Análisis predictivo

El análisis predictivo es la disciplina que usa datos históricos, modelos estadísticos y machine learning para estimar la probabilidad de eventos futuros. En lugar de mirar solo lo que ya pasó, responde la pregunta "qué es probable que ocurra": qué cliente está por irse, qué producto se va a quedar sin stock, cuánto va a vender una sucursal el mes que viene.

A diferencia de un reporte tradicional, que describe el pasado, un modelo predictivo aprende patrones a partir de cientos de variables y devuelve una probabilidad o un valor estimado para cada caso individual. Esa es la base de cosas como el lead scoring, el forecast de ventas o el mantenimiento predictivo.

En la práctica, llevar el análisis predictivo a la operación diaria depende de tener los datos limpios, integrados y accesibles en un solo lugar, que es justamente la capa de analítica y datos que ordena Metrix. Sin datos confiables, ningún modelo predice bien: la calidad del pronóstico nunca supera la calidad de los datos que lo alimentan.

Cómo funciona, paso a paso

El análisis predictivo no es magia ni una bola de cristal: es un proceso disciplinado que sigue siempre la misma secuencia. Entender esos pasos ayuda a separar el valor real del humo.

1. Definir la pregunta de negocio. No se empieza por el algoritmo sino por la decisión: a quién llamo primero, cuánto stock pido, qué cliente está en riesgo. La variable que se quiere predecir se llama objetivo o target.
2. Reunir y preparar los datos. Se consolidan datos históricos de las fuentes relevantes (CRM, ventas, ERP, web) y se limpian. Esta etapa de ETL y data quality suele llevar la mayor parte del tiempo del proyecto.
3. Entrenar el modelo. Un algoritmo de machine learning busca patrones entre las variables de entrada (las features) y los resultados conocidos del pasado. Aprende, por ejemplo, que un cliente que dejó de abrir emails y bajó su frecuencia de compra tiende a darse de baja.
4. Validar y medir. Se prueba el modelo contra datos que nunca vio para confirmar que generaliza y no solo memorizó el pasado. Acá se mide la precisión: un modelo que acierta el 90% en entrenamiento pero el 55% en datos nuevos no sirve.
5. Poner en producción y monitorear. El modelo se conecta al flujo de trabajo (marca leads, dispara alertas, ajusta el pronóstico) y se vigila en el tiempo, porque el comportamiento real cambia y el modelo se degrada si no se reentrena.

Descriptivo, predictivo y prescriptivo: tres niveles distintos

El análisis predictivo es uno de tres escalones de madurez analítica. Confundirlos es el error más común en las conversaciones de negocio: pedir "analítica predictiva" cuando en realidad se necesita un buen tablero descriptivo, o viceversa.

El descriptivo mira por el espejo retrovisor; el predictivo mira por el parabrisas; el prescriptivo agarra el volante. Lo importante: no se puede predecir bien sin antes describir bien. Una empresa con datos desordenados que salta directo a modelos predictivos suele obtener pronósticos poco confiables.

Por qué importa para una empresa en Argentina

En un contexto de alta inflación y demanda volátil, anticiparse vale plata concreta. Algunos usos que ya están al alcance de empresas medianas en LATAM:

• Predicción de churn: detectar qué clientes B2B están por irse y activar al equipo de customer success antes de perder el contrato.
• Forecast de demanda y reposición: estimar cuánto se va a vender por SKU y sucursal para evitar el quiebre de stock sin sobre-stockear capital inmovilizado.
• Lead scoring: ordenar los leads entrantes por probabilidad de cierre para que los vendedores ataquen primero los de mayor intención.
• Cobranza y riesgo: priorizar gestiones de cobranza según la probabilidad de pago, útil cuando el capital de trabajo es caro.

Un ejemplo concreto

Una distribuidora de consumo masivo en Buenos Aires tenía faltantes recurrentes en sus productos estrella y, a la vez, depósitos llenos de mercadería que rotaba poco. Con un modelo predictivo de demanda alimentado por dos años de ventas, estacionalidad, promociones y feriados, pasó de pedir "por intuición" a estimar la venta semanal por SKU y depósito. El resultado típico que reportan estos proyectos, según benchmarks de la industria, es una reducción de quiebres junto con menos capital inmovilizado, aunque el número exacto siempre depende del caso.

Errores comunes que conviene evitar

• Saltear la calidad del dato. Es el error número uno. Un modelo entrenado con datos sucios o incompletos produce predicciones que parecen serias pero están mal. Garbage in, garbage out.
• Confundir correlación con causalidad. Que dos cosas ocurran juntas en los datos no significa que una cause la otra. El modelo detecta patrones, no explica el porqué.
• Perseguir la precisión perfecta. Ningún modelo acierta el 100%; el análisis predictivo da probabilidades, no certezas. La meta es decidir mejor que sin el modelo, no adivinar el futuro.
• No reentrenar. Un modelo que predecía bien hace un año puede estar obsoleto hoy si cambió el contexto. Sin monitoreo se degrada en silencio.
• Predecir sin actuar. Una predicción que no cambia ninguna decisión no genera valor. El paso prescriptivo (qué hago con esto) es donde se captura el retorno.