Si no separo precio, stock, promos y tráfico, la elasticidad me da mal. Esa es la idea central. Para medir bien cuánto cambia la demanda cuando cambio un precio, yo necesito una base limpia por SKU y período, usar el precio neto, sacar semanas con quiebre de stock y controlar fechas como Hot Sale, CyberMonday, feriados y picos de tráfico.
En simple: la elasticidad responde una pregunta concreta: si subo o bajo un precio, cuánto se mueven las unidades vendidas. La cuenta base es % cambio en cantidad ÷ % cambio en precio. Por ejemplo, si un producto pasa de $ 10.000 a $ 11.000 entre el 01/07/2026 y el 15/07/2026 y las ventas bajan de 100 a 80 unidades, la elasticidad es -2. Eso marca una demanda sensible al precio.
Si quiero usar ese dato para pricing, yo no me puedo quedar solo con la fórmula. También tengo que mirar:
El artículo va al punto y deja un flujo claro:
Hay algo más: no toda elasticidad sirve para decidir precios. Si las sesiones caen 30 % porque frené campañas, o si hubo stock en 0, no estoy viendo efecto precio. Estoy viendo otro problema. Por eso, el valor de este análisis no está solo en el número, sino en cómo limpio los datos y .
Para ubicar rápido cada método, dejo esta comparación corta:
| Método | Cuándo lo uso | Qué necesito | Límite |
|---|---|---|---|
| Elasticidad arco | Cuando comparo dos períodos parecidos | Precio y unidades limpias | Se ensucia fácil si hubo promos o cambios de tráfico |
| Test de precio | Cuando quiero medir antes de tocar precios en serio | Tráfico dividido y al menos 2 semanas | Requiere volumen, entre 5.000 y 10.000 sesiones por variante |
| Regresión log-log | Cuando quiero aislar precio con controles | Panel con tráfico, stock, promos y calendario | Pide más orden en datos; al menos 50 observaciones por SKU |
En pocas palabras, yo usaría esta guía así: primero ordeno la data, después estimo la elasticidad y al final la paso a decisiones de pricing por segmento. Ese es el camino que resume todo el artículo.
Cómo medir elasticidad de precio en e-commerce: flujo paso a paso
La elasticidad solo sirve si tenés una tabla prolija. La idea es separar el efecto del precio de otras cosas que también mueven las ventas, como el stock, el tráfico y las promos. Para eso, armá una base con una fila por SKU y período. Y para reflejar bien la estacionalidad argentina, trabajá con 12 a 24 meses de historia.
Estos son los campos mínimos que conviene incluir en cada fila de la tabla:
| Campo | Descripción |
|---|---|
| Fecha | Día o semana en formato dd/mm/aaaa (ej.: 05/08/2026) |
| SKU | Identificador único del producto |
| Unidades vendidas | Cantidad vendida en el período |
| Precio de lista | Precio base en ARS (ej.: $ 12.999,00) |
| Precio neto | Precio efectivamente pagado después de descuentos y cupones |
| Indicador de promo | Indicador de promo (0/1) |
| Profundidad de descuento | Porcentaje de descuento aplicado (ej.: 0,20 para 20% off) |
| Stock disponible | Stock al inicio o promedio del período |
| Días sin stock | Días u horas con quiebre; excluir o tratar con cautela. |
| Canal | Sitio propio, marketplace, WhatsApp o Instagram DM |
Hay un punto clave: no mezcles precio de lista con precio neto. Si querés medir elasticidad, tenés que mirar el precio que la persona pagó de verdad.
Con esos campos, ya podés empezar a separar qué cambió por precio y qué cambió por el contexto.
Las ventas no suben o bajan solo por el precio. También pesan el tráfico, las campañas y el calendario. Si no sumás esas variables, el efecto precio queda mezclado con todo lo demás.
Por eso, conviene agregar datos como:
También incluí indicadores de fechas comerciales clave, como Hot Sale, CyberMonday, Navidad y feriados, además de variables de temporada. Eso le permite al modelo distinguir si hubo un cambio por precio o si, en cambio, apareció un pico de demanda por el momento del año o por una campaña.
Después, cruzá esa base con tus sistemas de ventas, analítica y stock. En la práctica, eso suele salir de varias fuentes al mismo tiempo: la plataforma de e-commerce para órdenes, precios y descuentos; Google Analytics o Meta Pixel para tráfico y conversión; el ERP o sistema de inventario para stock y quiebres; y las plataformas de publicidad para datos de campaña.
Cuando parte de las ventas entra por WhatsApp o Instagram DM - algo bastante común en categorías como moda, belleza y electrónica - esos datos muchas veces quedan afuera del reporte estándar de la tienda. Burbuxa sincroniza catálogo, órdenes, clientes, inventario, descuentos y políticas con Shopify, Tiendanube, VTEX y APIs, y ayuda a sumar ventas por WhatsApp e Instagram al panel.
Con el panel listo, el paso que sigue es limpiar registros y ajustar quiebres de stock, promos y estacionalidad.
Con la base ya armada, toca una parte poco glamorosa, pero clave: limpiar el dataset antes de calcular. Si dejás precios mal cargados, duplicados o semanas con quiebre de stock, la elasticidad te va a dar cualquier cosa.
Primero, poné todo bajo la misma regla. Unificá moneda en ARS, fechas en DD/MM/AAAA, formato numérico y nivel de detalle. Si un mismo SKU aparece con nombres distintos, dejalo con un solo nombre estándar. Y trabajá siempre con precio neto por unidad.
Después, sacá el ruido. Eliminá pedidos de prueba, registros duplicados, pedidos cancelados, devoluciones mal cargadas y precios fuera de rango.
Un período con stock = 0 no te está mostrando sensibilidad al precio. Te está mostrando que no había oferta. Por eso, esas observaciones conviene excluirlas o marcarlas como faltantes.
También separá promos, cupones y envío gratis con flags propios. Si no los aislás, terminás mezclando efecto precio con efecto promo, y ahí el análisis se ensucia bastante.
Lo más práctico es armar un panel SKU–canal–semana. La granularidad semanal suele funcionar bien como punto de partida. Pasá a diario solo si el control de stock está bien hecho y no tenés huecos raros en los datos.
Para la estacionalidad, aplicá un índice semanal o mensual comparando contra el mismo período de años anteriores. Si no hacés ese ajuste, podés confundir una suba normal por temporada con un efecto de precio.
La tabla de abajo resume los problemas más comunes y qué hacer en cada caso:
| Problema | Solución recomendada |
|---|---|
| Quiebre de stock | Excluir períodos con stock = 0 o agregar variable de disponibilidad |
| Promos no separadas | Estimar elasticidad base solo en semanas sin promo |
| Pedidos de prueba / duplicados | Eliminar antes de agregar al panel |
| Devoluciones como ventas | Netear devoluciones o guardarlas en columna separada |
| Precios erróneos | Corregir si es error de feed; excluir si no se puede verificar |
| Estacionalidad sin controlar | Aplicar índice semanal o mensual de estacionalidad |
Con el panel limpio, ya podés elegir el método de cálculo.
Con las semanas comparables ya listas, toca elegir el método según el nivel de control que tengas sobre el precio. Acá hay tres caminos, de menor a mayor solidez: elasticidad arco, test de precio y regresión log-log.
Este método toma dos períodos comparables, con stock estable y sin promos, y calcula E = %ΔQ / %ΔP. La base no es uno de los dos períodos, sino el promedio de ambos: %ΔP = (P₂ − P₁) / P_medio y %ΔQ = (Q₂ − Q₁) / Q_medio.
Veámoslo con un caso simple. Una zapatilla pasa de ARS 50.000 a ARS 55.000 y las unidades semanales bajan de 100 a 80. El resultado da E ≈ −2,3. Eso indica una demanda elástica.
No conviene mezclar en este cálculo semanas con ruido fuerte. Sacá del análisis:
Este enfoque sirve para chequear una suba de precio con datos que ya tenés. Si el histórico viene desprolijo o muy movido, ahí ya te conviene pasar a un test controlado.
Acá la idea es dividir el tráfico al azar entre un precio control y un precio test. Después medís conversión, unidades, ingreso por visitante y margen bruto por visitante.
Para que la lectura tenga peso, el test debería correr al menos 2 semanas y juntar entre 5.000 y 10.000 sesiones por variante. Antes de mover precios en serio, usá un nivel de confianza de 90–95 %. Y ojo con superponer promos grandes o eventos que te deformen el resultado.
Si no llegás a hacer un A/B formal, podés usar %ΔCR / %ΔP como proxy de sensibilidad. Sirve, pero tiene sus límites. No muestra cambios en unidades por pedido, tampoco refleja efectos de largo plazo, y puede dar una señal rara si durante el período cambian las opciones de pago.
Este método va bien cuando querés medir sensibilidad antes de lanzar un cambio de precio. Si además necesitás mirar precio junto con tráfico, stock y calendario, conviene pasar a regresión con controles.
El modelo base es este: ln(Q) = α + ε·ln(P) + controles. Acá, ε es la elasticidad estimada. Si ε = −1,5, un aumento del 1 % en el precio se asocia con una caída del 1,5 % en la cantidad vendida, manteniendo el resto constante.
La gracia de este enfoque es que no mira el precio aislado. Usa también las variables de tráfico, stock, promos y calendario que ya cargaste en el panel. Entre los controles más usados están los flags de promoción, la profundidad de descuento, las sesiones al producto, el canal - web, móvil, WhatsApp, Instagram - y los indicadores de estacionalidad.
En la práctica, tenés que transformar precio y cantidad en logaritmos naturales y correr una regresión en Excel, Google Sheets o una herramienta de BI. Como regla operativa, necesitás por lo menos 50 observaciones limpias por SKU antes de confiar en el resultado.
Este método sirve cuando querés estimar elasticidad con controles, sobre todo si el catálogo es grande o si los precios cambian seguido.
Con la elasticidad ya calculada, el paso siguiente es leer ese dato por segmento y llevarlo a decisiones de precio concretas.
Tener un solo número de elasticidad para toda la tienda no alcanza. Sirve como referencia general, sí, pero queda corto cuando hay que mover precios de verdad. La sensibilidad cambia por SKU, por categoría, por canal y hasta por tipo de cliente.
También cambia según la lógica de compra de cada rubro: en algunas categorías pesa más el precio regular, mientras que en otras mandan las promos.
Por eso, separá la elasticidad de precio regular de la elasticidad promocional. Si mezclás ambas, vas a inflar la sensibilidad al precio y eso te puede empujar a tomar malas decisiones.
La elasticidad no se mira sola. Hay que leerla junto con tráfico, conversión, stock e ingresos. Si bajan las unidades vendidas, eso no demuestra por sí mismo que el precio sea el problema. Tal vez cayó el tráfico. Tal vez faltó stock. Tal vez bajó la conversión.
Antes de tocar un precio, revisá siempre estas variables en conjunto:
Esa lectura combinada te ayuda a decidir si conviene subir, sostener o ajustar precios.
| Elasticidad | Tipo de demanda | Efecto probable en ingresos (ante suba de precio) | Efecto en margen | Acción sugerida |
|---|---|---|---|---|
| E < -2 | Muy elástica | Cae con fuerza | El margen por unidad sube, pero el margen total puede caer | Evitá aumentos; usá promos selectivas y diferenciación |
| -2 ≤ E < -1 | Elástica | Puede caer; monitoreá | El margen por unidad sube, pero el total es incierto | Priorizá bundles, promos acotadas y pricing dinámico |
| E ≈ -1 | Unitaria | Se mantiene relativamente estable | Depende del mix de costos | Ajustes graduales; optimizá tráfico y conversión |
| -1 < E ≤ -0,5 | Moderadamente inelástica | Sube de forma moderada | Suele mejorar | Considerá aumentos graduales con comunicación clara |
| E > -0,5 | Fuertemente inelástica | Sube | Mejora | Priorizá margen; revisá precio frente a la competencia periódicamente |
La frecuencia sugerida es trimestral para categorías clave y semestral para surtidos menos volátiles. En Argentina, donde los precios en ARS cambian seguido, mirar esto con más frecuencia suele tener bastante sentido para no decidir con elasticidades viejas.
El flujo es simple: limpiar datos, calcular, segmentar y ajustar precios según el resultado.
Usá ventanas deslizantes de 1, 7 y 30 días para seguir cambios de corto y largo plazo. Después, alinealas con fechas como Hot Sale o Cyber Monday, donde la sensibilidad al precio suele moverse bastante.
Si la demanda viene irregular, arrancá con períodos cortos para medir la respuesta antes de escalar. En un contexto inflacionario, conviene revisar los datos cada semana o cada quince días.
Sí. Se puede y conviene medir la elasticidad de precio aunque vendas con promociones, porque los descuentos y las ofertas te muestran cómo cambia la demanda cuando cambia el precio.
Para hacerlo bien, usá pruebas controladas o tests A/B con cambios chicos en el precio o en el descuento, y después analizá los datos con una segmentación clara. También sirve mirar el contexto: campañas, stock, estacionalidad y fechas especiales como Hot Sale o Cyber Monday.
Si tenés poco volumen de ventas por SKU, conviene hacer experimentos controlados con cambios de precio chicos, idealmente de 3 % a 5 %. Así podés mirar cómo reacciona la gente y medir la elasticidad sin jugártela con cambios grandes en la rentabilidad.
Además, si el producto es nuevo y no tiene historial, la IA puede estimar la demanda a partir de atributos como la categoría, el precio, las descripciones y las tendencias externas.
