IA causal: por qué predecir no basta para decidir promociones

Predecir cuánto venderás no es lo mismo que saber qué pasará si cambias algo. Esa diferencia separa una buena previsión de una buena decisión.

• Predecir la demanda no dice qué pasará si cambias el precio.
• Las correlaciones confunden la promoción con lo que la rodea.
• La IA causal estima el efecto frente a un escenario sin promoción, con tus propios datos.

Predecir no es decidir

Muchas herramientas predicen la demanda: cuánto se venderá la semana que viene si todo sigue como hasta ahora. Es útil para el stock, pero no responde a la pregunta de una promoción: ¿qué pasará si bajo el precio un 15 %? ¿Y si lo hago en otra fecha?

Esa es una pregunta de causa y efecto. Requiere estimar cómo cambia la venta cuando mueves una palanca, separándolo de todo lo que cambia a la vez.

El riesgo de las correlaciones

Un modelo basado solo en correlaciones aprende patrones como «cuando hay promoción, se vende más». Pero las promociones no se reparten al azar: se hacen en fechas fuertes, en productos que ya se venden bien o para responder a un competidor. Si el modelo no lo tiene en cuenta, atribuye a la promoción ventas que habrían llegado igual.

La IA causal parte de esa dificultad. Usa el histórico para construir el escenario sin intervención, lo que habría pasado sin la promoción, y estima el efecto como la diferencia, teniendo en cuenta la temporada, la tendencia, el precio y lo que pasa en el resto del catálogo.

De medir a decidir

Cuando puedes medir el efecto de las promociones pasadas, puedes simular las futuras: probar profundidades y fechas antes de lanzarlas y comparar el beneficio neto de cada opción. Es el paso de saber qué funcionó a elegir qué conviene.

Y como cada estimación se apoya en promociones reales de tu tienda, también sabes cuánta evidencia hay detrás de cada cifra: no es lo mismo una profundidad que has probado tres veces que una que nunca has hecho.

Cómo lo aplica Effecta

Effecta entrena sus modelos causales con el histórico de cada tienda: ventas por producto y día, precios, promociones y costes. Con ellos mide cada promoción pasada, simula las siguientes y propone un plan semanal dentro de tus reglas de margen, descuento y stock, que tu equipo revisa y aprueba.

Detrás del motor hay investigación en IA causal de la Universitat de Barcelona, aplicada a preguntas de negocio con datos reales.