≡En resumen
- Predictivo significa «que sirve para predecir»: un modelo predictivo no adivina, calcula probabilidades a partir de patrones del pasado.
- Todo modelo predictivo necesita datos históricos con el resultado que quieres anticipar (compró / no compró, se dio de baja / siguió).
- Los tipos más usados son clasificación (sí/no), regresión (una cifra), clustering (grupos) y series temporales (evolución en el tiempo).
- En marketing se usa para lead scoring, predicción de abandono (churn), previsión de ventas y pujas automáticas.
- Un modelo solo vale si se valida con datos que no ha visto y se vigila después, porque el comportamiento de los clientes cambia.
01 ¿Qué es un modelo predictivo?
La clave está en que el modelo no conoce el futuro: detecta patrones que se repitieron en el pasado y supone que seguirán repitiéndose. Por eso su calidad depende de dos cosas: que los datos sean representativos y que el entorno no cambie de golpe.
Los modelos predictivos son la pieza central de la analítica predictiva, que combina estadística, minería de datos y machine learning. Hoy están dentro de herramientas que usas a diario: el filtro antispam del correo, las recomendaciones de Netflix o Amazon y las pujas automáticas de Google Ads.
02 Predictivo: significado de la palabra y usos habituales
Predictivo es un adjetivo que significa «que predice o sirve para predecir». Viene de predecir, del latín praedicere, formado por prae («antes») y dicere («decir»): literalmente, «decir antes» lo que va a pasar. Su sustantivo es predicción y su femenino, predictiva (analítica predictiva, capacidad predictiva).
| Expresión | Qué significa | Ejemplo |
|---|---|---|
| Texto predictivo | El teclado sugiere la palabra siguiente según lo que sueles escribir | El móvil propone «mañana» tras escribir «nos vemos» |
| Modelo predictivo | Algoritmo que estima la probabilidad de un resultado futuro | Probabilidad de que un cliente renueve su suscripción |
| Mantenimiento predictivo | Anticipar averías de máquinas con datos de sensores | Cambiar un rodamiento antes de que falle por su vibración |
| Valor predictivo | En medicina y estadística, fiabilidad de una prueba para acertar | Valor predictivo positivo de un test diagnóstico |
| Marketing predictivo | Usar modelos para decidir a quién, cuándo y qué ofrecer | Enviar un cupón solo a quien tiene alto riesgo de abandono |
03 Cómo se hace un modelo predictivo paso a paso
-
1
Define la pregunta
Concreta qué quieres predecir y en qué plazo: por ejemplo, si un lead comprará en los próximos 30 días.
-
2
Reúne datos históricos
Necesitas casos pasados en los que ya conozcas el resultado. Suelen salir del CRM, la analítica web, el ERP o la plataforma de email.
-
3
Limpia y prepara las variables
Elimina duplicados, trata los valores vacíos y crea variables útiles (días desde la última visita, número de compras, importe medio).
-
4
Entrena el modelo
Separa los datos en entrenamiento y prueba, y ajusta uno o varios algoritmos (regresión logística, árboles, gradient boosting, redes neuronales).
-
5
Valida con datos que no ha visto
Mide la precisión con el conjunto de prueba (exactitud, AUC, error medio). Si acierta mucho en entrenamiento y poco en prueba, está sobreajustado.
-
6
Ponlo en producción
Conecta las puntuaciones al CRM, a las audiencias de anuncios o a las automatizaciones para que alguien actúe con ellas.
-
7
Vigila y reentrena
Revisa cada cierto tiempo si sigue acertando. Cambios de precios, temporada o competencia degradan cualquier modelo.
04 Tipos de modelos predictivos y algoritmos más usados
| Tipo | Qué predice | Ejemplo de uso |
|---|---|---|
| Clasificación | Una categoría (sí/no, A/B/C) | ¿Este lead comprará? ¿Este pago es fraudulento? |
| Regresión | Un número continuo | Cuánto gastará un cliente el próximo año (CLV) |
| Clustering | Grupos de casos parecidos (no supervisado) | Segmentar clientes por comportamiento de compra |
| Series temporales | La evolución de una cifra en el tiempo | Llamadas por hora en un call center o ventas por semana |
Regresión lineal y logística
Los modelos más clásicos. Fáciles de explicar: indican cuánto pesa cada variable en el resultado.
Árboles de decisión
Dividen los datos en ramas con reglas del tipo «si visitó precios y abrió 3 emails, entonces…». Muy interpretables.
Random forest y gradient boosting
Combinan cientos de árboles para ganar precisión. Son el estándar en datos tabulares de negocio.
Redes neuronales
Capas de neuronas artificiales que captan relaciones complejas. Brillan con imágenes, texto o grandes volúmenes de datos.
05 Para qué sirve un modelo predictivo en marketing y ventas
Lead scoring
Puntúa cada contacto según su probabilidad de convertirse en cliente para que ventas llame primero a los mejores.
Predicción de abandono
Detecta qué clientes tienen riesgo de irse antes de que lo hagan, clave para reducir el churn en suscripciones y SaaS.
Valor de vida del cliente
Estima cuánto facturará cada cliente para decidir cuánto puedes invertir en captarlo o retenerlo.
Previsión de demanda
Anticipa ventas por producto y semana para ajustar stock, presupuesto de anuncios y plantilla.
Pujas automáticas
Las estrategias de puja inteligente de Google Ads estiman en cada subasta la probabilidad de conversión.
Personalización
Recomendaciones de producto y envío del email en el momento en que cada persona es más probable que lo abra.
Si quieres llevar estos modelos a tu empresa sin montar un equipo de ciencia de datos, lo habitual es partir de los datos que ya tienes en el CRM y la analítica y conectar las predicciones con tus procesos. Es justo el tipo de proyecto que abordamos con soluciones de inteligencia artificial para empresas, y tienes más casos reales en nuestra guía de casos de uso de la IA en empresas.
06 Ejemplo de modelo predictivo: lead scoring en un CRM
Una academia recibe 1.500 solicitudes de información al mes y su equipo comercial solo puede llamar a 400. Con dos años de histórico del CRM entrena un modelo de clasificación con variables como curso consultado, páginas vistas, apertura de emails y hora de la solicitud.
- Salida: cada lead nuevo recibe una probabilidad de matricularse (de 0 a 100 %).
- Acción: los comerciales llaman primero a los leads con más puntuación; el resto entra en una secuencia de email marketing automatizado para madurar.
- Medición: se compara la tasa de matrícula de los 400 llamados antes y después del modelo.
Este es el mismo principio del lead scoring predictivo que incorporan muchos CRM comerciales.
07 Analítica descriptiva, predictiva y prescriptiva: diferencias
| Nivel | Pregunta que responde | Ejemplo |
|---|---|---|
| Descriptiva | ¿Qué ha pasado? | Ventas del último trimestre por canal |
| Diagnóstica | ¿Por qué ha pasado? | Las ventas bajaron porque cayó el tráfico orgánico |
| Predictiva | ¿Qué es probable que pase? | Estas 300 cuentas tienen alto riesgo de no renovar |
| Prescriptiva | ¿Qué debería hacer? | Ofrecer un descuento del 15 % a esas 300 cuentas |
Cuanto más subes de nivel, más datos y más madurez necesitas. Muchas empresas intentan saltar a lo predictivo sin tener bien resuelto lo descriptivo, y el modelo acaba aprendiendo de datos incompletos. Si trabajas con volúmenes muy grandes, conviene repasar también qué es el big data y cómo se almacena.
08 Herramientas y límites de los modelos predictivos
Python y scikit-learn
Librería de código abierto (licencia BSD) nacida en 2007 como proyecto de Google Summer of Code; su primera versión pública salió el 1 de febrero de 2010.
Hojas de cálculo
Excel y Google Sheets permiten regresiones y previsiones sencillas, suficientes para una primera prueba.
Bases de datos en la nube
Plataformas como BigQuery permiten entrenar modelos con SQL sobre los mismos datos que ya guardas.
Funciones integradas
GA4, los CRM y las plataformas de anuncios ya incluyen predicciones listas para usar, sin programar.
Si te interesa el contexto más amplio de esta tecnología, puedes leer el reportaje sobre la revolución del machine learning, que explica cómo el aprendizaje automático ha llevado la predicción a casi todos los sectores.
Preguntas frecuentes sobre Modelo Predictivo
Significa «que predice o sirve para predecir». Viene del latín praedicere, «decir antes», y se usa en expresiones como texto predictivo, modelo predictivo o mantenimiento predictivo.
Es un sistema que aprende de lo que pasó antes para calcular la probabilidad de que algo ocurra después, por ejemplo que un cliente compre o se dé de baja.
La analítica predictiva es la disciplina completa (datos, estadística, validación y uso de resultados); el modelo predictivo es la pieza concreta que genera cada predicción.
Los principales son de clasificación (predicen una categoría), regresión (una cifra), clustering (agrupan casos parecidos) y series temporales (evolución en el tiempo).
Depende del problema, pero necesitas suficientes casos de cada resultado. Como referencia, GA4 exige 1.000 usuarios que hayan comprado o abandonado y 1.000 que no, en 28 días, para activar sus métricas predictivas.
No. Da probabilidades, no certezas. Su precisión se mide con datos que no ha visto y baja si el mercado o el comportamiento de los clientes cambian.
El texto predictivo del teclado, el filtro antispam, las recomendaciones de series o productos y las pujas automáticas de los anuncios en Google.
Fuentes consultadas
Sobre el autor
Germán Gutiérrez
Development Manager en appyweb
Dirige el equipo de desarrollo de appyweb: aplicaciones web y móviles, SaaS, integraciones y arquitectura de software.
Ver perfil en LinkedIn ↗