Prever no es adivinar. Es entender qué mueve el negocio, qué puede cambiar y qué haremos si la realidad decide no respetar nuestro Excel.
La mayoría de las previsiones no fallan porque Excel no sepa sumar. Fallan porque alguien decide primero el resultado que quiere enseñar y después ajusta las celdas hasta que el número deja de molestar.
El objetivo anual dice que hay que crecer un 25 %. Marketing sube el presupuesto un 25 %. Ventas mantiene exactamente la misma conversión. El ticket medio no cambia. La competencia, por lo visto, se toma el año sabático. Y así nace otra previsión impecable: precisa hasta que empieza el mes.
Modelar no consiste en dibujar una línea hacia arriba con aspecto científico. Consiste en representar, con suficiente realismo, cómo funciona el negocio y qué puede ocurrir cuando cambian sus variables importantes. La previsión es el resultado. El trabajo de verdad está debajo.
Una buena previsión debería ofrecer, como mínimo, tres lecturas:
- qué puede ocurrir si el negocio sigue comportándose de forma parecida;
- qué tendría que mejorar para crecer;
- qué impacto tendría un empeoramiento razonable de las variables críticas.
El escenario positivo ayuda a decidir dónde acelerar. El negativo sirve para saber dónde frenar, cuánto riesgo podemos asumir y qué señales deberían obligarnos a cambiar el plan. Enseñar solo el escenario favorable no es prever. Es vender una presentación con fórmulas.
Antes de modelar: ¿qué decisión quieres tomar?
Antes de elegir una técnica, una herramienta o un modelo estadístico, hay que definir qué decisión queremos tomar. Parece obvio, pero se construyen modelos muy sofisticados para responder preguntas que nadie necesita.
No es lo mismo preguntar «¿cuánto venderemos el próximo mes?» que preguntar:
- cuánto presupuesto puede absorber el negocio sin destrozar el margen;
- cuántos leads necesita Ventas para alcanzar el objetivo;
- qué volumen puede atender el equipo comercial sin empeorar los tiempos de respuesta;
- qué productos, programas o mercados justifican más inversión;
- cuánto tardaremos en recuperar el dinero invertido en captar un cliente;
- qué pasaría con la caja si el coste de captación sube un 15 %;
- qué variables tendrían que mejorar para que un crecimiento del 20 % sea creíble.
Cada pregunta necesita un nivel de detalle y un horizonte distinto. Un modelo mensual puede servir para presupuestar, pero quedarse corto para una promoción de siete días. Un modelo por canal puede ayudar a repartir inversión, pero ser inútil si la rentabilidad cambia mucho por producto, país o calidad comercial.
La regla es sencilla: si el resultado del modelo no cambia una decisión, tenemos análisis decorativo. Puede quedar precioso en un panel, pero también queda precioso un salvapantallas y nadie lo confunde con una herramienta de gestión.
Predicción, escenarios y causalidad no son lo mismo
En marketing se mezclan estas tres ideas con demasiada alegría. Y no significan lo mismo.
Una predicción intenta estimar qué es probable que ocurra usando patrones del pasado. Por ejemplo: cuántas ventas podemos esperar el próximo mes si la estacionalidad y el comportamiento reciente continúan.
Un escenario calcula qué ocurriría si se cumplen unos supuestos concretos. Por ejemplo: cuánto facturaríamos si subimos la inversión un 10 %, el CPC aumenta un 6 % y Ventas mantiene su tasa de cierre.
Un análisis causal intenta responder una pregunta distinta: qué parte del resultado se produjo realmente gracias a una acción. Por ejemplo: cuántas ventas adicionales generó la publicidad frente a lo que habría ocurrido igualmente.
La diferencia importa. Que inversión y ventas suban a la vez no demuestra que todo el crecimiento venga de la publicidad. Puede haber estacionalidad, marca, promociones, cambios de precio, demanda orgánica o un equipo comercial especialmente fino. También puede ocurrir lo contrario: una campaña puede aportar ventas nuevas y parecer mediocre porque coincide con una caída general de la demanda.
Google lo explica bien en la documentación de Meridian, su herramienta de modelado de marketing: puede ayudar a estimar contribución y a plantear escenarios de inversión, pero no sustituye por sí sola a una previsión completa de ventas. Una herramienta puede responder «qué podría aportar este cambio de presupuesto» sin saber predecir todo el negocio.
Mezclar estos conceptos produce decisiones peligrosas. El modelo empieza describiendo relaciones y acaba prometiendo causas que no ha demostrado. Un salto pequeño en la presentación; bastante más caro cuando llega a la cuenta de resultados.
Si el modelo no llega al negocio, se queda corto
En Paid Media es habitual empezar y terminar dentro de la plataforma:
Inversión → impresiones → clics → conversiones
Eso sirve para gestionar campañas, pero no basta para prever negocio. Una conversión de Google Ads no paga nóminas. Una venta rentable, sí.
Para conectar la inversión con el resultado económico, el modelo tiene que recorrer todo el camino:
Demanda → inversión → tráfico → leads o pedidos → calidad → oportunidades → ventas → ingresos → margen → caja
En generación de leads, una versión sencilla podría ser:
Clics = inversión / CPC
Leads = clics × tasa de conversión de la página de destino
Leads válidos = leads × porcentaje de datos válidos
Oportunidades = leads válidos × tasa de cualificación
Ventas = oportunidades × tasa de cierre
Ingresos = ventas × ingreso medio por venta
Contribución = margen generado − inversión publicitaria − otros costes variables
No hay nada revolucionario en estas fórmulas. Y precisamente por eso son un buen punto de partida. Obligan a enseñar dónde se crea valor y dónde se pierde.
Además, permiten detectar fantasías. Si el presupuesto sube un 30 % y el modelo mantiene idénticos el CPC, la conversión, la calidad del lead y el cierre, está suponiendo que el negocio puede escalar sin ninguna fricción. Puede pasar. Lo normal es que aparezcan costes más altos, audiencias menos cualificadas, más presión comercial o peor calidad en el volumen adicional.
Escalar rara vez mantiene la eficiencia intacta. El primer euro y el último no compran la misma oportunidad.
Seis capas para no dejar media empresa fuera
No existe un modelo perfecto para todos los negocios. Sí existe una estructura bastante sensata para no construirlo mirando solo el panel de la plataforma.
1. Demanda base y estacionalidad
Primero hay que entender qué parte del resultado responde al comportamiento normal del negocio. Aquí entran la tendencia, la época del año, los días laborables, la demanda de marca, la geografía y los ciclos propios del producto.
En educación, una convocatoria, el inicio de curso o el calendario de admisiones pueden pesar más que el mes natural. En comercio electrónico importan las campañas comerciales, el stock y la frecuencia de recompra. En servicios jurídicos puede influir un cambio regulatorio, la competencia o la aparición de un tema en medios.
Si no entendemos esa demanda de base, podemos atribuir a Paid Media ventas que habrían ocurrido igualmente. Luego llega el informe con un ROAS estupendo y todos felices, salvo quien paga la factura.
2. Cómo responde el negocio cuando sube la inversión
La siguiente capa intenta estimar qué pasa cuando gastamos más. No deberíamos asumir que duplicar presupuesto duplica resultados.
Al principio puede haber demanda disponible y escalar sin perder demasiada eficiencia. Después aparecen límites: usuarios menos cualificados, más frecuencia, búsquedas más amplias, peores ubicaciones o más presión en la subasta. La curva se aplana y cada resultado adicional cuesta más.
Hay que analizarlo al nivel que cambie una decisión: canal, mercado, producto, categoría o programa. Bajar hasta campaña puede añadir ruido si no tenemos suficiente volumen de datos.
También hay que respetar los límites de lo que hemos observado. Pasar de un histórico de 20.000 € de inversión a una previsión de 200.000 € no es ser ambicioso. Es pedirle a los datos que describan un territorio que nunca han visto.
3. Embudo, calidad y tiempos
Dos campañas con el mismo CPL pueden generar resultados económicos opuestos. Por eso el modelo debe seguir la calidad y el avance por fases:
- porcentaje de datos válidos;
- contacto efectivo;
- cualificación;
- oportunidad;
- inicio de compra o matriculación;
- venta confirmada;
- cancelación o devolución.
También hay que respetar los tiempos. Un lead captado hoy puede comprar dentro de dos días, tres semanas o cuatro meses. Comparar inversión de septiembre con ventas cerradas en septiembre puede mezclar personas captadas en momentos distintos y castigar injustamente los canales con ciclos largos.
Una forma sencilla de evitarlo es trabajar por cohortes, es decir, agrupar los leads por el periodo en que fueron captados y seguir su evolución. Así vemos qué porcentaje avanza y cuánto tarda, en lugar de fingir que todo el embudo ocurre dentro del mismo mes.
4. Retención y valor futuro
Si el negocio tiene recurrencia, la primera compra cuenta solo una parte de la historia. Hay que estimar cuánto valor aporta un cliente a lo largo del tiempo.
Aquí aparece el LTV. Es útil, pero no debería convertirse en una tarjeta de crédito imaginaria para justificar cualquier CAC. Si necesitamos dieciocho meses y varias compras futuras para recuperar la captación, conviene decirlo. La caja de noviembre no paga facturas con promesas de junio del año siguiente.
La previsión puede trabajar con varios umbrales:
- rentabilidad en la primera operación;
- recuperar la inversión dentro de un plazo aceptable;
- rentabilidad total durante la vida estimada del cliente.
La elección depende de la liquidez, el coste del dinero, la estabilidad de la retención y la tolerancia al riesgo. No es una decisión de Google Ads. Es una decisión de negocio.
5. Capacidad operativa
Crecer consume recursos. Más leads necesitan más capacidad comercial. Más pedidos exigen stock, logística y atención. Más clientes pueden aumentar soporte, devoluciones, incidencias o impagos.
Un escenario favorable que duplica ventas sin aumentar capacidad describe un negocio mágico. Útil para Hogwarts; algo menos para presupuestar una empresa.
La capacidad debe aparecer como una restricción real. Por ejemplo:
- máximo de leads que pueden atenderse dentro del tiempo objetivo;
- oportunidades activas que puede manejar cada comercial;
- unidades disponibles;
- límite de producción o entrega;
- volumen de creatividades necesario para sostener la inversión;
- caja disponible para financiar el tiempo que tardamos en recuperar la captación.
Cuando se supera un límite, alguna tasa debería cambiar. Si un comercial puede gestionar bien 300 leads al mes y recibe 500, mantener intactos el contacto y el cierre es pedirle bastante fe al Excel.
6. Margen y caja
Facturar más no significa ganar más dinero. La última capa convierte ventas e ingresos en algo que el negocio sí puede usar para decidir: margen, beneficio y necesidades de caja.
Según el negocio, aquí deberían entrar:
- margen bruto;
- descuentos;
- comisiones;
- costes variables de venta y servicio;
- devoluciones o cancelaciones;
- coste financiero;
- plazo de cobro;
- tiempo necesario para recuperar el coste de adquisición.
El objetivo puede ser vender más, ganar más margen, aumentar beneficio o captar más clientes. No siempre van de la mano. Un buen modelo hace visible ese intercambio y evita llamar «éxito» a una subida de ingresos que empeora la rentabilidad.
Escenarios positivos y negativos: no es multiplicar por 0,8 y 1,2
Un escenario no debería ser el mismo presupuesto multiplicado por 0,8, 1 y 1,2. Eso es una regla de tres con nombres elegantes.
Cada escenario necesita una historia coherente: qué cambia, por qué podría cambiar, qué otras variables se verían afectadas y qué decisión tomaríamos si ocurre.
Escenario de continuidad
Es el comportamiento más razonable si no cambia nada importante. No significa copiar el último mes. Debe incluir estacionalidad, tendencia, presupuesto previsto, tiempos del embudo y cambios que ya sabemos que van a ocurrir.
Sirve como punto de referencia. Además, ayuda a no atribuir a una nueva acción un resultado que ya era probable que sucediera.
Escenario favorable
No consiste en juntar el mejor CPC histórico, la mejor conversión, la mejor calidad y el mejor cierre. Ese Frankenstein puede calcularse, pero llamarlo «probable» ya es otra cosa.
Un escenario favorable debe apoyarse en mejoras concretas. Por ejemplo:
- mejorar la conversión después de una prueba de página de destino;
- aumentar la calidad del lead usando información del CRM para optimizar;
- mejorar la tasa de contacto reduciendo el tiempo de respuesta;
- aprovechar una subida de demanda en una convocatoria o temporada concreta;
- mover presupuesto hacia segmentos que todavía tienen capacidad para crecer.
Cada mejora necesita un rango, una evidencia y una condición. Si para conseguirla hacen falta veinte creatividades nuevas, integrar el CRM y ampliar el equipo comercial, esas tareas también forman parte del escenario. Los resultados no pueden aparecer mientras los recursos se quedan olvidados en otro Excel.
Escenario adverso
El escenario negativo no está para asustar a nadie. Está para saber cuánto daño podemos asumir y qué haremos antes de llegar ahí.
Puede incluir:
- subida de los costes publicitarios;
- caída de la demanda;
- menor tasa de conversión;
- peor calidad del lead;
- retrasos del equipo comercial;
- menor tasa de cierre;
- bajada del ticket medio o del margen;
- problemas de stock o capacidad;
- cambios de medición que dejen menos señal útil para optimizar.
No hace falta imaginar el apocalipsis. Basta con usar deterioros razonables, observados antes o vinculados a riesgos concretos. El objetivo es saber qué variable hace más daño, cuánto tiempo podemos soportarlo y qué nivel activa una corrección.
Un ejemplo sencillo: pequeñas tasas, grandes diferencias
Supongamos un negocio de generación de leads con este escenario de partida:
| Variable | Valor central |
|---|---|
| Inversión | 50.000 € |
| CPC | 2,50 € |
| Conversión a lead | 5,0 % |
| Leads válidos | 70 % |
| Cualificación | 20 % |
| Cierre sobre oportunidad | 15 % |
| Ingreso medio por venta | 5.000 € |
| Margen bruto | 60 % |
El cálculo da aproximadamente 20.000 clics, 1.000 leads, 700 leads válidos, 140 oportunidades y 21 ventas. Los ingresos serían 105.000 €. Si aplicamos un margen bruto del 60 % y restamos solo la inversión publicitaria, quedarían 13.000 € de contribución antes de otros costes variables.
Ahora construimos dos escenarios ilustrativos. No son referencias universales ni recomendaciones: solo sirven para ver cómo un cambio pequeño en varias fases puede propagarse por todo el embudo.
| Resultado | Adverso | Continuidad | Favorable |
|---|---|---|---|
| Inversión | 50.000 € | 50.000 € | 60.000 € |
| CPC | 2,80 € | 2,50 € | 2,40 € |
| Conversión a lead | 4,4 % | 5,0 % | 5,3 % |
| Leads válidos | 65 % | 70 % | 74 % |
| Cualificación | 17 % | 20 % | 22 % |
| Cierre | 12 % | 15 % | 17 % |
| Ingreso medio | 4.800 € | 5.000 € | 5.200 € |
| Ventas estimadas | 10,4 | 21,0 | 36,7 |
| Ingresos estimados | 50.000 € | 105.000 € | 190.700 € |
| Contribución estimada | −20.000 € | 13.000 € | 54.400 € |
Este ejemplo deja dos ideas claras.
Primera: varias variaciones pequeñas, cuando se encadenan, pueden producir diferencias enormes. Si el modelo mira solo el CPL, se perderá buena parte de la película.
Segunda: que el escenario favorable sea matemáticamente posible no significa que sea fácil de conseguir. Subir presupuesto suele presionar el CPC, la conversión o la calidad del volumen adicional. No basta con poner tasas mejores en todas las filas; hay que explicar por qué podrían mejorar a la vez y comprobar que la empresa puede absorber ese crecimiento.
El modelo no convierte un escenario en verdad porque la fórmula cuadre. Solo calcula qué pasaría si se cumplen los supuestos.
No escondas la incertidumbre
Una cifra exacta da una sensación de seguridad que casi nunca existe. Decir «el próximo mes habrá 437 ventas» suena muy profesional. Decir «esperamos entre 390 y 480» suele ser bastante más honesto.
Una previsión debería incluir un rango. Cuanto más lejos miramos, más amplio debería ser porque aumenta la incertidumbre. También debe abrirse cuando hay pocos datos, cambios recientes, mucha volatilidad o variables importantes que el modelo no controla.
Ese rango no es lo mismo que un escenario. El rango expresa cuánto puede variar una estimación. Los escenarios representan futuros distintos porque cambian los supuestos. Podemos tener un escenario de continuidad con su propio rango y un escenario adverso con otro.
Esto evita una confusión habitual: usar el escenario favorable como «máximo» y el adverso como «mínimo» como si fueran probabilidades. No lo son necesariamente. Son futuros condicionados a que ocurran determinadas cosas.
Cómo saber si el modelo sirve de verdad
Un modelo no demuestra que funciona porque explique muy bien el pasado. Con suficientes variables podemos hacer que casi cualquier histórico parezca precioso. La prueba real es acertar razonablemente con datos que no utilizó para aprender.
Una forma práctica es entrenarlo con los datos disponibles hasta una fecha, predecir el periodo siguiente y comparar. Después añadimos ese periodo y repetimos. Así imitamos mucho mejor cómo se usaría el modelo en la vida real.
La evaluación puede incluir varios indicadores. Los nombres suenan técnicos; la idea es bastante sencilla:
- MAE: cuánto se equivoca, de media, en las mismas unidades del negocio. Si prevemos ventas, nos dice cuántas ventas nos desviamos aproximadamente;
- WAPE: qué porcentaje representa el error total sobre el volumen real. Es útil cuando hay periodos con valores muy bajos o cero;
- sesgo: si el modelo tiende a pasarse por arriba o por abajo de forma repetida;
- cobertura del rango: cuántas veces el resultado real cae dentro del intervalo que habíamos previsto;
- error por horizonte: porque acertar a una semana no significa acertar a tres meses;
- error por segmento: porque una cifra global aceptable puede esconder un desastre en un país, producto o programa concreto.
También conviene compararlo con una referencia muy simple: repetir la última semana, usar el mismo mes del año anterior o una media reciente. Si una máquina sofisticada no mejora eso, tenemos un problema. La elegancia estadística todavía no paga facturas.
Por eso decir «el modelo tiene un 97% de precisión» aporta poco sin contexto. Hay que saber qué medimos, sobre qué variable, en qué periodo, con qué horizonte y contra qué referencia. Un 3% de error puede ser excelente o irrelevante según cómo se haya calculado.
Equivocarse también cuesta dinero
No todos los errores cuestan lo mismo.
Sobreestimar ventas puede dejar stock parado, contratar capacidad innecesaria o tensionar la caja. Subestimarlas puede provocar roturas de stock, pérdida de demanda o un equipo comercial desbordado. Según el negocio, puede ser más caro pasarse o quedarse corto.
Por eso no basta con medir el error estadístico. También hay que estimar cuánto cuesta equivocarse:
- margen perdido;
- inversión desperdiciada;
- coste de oportunidad;
- necesidad extra de caja;
- exceso o falta de capacidad;
- más tiempo para recuperar la inversión.
El mejor modelo no siempre es el que tiene el menor error medio. Puede ser el que evita los errores más caros y nos permite reaccionar antes.
El modelo necesita mantenimiento, no fe
Todo modelo envejece. Cambian los precios, la competencia, las creatividades, el producto, el equipo comercial y la demanda. Una relación que funcionaba hace seis meses puede dejar de representar el negocio actual.
Por eso necesita una rutina de revisión:
- comparar previsión y resultado real;
- localizar dónde aparece la desviación;
- separar un ruido puntual de un cambio que parece estructural;
- revisar datos y supuestos;
- ajustar el modelo cuando haya evidencia suficiente;
- registrar qué versión del modelo estaba detrás de cada decisión.
La pregunta útil no es solo «¿se equivocó?». Hay que preguntar qué cambió: tráfico, conversión, calidad, capacidad, cierre, ticket, margen o demanda.
Así la previsión se convierte en un sistema de alerta. Si las visitas se mantienen pero cae la cualificación, el problema no es el volumen. Si sube el CPL pero mejora el cierre, quizá estamos comprando menos leads y mejores. Si las plataformas reportan más conversiones y el CRM no registra más oportunidades, alguien está celebrando una fiesta a la que Ventas no ha sido invitada.
Qué datos necesitas de verdad
La complejidad del modelo debe adaptarse a la calidad de los datos. No tiene sentido montar una bestia estadística con seis semanas de histórico, cambios de medición y fases del CRM rellenadas según el estado de ánimo del comercial.
Como base, conviene tener:
- inversión y resultados por fecha y por el nivel al que tomamos decisiones;
- datos de tráfico y conversión web;
- identificadores que permitan conectar campaña, lead, oportunidad y venta;
- estados del CRM con definiciones consistentes;
- fechas de creación, avance y cierre;
- ingresos, margen y cancelaciones;
- calendario de promociones, cambios de precio y eventos;
- datos de capacidad: comerciales, stock, producción, soporte, etc.;
- registro de cambios importantes en campañas, web y proceso comercial.
Si faltan datos, podemos empezar con un modelo más sencillo y rangos más amplios. Lo peligroso no es la sencillez. Lo peligroso es disfrazar una suposición de precisión.
Cómo empezar sin montar la NASA
No hace falta construir desde el primer día una máquina con inteligencia artificial, 84 variables y un nombre en inglés que parezca cotizar en bolsa.
Un proceso útil puede arrancar en siete pasos:
1. Definir el resultado que importa
Elegir la variable que de verdad importa al negocio: ventas confirmadas, ingresos netos, margen de contribución o caja. Las conversiones de plataforma pueden ser pasos intermedios; no tienen por qué ser el destino final.
2. Dibujar cómo se mueve el valor
Representar el recorrido desde la demanda hasta el resultado económico. Incluir calidad, tiempos y límites operativos.
3. Crear una referencia simple
Usar tendencia, estacionalidad y comportamiento reciente. Esa referencia nos dirá si un modelo más complejo aporta algo o solo impresiona más en la reunión.
4. Ver qué variables mueven más el resultado
Analizar qué ocurre cuando cambian la inversión, la demanda, el precio, la capacidad o la ejecución. Y evitar sacar conclusiones muy lejos de los rangos que realmente hemos observado.
5. Diseñar escenarios coherentes
Dar a cada escenario supuestos relacionados entre sí, condiciones necesarias, riesgos y acciones. Nada de combinar automáticamente todos los mejores o peores valores históricos.
6. Probarlo con datos que no ha visto
Medir cuánto se equivoca, si tiende a pasarse o quedarse corto, cómo funcionan sus rangos y cuánto cuesta el error. Compararlo además con una referencia sencilla.
7. Convertir desviaciones en decisiones
Definir umbrales claros. Por ejemplo: reducir inversión si el cierre cae por debajo de cierto nivel durante dos cohortes; reforzar capacidad si el tiempo de contacto supera el objetivo; o mover presupuesto si el margen adicional deja de compensar.
Sin esta última parte, el modelo acaba siendo otro informe mensual que todo el mundo mira, nadie utiliza y alguien sigue actualizando por pura tradición corporativa.
El objetivo no es acertar el futuro
Una buena previsión no promete saber exactamente qué va a pasar. Reduce la distancia entre lo que creemos que ocurrirá y lo que estamos preparados para hacer cuando la realidad se desvíe.
El escenario favorable explica qué tendría que ocurrir para crecer y qué recursos exige. El adverso muestra cuánto riesgo asumimos y dónde están los límites. El de continuidad nos da un punto de referencia para saber si algo ha cambiado de verdad.
El valor del modelado está en hacer visibles las relaciones, los supuestos y los riesgos. También obliga a Marketing, Ventas, Finanzas y Operaciones a trabajar con una lógica común. Si cada departamento usa una definición distinta de éxito, el modelo no arreglará el negocio. Solo automatizará la discusión.
Y esa es la conclusión menos espectacular, pero más útil: un modelo no sustituye el criterio. Lo disciplina.