Para elegir un forecast estacional, primero defino qué necesito decidir: cuánto comprar, qué promo planificar o cuántos clientes volverán. Comparo 3 métodos según los datos disponibles, el horizonte y el error de sus pronósticos.
Mi comparación rápida:
| Método | Datos que necesito | Decisión que apoya |
|---|---|---|
| Regresión | Ventas, precios, promos, pauta y stock | Precios y presupuesto |
| Series con eventos | Historial y calendario comercial | Stock y preparación de pedidos |
| Cohortes | ID de cliente y compras por fecha | CRM y reposición por recompra |
En Argentina, ajusto el calendario al hemisferio sur y separo unidades de ingresos en ARS para no confundir inflación con demanda. Antes de usar el resultado, reviso quiebres de stock, pruebo el modelo con datos pasados y lo comparo con una referencia estacional simple.
<u>Pronosticar un pico no demuestra qué lo causó.</u> Para medir ventas adicionales por una campaña, necesito un experimento o una comparación con controles válidos.
Forecast estacional para e-commerce: qué método elegir
Alineá ventas, precio efectivo, descuentos, publicidad y disponibilidad de stock por fecha y producto. Registrá también cómo funciona cada promo: cupón, envío gratis o financiación. Para separar la demanda base del efecto promocional, necesitás variación real en precios y promos. : vender menos por falta de inventario no es lo mismo que tener menos demanda.
Trabajá con SKU por canal y región cuando haya suficientes ventas. Si un producto tiene baja rotación, agrupalo por categoría y atributos compartidos. Usá datos diarios para reposición y campañas cortas, y semanales para compras y presupuesto. El modelo funciona mejor cuando el precio, la promo y la pauta están definidos antes de hacer el pronóstico.
Incluí el precio y el descuento actuales, sus rezagos y medias móviles de 7 y 28 días. Para publicidad, sumá acumulados o una transformación que refleje el efecto arrastre de la pauta (adstock). Separá los períodos previos, activos y posteriores a cada promoción: así podés reflejar compras adelantadas y posibles caídas después de la promo. Elegí las ventanas mediante validación, no por costumbre.
Agregá interacciones para que una misma acción pueda tener distintos efectos según la temporada:
descuento × mes,publicidad × eventoytemperatura × categoría, esta última solo en categorías sensibles al clima.
En esas categorías, usá temperatura en °C y datos de lluvia de la región atendida. Incluí solo interacciones con suficientes observaciones para evitar el sobreajuste, y usá estas variables donde la promo cambie la curva de demanda.
Para compras, proyectá unidades; para promos, margen y costo publicitario. Cada variable debe estar disponible al momento de predecir. Usá pauta planificada y pronóstico meteorológico, no datos que todavía no existen.
Recalibrá el modelo al ritmo de los cambios en promos y catálogo: semanal o mensual. Evaluá su desempeño con validaciones móviles y medí el error por categoría y promo.
Si las fechas comerciales explican más que el precio, pasá a un modelo con eventos explícitos.
Cuando el calendario comercial explica la demanda mejor que el precio, usá series temporales con eventos. A diferencia de la regresión, el motor principal es el calendario, no las variables externas. Estos modelos separan tendencia, estacionalidad recurrente y eventos con fecha. Así, no confunden un pico comercial con un crecimiento permanente de la demanda. Eso sí: detectar una respuesta a una promoción no prueba causalidad si no controlás otros factores.
Necesitás una serie continua y varias temporadas comparables para distinguir tendencia, estacionalidad y eventos. Cargá una tabla de eventos con su tipo, fechas, cobertura y próximas ocurrencias. Si un evento no figura en el horizonte del pronóstico, el modelo no lo proyecta.
En catálogos amplios, proyectá primero por categoría y después bajá a SKU. Para lanzamientos, usá productos comparables. Esa base te permite distinguir qué eventos mueven la demanda y cuáles solo la acompañan.
Separá los eventos por tipo: promociones cortas, liquidaciones, lanzamientos y beneficios permanentes.
Una promo de 24 horas es un pulso; el envío gratis sostenido, un cambio de nivel.
Si coinciden varias acciones, registralas por separado. Si siempre van juntas, no atribuyas un efecto individual a cada una.
Usá el pronóstico diario para dimensionar la preparación de pedidos, la atención y los despachos durante las campañas. El semanal sirve para planificar compras y reposición con menos urgencia. Pedí una estimación central y un rango: un evento nuevo o un descuento sin antecedentes exige más cautela, no una cifra que parezca exacta.
Mantené un calendario comercial centralizado y recalculá cuando cambien las fechas, la duración o los productos incluidos. Al revisar los resultados, separá el error de demanda de las fallas de ejecución, como pausas de campaña, caídas de medios de pago o restricciones logísticas. Si la recompra pesa más que el calendario, el siguiente paso son los modelos por cohortes.
Cuando la retención explica más demanda que el precio o el calendario, usá cohortes para separar adquisición de recompra. Agrupá a los clientes por mes de primera compra, canal o campaña y seguí cómo compran con el tiempo. Así distinguís cuánto del crecimiento viene de clientes nuevos y cuánto de quienes vuelven a comprar.
Necesitás el ID de cliente, la fecha de primera compra, las compras posteriores y sus importes. Sumá también el canal, las devoluciones y las cancelaciones.
Empezá con cohortes mensuales. Usá semanas en categorías de recompra rápida y períodos más largos cuando haya poco volumen. En productos durables, ampliá las ventanas: pasa más tiempo entre compras. Separá por canal o categoría solo si tenés volumen suficiente para obtener estimaciones estables. Este enfoque funciona mejor en consumibles y suscripciones, donde predomina la recompra.
Separá la antigüedad del cliente del mes de calendario. Medí la segunda compra a los 30, 60, 90, 180 y 365 días, dando a cada cohorte el mismo tiempo de maduración.
Identificá las cohortes adquiridas durante Hot Sale o CyberMonday y evaluá su recompra y margen por separado. Una promoción puede aumentar la recompra a corto plazo, pero también adelantar compras o atraer clientes que dejan menos margen.
Proyectá las recompras de cada cohorte y sumalas para planificar el inventario por familia. Estimá las primeras compras por separado, con supuestos de tráfico, inversión y conversión. Para marketing, mirá los ingresos y el margen por cliente, no solo el volumen del primer pedido.
Medí el error por separado para la demanda nueva y la recurrente. Actualizá las estimaciones semanalmente en categorías de recompra rápida y mensualmente en las demás. Conservá la cohorte original de cada cliente y no confundas una recompra inicial baja con abandono: las cohortes recientes todavía no tuvieron tiempo de madurar.
No hay un mínimo universal de historial útil. Lo que importa es cuántos ciclos comparables cubren los datos. Para SKU de baja rotación, agrupá por familia y después ajustá los pronósticos para que coincidan con el total.
Tabla comparativa: datos y nivel de pronóstico
| Criterio | Regresión con variables externas | Series temporales con eventos | Modelos por cohortes |
|---|---|---|---|
| Historia necesaria | Ventas vinculadas con variables explicativas | Ciclos y eventos comparables | Pedidos por cliente y fecha de primera compra |
| Datos limitados | Categorías con pocas variables | Series agregadas con eventos recurrentes | Cohortes amplias con suficiente maduración |
| Datos extensos | Pronósticos por SKU, canal o segmento | Pronósticos por SKU y tipo de evento | Pronósticos por cohorte y segmento |
| ID de cliente | No indispensable | No indispensable | Indispensable para retención y recompra |
Con esa base, evaluá cómo cambia la demanda cuando cambian las promos.
Separá la fecha del evento, la intensidad de la oferta y la respuesta del cliente. Si las campañas siempre combinan las mismas palancas, podés pronosticar el resultado de esa combinación, pero no atribuir un efecto causal a cada componente. Si la promo es constante, tampoco podés identificar bien la demanda sin descuento.
Tabla comparativa: calendario y condiciones promocionales
| Condición | Regresión con variables externas | Series temporales con eventos | Modelos por cohortes |
|---|---|---|---|
| Estacionalidad recurrente | Combina calendario y variables comerciales | Separa patrones regulares y picos de eventos | Distingue calendario y antigüedad del cliente |
| Promos esporádicas | Conviene si hay ofertas comparables | Conviene si el evento tiene antecedentes | Permite seguir la recompra de clientes adquiridos |
| Promos frecuentes o superpuestas | Requiere variación para distinguir factores | Útil con calendarios repetitivos; puede cambiar la base de ventas | Permite evaluar la recompra por origen y exposición |
| Entradas futuras | Precio, descuento y demás variables por escenario | Calendario de eventos y efectos asumidos | Adquisición, retención y gasto previstos |
Definí una oferta de referencia y revisá las ventas posteriores. Así podés detectar compras adelantadas o sustitución entre SKU.
Una vez que el patrón promocional está claro, evaluá el horizonte de decisión.
Con los datos y las promos definidos, elegí según la frecuencia de decisión. Para un horizonte de días, usá precios, campañas y stock confirmados. Para semanas o meses, trabajá con el calendario y supuestos explícitos.
El tráfico y la conversión observados no cuentan como datos conocidos al hacer el pronóstico.
Tabla comparativa: frecuencia y decisiones
| Criterio | Regresión con variables externas | Series temporales con eventos | Modelos por cohortes |
|---|---|---|---|
| Pronóstico diario | Útil con variables disponibles y ventas suficientes | Útil para distribuir el pico entre días | Solo con ciclos cortos e IDs completos |
| Pronóstico semanal | Escenarios de compras y promociones | Volumen y picos ligados a eventos | Reposición con ciclos previsibles |
| Decisión que mejor apoya | Precios, descuentos y presupuesto | Inventario para picos, preparación de pedidos y turnos | Retención, reposición y valor del cliente |
Elegí la frecuencia según la decisión que necesitás tomar y el volumen de datos disponible, no por una supuesta superioridad del método.
Cada método tiene un punto débil: sesgo, eventos superpuestos o resultados inestables por el tamaño de la muestra. Una vez que elijas uno, verificá si tus datos, tu operación y tus campañas permiten usarlo.
| Método | Fortaleza | Límite principal | Control necesario |
|---|---|---|---|
| Regresión con variables externas | Mide cómo cambian las ventas según el precio, el descuento y otras variables. | Las promociones mal asignadas y las variables omitidas sesgan los coeficientes. | Revisá controles, rezagos y comparabilidad entre observaciones. No extrapoles fuera del rango histórico. |
| Series temporales con eventos | Identifica picos y efectos antes y después del evento. | Si hay pocos eventos o se superponen, cuesta separar sus efectos. | Registrá inicio, duración e intensidad. Agrupá eventos comparables y señalá los que tienen pocos antecedentes. |
| Modelos por cohortes | Muestra diferencias en la recompra y la composición de clientes. | Las muestras chicas o los IDs inconsistentes generan resultados inestables. | Usá IDs persistentes, agrupá cohortes pequeñas y compará ventanas de observación iguales. |
Un buen pronóstico no prueba efecto incremental. Para estimarlo, necesitás un contrafactual válido, con aleatorización o un diseño cuasi-experimental.
Después, comprobá si tenés los datos necesarios para generar un pronóstico confiable.
Marcá los períodos con quiebres de stock: vender menos por falta de inventario no significa que haya menos demanda. En Argentina, separá las unidades de los ingresos nominales en ARS. Documentá también los precios, la inflación y el tipo de cambio cuando corresponda.
Recién cuando los datos pasen este control básico, medí el desempeño con backtests.
Hacé backtests móviles (rolling-origin): en cada fecha, entrená el modelo y generá el pronóstico usando solo los datos y supuestos disponibles en ese momento. Repetí la prueba en varios ciclos y compará los resultados con una referencia estacional simple, como la misma semana del año anterior. Usá el horizonte y el nivel reales de planificación.
Medí por separado el error absoluto, el sesgo y el error promocional. Revisá también los resultados por categoría, canal y disponibilidad. No elijas un modelo que mejora el promedio, pero falla en los picos.
Congelá las versiones de campañas. Usar descuentos revisados, gasto final o atribuciones posteriores filtra información futura y exagera la precisión. Evaluá esas revisiones como nuevos escenarios, no como datos conocidos desde el inicio.
Burbuxa puede aportar datos y automatización al análisis. Sincroniza pedidos, clientes, productos, descuentos e inventario, y suma resultados de campañas en WhatsApp e Instagram.
Antes de usarla, verificá la retención histórica, las exportaciones, las fechas, las zonas horarias y la estabilidad de los IDs. Revisá también el stock histórico, la exposición por cliente y las versiones de campaña. Las ventas atribuidas sirven para reporting, pero no prueban ventas incrementales sin una comparación causal válida.
Después de comparar datos, promos y mantenimiento, elegí el método según la decisión que necesitás tomar. Tené en cuenta la madurez de los datos, la estabilidad del catálogo, la frecuencia de las promos y el peso de la recompra.
Usá esta tabla como guía de decisión, no como ranking de modelos.
| Situación | Método | Condición clave |
|---|---|---|
| Ajustar precios, descuentos o presupuesto | Regresión con variables externas | Variación en las variables comerciales |
| Planificar stock para picos conocidos | Series temporales con eventos | Eventos comparables |
| Planificar CRM y reposición por recompra | Modelos por cohortes | Compras sucesivas identificables |
| Historial corto o catálogo inestable | Pronóstico agregado | Benchmark estacional simple por categoría o canal |
| Separar base, estacionalidad, promo y cliente | Modelo combinado | Componentes distinguibles |
Si combinás métodos mediante modelos ensemble, asigná cada efecto una sola vez: base, estacionalidad, promo y cliente. La combinación debe reducir el error fuera de muestra.
Para la reposición diaria o semanal, priorizá los planes confirmados y los rezagos recientes. Para la planificación anual, apoyate en patrones estables, demanda agregada y escenarios.
Evaluá cada modelo por su uso, no por su complejidad. El error predictivo guía la planificación de stock. Para decidir cuánto invertir en una promo, también necesitás evidencia causal válida: predecir un pico y explicar qué lo produjo son objetivos distintos. Un buen pronóstico no siempre explica la causa; qué modelo elegir depende de lo que querés resolver.
Aunque no tengas antecedentes directos, la IA puede estimar la demanda usando la categoría, el precio y la descripción de tus productos, además del historial de artículos similares. Sumá señales externas, como el clima, las tendencias de búsqueda, la actividad en redes sociales y los eventos locales.
Revisá que los datos estén limpios y bien conectados. Con estas proyecciones, podés planificar el stock y las acciones de marketing para evitar faltantes o exceso de inventario.
Auditá la base para eliminar registros duplicados y no contar el mismo evento dos veces. Usá un identificador único para reconstruir el recorrido del cliente. Separá la tendencia, la estacionalidad y las variables externas, como precios o promociones, para distinguir sus efectos.
Si combinás modelos mediante stacking o blending, validá en orden cronológico para no usar información del futuro. Si los modelos pierden capacidad de discriminación, recalibrá los umbrales y las variables. Mantené el modelado y la validación separados de la ejecución operativa.
Mirar las ventas totales no alcanza. Separá el efecto de la promo de la tendencia base y tené en cuenta el precio, el stock, el clima y la estacionalidad. Para calcular el incremento neto, descontá la sustitución de productos similares, el adelanto de compras y los costos del descuento.
Burbuxa integra pedidos y campañas en tiempo real para facilitar el análisis y medir los ingresos atribuidos en ARS y el ROI de cada acción.
