múltiplo distinto para las festividades de temporada, y así sucesivamente.

A primera vista el resultado parecía bastante bueno. Suficiente para afinarlo. Empecé a construir un panel para poder visualizar el resultado mientras lo ajustaba.

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

RONDA 1: ¿POR QUÉ MIS MULTIPLICADORES MENTÍAN?

El modelo marcó una de las campañas como la más fuerte. Era un error.

Le escribí: "Eso está completamente fuera. Esta semana temática es 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 con el que se mide el impacto de una campaña). El multiplicador se calculaba como la proporción entre (la mediana de los días en que la campaña estaba activa) y (la mediana de los demás días). Pero "los demás días" incluían otras campañas paralelas. La línea base estaba artificialmente inflada. La atribución del incremento de ingresos a cada campaña estaba distorsionada en ambas direcciones: algunas campañas sobrevaloradas, otras infravaloradas, según qué otras campañas estaban activas, ya fuera al mismo tiempo o en los días anteriores o posteriores. En los periodos de solapamiento de campañas, que son la mayor parte del año, la atribución no tenía ninguna lógica.

Después de que protestara, el agente redefinió la línea base como "mediana de los días sin ninguna campaña push activa". Pero el resultado no servía como punto de partida para el análisis. Había pocos días limpios. Para algunos periodos, campañas y días de la semana no había 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. El impacto medible de la campaña a través de la atribución publicitaria (asignar pedidos a un anuncio concreto), las conversiones de las plataformas publicitarias.

Una vez más, el agente no supo interpretarlo bien.

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

A través de las plataformas publicitarias solo se emparejan una parte de los pedidos. El resto procede de clientes sin consentimiento que rechazaron las cookies: no aparecen en las plataformas publicitarias, pero sí en el número total de pedidos. El agente conocía esta diferencia, 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 cosa.

RONDA 3: ¿CÓMO CAMBIA LA COMUNICACIÓN EN LA WEB LAS TASAS DE CONVERSIÓN?

Le escribí: "Una campaña no tiene impacto solo a través de los anuncios. Cuando se comunica en la web, la tasa de conversión sube para todos los que llegan, no solo para los que hicieron clic en un anuncio. También para los que llegaron de forma orgánica, desde Google, directos (visitantes que escribieron la dirección ellos mismos), y así."