≡En resumen
- La analítica predictiva estima probabilidades futuras a partir de patrones en datos pasados; no adivina el futuro.
- Es el tercer escalón de la analítica, tras la descriptiva (qué pasó) y la diagnóstica (por qué pasó).
- En marketing se usa para anticipar bajas, puntuar leads, prever demanda y estimar el valor de cada cliente.
- GA4 ofrece métricas y audiencias predictivas si la propiedad cumple unos mínimos de datos.
- Su calidad depende de los datos: históricos pobres o sesgados producen predicciones erróneas.
01 ¿Qué es la analítica predictiva?
IBM la describe como una rama de la analítica avanzada que hace predicciones sobre resultados futuros con datos históricos, modelado estadístico y aprendizaje automático. El núcleo es un modelo predictivo: una función que, a partir de variables conocidas (comportamiento, compras, contexto), devuelve una probabilidad o un valor estimado.
No es nueva: la banca usa modelos de riesgo de crédito desde hace décadas. Lo que ha cambiado es el volumen de datos disponible, el big data, y que hoy herramientas de uso común como Google Analytics o las plataformas de publicidad incorporan modelos predictivos sin necesidad de programar.
02 Analítica descriptiva, diagnóstica, predictiva y prescriptiva
| Tipo | Pregunta | Ejemplo en una tienda online |
|---|---|---|
| Descriptiva | ¿Qué pasó? | Las ventas de octubre cayeron un 10 % |
| Diagnóstica | ¿Por qué pasó? | Subieron los gastos de envío y creció el abandono del carrito |
| Predictiva | ¿Qué es probable que pase? | Estos 2.000 clientes tienen alta probabilidad de no volver a comprar |
| Prescriptiva | ¿Qué debemos hacer? | Enviar a ese grupo un cupón de envío gratis maximiza el margen esperado |
03 Cómo funciona la analítica predictiva
-
1
Define la pregunta
Qué quieres predecir, para quién y con qué horizonte: por ejemplo, la probabilidad de compra en los próximos 7 días.
-
2
Reúne los datos
Históricos de comportamiento, transacciones, CRM, campañas y contexto (estacionalidad, precios).
-
3
Prepara las variables
Limpieza, tratamiento de valores ausentes y creación de variables útiles, como días desde la última compra.
-
4
Entrena el modelo
Con una parte de los datos históricos se ajusta el algoritmo elegido.
-
5
Valida
Se mide el acierto con datos que el modelo no ha visto y se compara con una referencia sencilla.
-
6
Despliega y actúa
Las predicciones se envían al CRM, a la herramienta de email o a las campañas para actuar sobre ellas.
-
7
Monitoriza
Los hábitos cambian: el modelo se revisa y se reentrena cuando pierde precisión.
Para proyectos a medida, los datos suelen centralizarse en un almacén como Google BigQuery, donde además se pueden entrenar modelos con SQL mediante BigQuery ML.
04 Técnicas y modelos más usados
Regresión
Predice un valor numérico, como el gasto del próximo trimestre o la demanda de un producto.
Clasificación
Asigna una categoría o probabilidad: comprará o no, fraude o no. Usa regresión logística, árboles de decisión, random forest o redes neuronales.
Series temporales
Proyecta datos con estacionalidad y tendencia, como ventas semanales o tráfico web. ARIMA es un método clásico.
Clustering
Agrupa clientes parecidos sin etiquetas previas (k-means, por ejemplo); a menudo es el paso previo a predecir por segmento.
Modelos de supervivencia
Estiman cuándo ocurrirá un evento, como la baja de un suscriptor.
05 Ejemplos de analítica predictiva en marketing y ventas
| Caso | Qué predice | Acción |
|---|---|---|
| Predicción de bajas | Probabilidad de que un cliente abandone | Campaña de retención antes de que ocurra |
| Lead scoring predictivo | Probabilidad de que un lead se convierta en cliente | Ventas llama primero a los más probables |
| Valor de vida (LTV) previsto | Ingresos futuros de cada cliente | Pujar más por captar perfiles valiosos |
| Previsión de demanda | Unidades que se venderán | Ajustar stock y presupuesto publicitario |
| Siguiente mejor oferta | Producto con más probabilidad de compra | Recomendaciones y emails personalizados |
| Detección de fraude | Probabilidad de que una transacción sea fraudulenta | Bloquear o revisar el pago |
Una empresa de software recibe 600 solicitudes de demo al mes y su equipo comercial solo puede atender bien a la mitad. Entrena un modelo con dos años de leads y sus resultados: tamaño de empresa, sector, páginas visitadas, fuente de captación y tiempo de respuesta. El modelo asigna a cada lead nuevo una probabilidad de cierre y el CRM ordena la cola de llamadas.
Resultado esperado: los comerciales dedican primero su tiempo al 30 % de leads con más probabilidad, y el resto entra en una secuencia automática de emails. Tras tres meses, se compara la tasa de cierre con la del trimestre anterior para validar si el modelo aporta.
El caso más rentable suele ser la retención: reducir el churn rate unos puntos pesa más en la cuenta de resultados que captar el mismo número de clientes nuevos. Y aplicada a cada etapa del embudo de ventas, la predicción ayuda a decidir dónde invertir el esfuerzo comercial.
06 Métricas predictivas de Google Analytics 4
| Métrica | Qué estima |
|---|---|
| Probabilidad de compra | Que un usuario activo en los últimos 28 días registre un evento clave de compra en los próximos 7 días |
| Probabilidad de abandono | Que un usuario activo en los últimos 7 días no esté activo en los próximos 7 días |
| Ingresos previstos | Ingresos de compras en los próximos 28 días de un usuario activo en los últimos 28 días |
1.000
usuarios recurrentes mínimos que deben cumplir la condición (y otros 1.000 que no) en 28 días
Fuente: Ayuda de Google Analytics
7 días
horizonte de las predicciones de compra y abandono
Fuente: Ayuda de Google Analytics
Con estas métricas GA4 crea audiencias predictivas, como «compradores probables en los próximos 7 días», que pueden compartirse con Google Ads. Bien usadas, permiten concentrar la gestión de campañas de Google Ads en quien tiene más probabilidad de comprar o excluir a quien comprará igualmente. Para que funcionen, la propiedad debe enviar eventos purchase con valor y moneda, o in_app_purchase en apps.
07 Límites, riesgos y cómo empezar
- ✓Calidad de los datos: eventos mal medidos o históricos cortos dan predicciones poco fiables.
- ✓Sesgos: si los datos reflejan decisiones injustas del pasado, el modelo las reproduce.
- ✓Cambios de contexto: una crisis o un cambio de precios invalida patrones antiguos.
- ✓Privacidad: el RGPD exige base legal para tratar datos personales y su artículo 22 limita las decisiones basadas únicamente en tratamientos automatizados con efectos significativos.
- ✓Explicabilidad: en decisiones sensibles hay que poder explicar por qué el modelo recomienda algo.
- ✓Coste de oportunidad: si nadie actúa sobre las predicciones, el modelo no aporta nada.
Para empezar no hace falta un equipo de ciencia de datos: las métricas predictivas de GA4 o de tu CRM ya permiten un primer piloto. Cuando el caso lo merece, un modelo propio conectado a tus sistemas es el siguiente paso, y ahí entran las soluciones de inteligencia artificial para empresas. Tienes más ideas en nuestra guía de casos de uso de la IA en empresas.
Preguntas frecuentes sobre Analítica predictiva
Es el uso de datos históricos, estadística y aprendizaje automático para estimar la probabilidad de resultados futuros, como una compra, una baja o el valor de un cliente.
Sirve para anticiparse: retener clientes antes de que se vayan, priorizar los leads con más opciones, prever la demanda, detectar fraude y dirigir la publicidad a quien tiene más probabilidad de comprar.
La predictiva estima qué es probable que ocurra; la prescriptiva va un paso más allá y recomienda qué acción tomar para obtener el mejor resultado posible.
Principalmente regresión, modelos de clasificación como árboles de decisión, random forest o redes neuronales, clustering y modelos de series temporales.
La métrica probabilidad de compra de Google Analytics 4, que estima qué usuarios activos comprarán en los próximos 7 días y permite crear audiencias para campañas.
La analítica predictiva usa técnicas de aprendizaje automático, una rama de la inteligencia artificial, para encontrar patrones en los datos. No toda IA es predictiva ni toda predicción requiere IA: una regresión estadística clásica también predice.
Desde funciones integradas en Google Analytics 4, CRM y plataformas publicitarias hasta entornos de ciencia de datos como Python o R, BigQuery ML y servicios de aprendizaje automático en la nube para modelos a medida.
Enviar eventos de compra con valor y moneda y tener, en los últimos 28 días, al menos 1.000 usuarios recurrentes que cumplieran la condición a predecir y otros 1.000 que no, además de un modelo con calidad suficiente.
Fuentes consultadas
Sobre el autor
Development Manager en appyweb
Dirige el equipo de desarrollo de appyweb: aplicaciones web y móviles, SaaS, integraciones y arquitectura de software.
Ver perfil y artículos → Ver perfil en LinkedIn ↗