CASO DE PROYECTO · SEM E INTELIGENCIA ARTIFICIAL
Modelo predictivo de pedidos para orientar decisiones SEMDe «¿es normal un día sin ventas?» a una referencia diaria con incertidumbre.
Un comercio online necesitaba interpretar sus pedidos diarios sin confundir las oscilaciones habituales con problemas de captación. Construimos un modelo que estima cuántos pedidos son razonables para cada día, muestra la probabilidad de distintos resultados y permite leer las señales de Google Ads junto a la actividad real de la tienda.
- Tipo de proyecto
- Analítica predictiva aplicada a SEM
- Necesidad
- Interpretar pedidos y campañas con contexto
- Solución
- Distribución diaria de pedidos y explorador
- Estado
- Modelo operativo sujeto a revisión
EL PROYECTO DE UN VISTAZO
Una pregunta comercial que necesitaba una respuesta probabilística.
Saber qué esperar
Un día con pocos pedidos podía ser normal o señalar un problema. Hacía falta una referencia que tuviera en cuenta el calendario y la captación reciente.
Evitar lecturas apresuradas
Un promedio aislado o la conversión atribuida por una plataforma no explicaban por sí solos los pedidos reales de la tienda.
Modelar y contrastar
Unimos pedidos válidos y señales comerciales de Google Ads, probamos alternativas y las evaluamos en periodos posteriores al entrenamiento.
Una herramienta para decidir
El resultado ofrece escenarios, intervalos, riesgo de cero pedidos y una interfaz para investigar qué información mueve cada previsión.
CÓMO LO RESOLVIMOS
Primero definimos qué se quiere predecir. Después elegimos los datos que podían conocerse a tiempo.
El objetivo es el número de pedidos válidos registrado en la tienda. La publicidad aporta contexto sobre presión y estructura de captación; sus conversiones atribuidas no sustituyen la cifra de pedidos.
- 01 / FUENTE
Pedidos reales
La serie diaria parte del sistema de ventas. Así se compara la previsión con lo ocurrido en el negocio, no con etiquetas de atribución publicitaria.
- 02 / SEÑALES
Contexto disponible
Calendario, estacionalidad, condiciones comerciales y actividad de Google Ads ya cerrada antes de calcular la previsión.
- 03 / MODELO
Varios resultados posibles
Un modelo de conteo estima la distribución de 0, 1, 2 y más pedidos. La probabilidad de un día sin ventas sale de esa misma distribución.
- 04 / PRUEBA
Evaluación temporal
Entrenamos con el pasado y comprobamos meses posteriores. Valoramos tanto el error del promedio como la calidad de las probabilidades.
SEM + PREDICCIÓN
Qué aporta el modelo a quien gestiona campañas.
Da contexto a un resultado diario
Si se termina un día sin pedidos, la pregunta útil no es «¿falló Google Ads?», sino qué probabilidad tenía ese resultado con la información disponible. Lo mismo ocurre con un pico de ventas: puede ser valioso sin ser una tendencia repetible.
La previsión permite comparar el dato observado con un intervalo razonable y abrir una investigación cuando aparece una desviación poco frecuente.
Separa predicción y causalidad
Una variable publicitaria puede ayudar a anticipar pedidos sin demostrar que aumentar esa inversión cause más ventas. Cambios de demanda, precio, producto o competencia también pueden influir.
Por eso usamos el modelo como referencia de diagnóstico y seguimiento, no como una máquina de atribución ni como una instrucción automática para subir presupuestos.
EXPLORADOR INTERACTIVO
Prueba cómo se leen las probabilidades y los escenarios.
Selecciona una fecha, compara configuraciones y observa qué pasa al cambiar una variable. La demostración reproduce la lógica de exploración de la aplicación, pero trabaja con una serie inventada y parámetros creados para esta página.
Las cifras, las métricas de comparación y las predicciones visibles aquí son sintéticas. Puedes explorar la interfaz sin consultar ni descargar datos del cliente.
RESULTADO FUNCIONAL
Una referencia diaria que ayuda a formular mejores preguntas.
Previsión con margen
Media, mediana, intervalos y probabilidades de pedidos concretos. El negocio ve qué era plausible y cuánto margen de incertidumbre tenía cada día.
Comparación verificable
Las configuraciones se evaluaron sobre fechas futuras respecto a su entrenamiento. El modelo elegido prioriza estabilidad y calibración antes que una mejora retrospectiva mínima.
Exploración operativa
La aplicación permite revisar variables, neutralizar señales, consultar contribuciones y contrastar el pronóstico con los pedidos observados sin reescribir la predicción original.
QUÉ PUEDE Y QUÉ NO PUEDE DECIR
El valor está en reconocer la incertidumbre.
Decisiones que sí apoya
Detectar días poco habituales, revisar si la variación entra dentro de lo esperable, comparar modelos bajo el mismo protocolo y decidir dónde profundizar en campañas, tráfico o proceso de compra.
Conclusiones que no promete
No predice un número exacto de pedidos ni aísla el efecto causal de una campaña. Tampoco convierte una mejora inicial de captación en una promesa de ventas futuras. Es necesario seguir contrastando la referencia con nuevos periodos.
CUANDO LOS DATOS DEBEN AYUDAR A DECIDIR
¿Necesitas entender qué está pasando entre tus campañas y tus ventas?
Podemos revisar qué datos existen, qué pregunta merece modelarse y qué tipo de análisis puede ayudar de verdad antes de desarrollar una solución.