¿Cómo mejorar mis predicciones de ventas?

Si tu objetivo es alinear y volver más eficientes los recursos y estrategias comerciales de tu startup, contar con un modelo predictivo propio es vital.

La estimación predictiva permite calcular las ventas futuras con un buen grado de precisión, evitando guiarnos sólo por la subjetividad. 

Los modelos predictivos funcionan. Incluso en el lanzamiento de productos o servicios nuevos. O en el desembarco de un nuevo mercado, cuando no necesariamente se cuenta con datos históricos. 

Un buen modelo de ventas predictivo nos ayudará también a: 

  • manejar el inventario
  • establecer planes de crecimiento
  • anticipar problemas potenciales 
  • mitigar riesgos

Todos beneficios que permiten una toma de decisiones inteligente en tu negocio.

Modelo predictivo de ventas: ¿qué datos mínimos requiere?

Para construir una predicción de ventas hay que contar con información precisa. 

Estos son algunos interrogantes que es necesario responder: 

  • ¿Nuestro negocio está en una etapa de crecimiento o de recesión?
  • ¿Se han implementado estrategias de Marketing?
  • ¿Existen factores externos que impacten en el proceso de ventas (positiva o negativamente), tales como como nuevas regulaciones o leyes?
  • ¿Cuál es la opinión del público respecto de mi producto? ¿Tenemos mediciones de NPS (Net Promoter Score)?
  • ¿Cuál es la tasa de inserción de nuevos productos?
  • ¿Con cuántos competidores contamos?
  • ¿Tenemos identificada la variable estacional? 

De este modo, tu startup determina variables propias que tendrán impacto sobre el revenue. 

Contar con datos históricos de ventas es el escenario ideal. Así se pueden realizar estimaciones mucho más cercanas a lo real. Pero, ¿qué sucede cuando no tenemos esos datos? 

Sin datos históricos, ¿con qué solución contamos?

Cuando la información es limitada, una alternativa es recurrir a predicciones históricas por analogía. Con el paso del tiempo, la información se va acumulando y sumando valor a nuestro modelo predictivo. Así, aumenta su capacidad de precisión. 

No contar con registros históricos puede tener impacto en 2 aspectos:

  • Cuantitativos: Puede llevar a un incorrecto uso de modelos matemáticos, debido a información faltante, de mala calidad o a datos no normalizados.
  • Cualitativos: Puede generar estimaciones demasiado optimistas, influenciadas por un sentimiento de lealtad hacia la empresa o por estimaciones subjetivas.

Construir un modelo predictivo por analogía supone realizar predicciones fruto de los atributos del producto y de los datos históricos de productos similares. 

‘Similar’ se traduce en patrones de consumo y preferencias de usuarios o niveles de competencia similares.

En estos casos también ayuda conocer la duración de los ciclos de venta y que  la escasa información con la que se cuente esté curada y normalizada.

Otras variables que ayudan al modelo a predecir son la cantidad de vendedores disponibles y el tipo de producto. 

Por ejemplo: un producto puede estar vendiéndose menos por un proceso de canibalización, que implica estar compitiendo contra nosotros mismos. Contar con un modelo predictivo propio nos permite detectar estos errores antes de lanzar un nuevo producto al mercado. 

Niveles de precisión en las predicciones de venta

El resultado más o menos preciso de un modelo predictivo dependerá del método y de los datos involucrados.

Contar con datos históricos suma eficiencia, ya que permite inferir directamente futuras ventas usando el producto estimado. 

Sin embargo, estos datos por sí solos pueden generar reglas erróneas. Por ejemplo, considerar que la demanda es constante, generando estimaciones más reservadas. O no tener en cuenta temporadas o factores externos situacionales. 

Un buen modelo predictivo debe complementarse con otras features para generar mejores estimaciones.

A falta de historia, buenos son los análisis mutivariados

Una estimación sin historia tiene, claramente, menor precisión.

Mucha de la información que tomamos en un modelo por analogía puede estar asociada a productos que, si bien son similares, no se comportan de la misma manera. 

Será mejor conocer la estimación y su margen de error que manejarse ´a ciegas´.

Se puede recurrir a métodos más sofisticados, utilizando un análisis multivariado que incorpora muchos elementos nombrados anteriormente. 

Estos métodos se caracterizan por ser más precisos, aunque requieren de habilidades analiticas avanzadas y de profesionales especializados en el área.

Los beneficios de construir modelos con diferentes grados de posibilidad

Si contamos con diferentes posibilidades de armar el dataset para nuestra estimación, podemos realizarla con cierta anticipación, de modo de tener una primera versión del resultado. 

Esto aumentará la confiabilidad de la estimación.

A MAYOR ventana de tiempo (entre el momento de la estimación y el período de tiempo que queremos estimar), MENOR confiabilidad.

Por otra parte: 

MEJOR calidad de datos + ventana de tiempo MENOR = MAYOR confiabilidad

Nuestra recomendación es no desestimar ninguna alternativa. Podemos realizar una primera versión de la estimación de manera prematura, para ir teniendo una idea a priori del resultado. 

A medida que avanzamos, la ventana de tiempo se achica y vamos teniendo más datos a disposición. Esto irá aumentando la confiabilidad de nuestra predicción.

En 7Puentes desarrollamos múltiples soluciones para empresas con escasa historia o con ciclos muy cambiantes para sus productos. 

Uno de nuestros clientes, una empresa de venta de ropa por catálogo, nos confió el desafío de adaptar las estimaciones de sus distintas líneas de productos:

  • Una línea de productos con mucha historia correspondiente a ropa interior femenina y masculina y que formaba siempre parte del stock.
  • Otra línea de productos de temporada, que aportaba cierta historia contemplando distintas ventanas de tiempo (por ejemplo: abrigos en invierno o remeras en verano).
  • Una línea de novedad, sin historia, que el cliente buscaba insertar en el mercado, habiendo triunfado en otros países. 

Para cada requerimiento evaluamos diferentes soluciones que fueran acordes a la información con la que contábamos, llegando a 9 modelos que describen cada una de las distintas líneas de productos según sus requerimientos y reglas de negocio.

Aunque las líneas sin historia se obtenían en conjunto con el análisis estadístico y conocimiento de los planes de ventas, obtuvimos resultados muy buenos para las estimaciones que permitieron mejorar su modelo de ventas aproximadamente entre un 10% y 50%, dependiendo de la temporada y de la información que nos aportaron de los productos que deseaban introducir, o cuyo impacto nunca había sido medido.

Que la demanda no te sorprenda.

En 7Puentes contamos con los profesionales, la experiencia, el conocimiento y las herramientas para que conozcas mejor tu startup y puedas anticiparte a lo que está por venir. 


Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *