Tu web recibe unos 400 visitantes la mayoría de las semanas. Pero la semana pasada fueron 600. La próxima pueden ser 300. El patrón no es aleatorio: es estacional. En verano hay menos tráfico. A final de mes hay más. Los días laborables tienen más que los fines de semana.
La previsión de series temporales usa esos patrones para predecir el tráfico futuro. Este artículo explica cómo reconocer patrones en tus datos y usarlos para prever lo que viene.
La previsión de series temporales consiste en analizar datos históricos ordenados por tiempo y usar sus patrones para predecir valores futuros. Miras tu tráfico semana a semana o mes a mes durante un año. Identificas patrones (picos, valles, ciclos estacionales). Después proyectas esos patrones hacia delante.
A diferencia de la analítica predictiva general, la previsión de series temporales trata específicamente de secuencias en el tiempo. Reconoce que lo que pasó la semana pasada influye en lo que pasa esta semana. El clima puede afectar al tráfico. Las estaciones afectan a las compras. Los días de la semana afectan al comportamiento.
Qué patrones hay en los datos de una web
La mayoría de las webs tienen patrones que se repiten. Aprender a detectarlos es el primer paso para prever.
Patrones diarios
Los días laborables reciben más tráfico que los fines de semana en las webs B2B. Los fines de semana reciben más las tiendas online y las webs de entretenimiento. Las horas de la mañana reciben más visitas desde oficinas que las de la tarde. Son patrones constantes de una semana a otra.
Si tu tráfico es de 600 los lunes y de 400 los sábados, ese patrón probablemente se repite. La previsión de series temporales aprovecha esa regularidad.
Patrones semanales
Si publicas contenido los martes, el tráfico sube los martes. Si envías campañas de correo los jueves por la mañana, el tráfico alcanza su máximo el jueves. Estos patrones se repiten cada semana.
Registra un mes de datos y verás el ritmo semanal. Cuando lo ves, puedes predecirlo.
Patrones estacionales
Enero es más flojo que diciembre. El verano es más flojo que el otoño. La época de impuestos es más movida para los servicios de contabilidad. La previsión de series temporales capta estos ciclos de varios meses.
Necesitas al menos un año de datos para identificar patrones estacionales. Seis meses es el mínimo para los patrones semanales.
Patrones de tendencia
Además de los ciclos estacionales, algunas webs tienen tendencias más largas. Las webs nuevas crecen de forma constante (tendencia al alza). Las webs maduras se estancan. Algunas bajan. La previsión de series temporales separa la tendencia a largo plazo del ruido estacional.
Si tu tendencia crece un 10 por ciento anual y tu patrón estacional muestra picos en el cuarto trimestre, puedes prever el cuarto trimestre del año que viene: el del año pasado más un 10 por ciento de crecimiento más el ajuste estacional.
Las matemáticas detrás de la previsión de series temporales
No necesitas saber las matemáticas para usarla, pero entender el concepto ayuda.
La previsión de series temporales divide tus datos en componentes:
Tendencia: dirección a largo plazo (crece, baja, se mantiene)
Estacional: patrones que se repiten (diarios, semanales, mensuales, anuales)
Variación aleatoria: ruido que no sigue un patrón
Fórmula: valor real = tendencia + estacional + aleatorio
La previsión predice la parte de tendencia y la estacional. La parte aleatoria sigue siendo impredecible.
Ejemplo: tu tráfico esta semana fue de 500.
Componente de tendencia: +50 (crece 50 por semana)
Componente estacional: +100 (esta semana es temporada alta)
Componente aleatorio: -50 (solo ruido)
Real: 50 + 100 - 50 = 100. Base de 400 + 100 = 500.
La semana que viene sin el evento especial (sin pico aleatorio):
Tendencia: +50
Estacional: -75 (la próxima semana es temporada baja)
Aleatorio: 0
Previsión: 400 + 50 - 75 = 375
Está simplificado, pero el concepto es que tu previsión separa la señal (tendencia más estación) del ruido (aleatorio).
Métodos de previsión sencillos para dueños de webs
No necesitas algoritmos complejos. Los métodos simples funcionan bien.
Método 1: comparación con el mismo periodo
El tráfico de este lunes promedió 600 durante el último año. El próximo lunes probablemente rondará los 600.
Es la previsión más simple: mirar el mismo día o la misma semana del año pasado.
Método 2: tendencia más estacionalidad
El tráfico creció un 10 por ciento interanual y los diciembres están un 50 por ciento por encima de la media.
Previsión para el diciembre del año que viene: (el diciembre pasado) por 1,10 (por el 10 por ciento de crecimiento) es igual a tu previsión.
Método 3: media móvil
Promedia las últimas 4 semanas de tráfico. Esa es tu base. Después añade el ajuste estacional.
Si la base es 500 y diciembre suele rondar 550, tu previsión de diciembre es 550.
Método 4: suavizado exponencial
Da más peso a los datos recientes que a los antiguos. Las semanas recientes importan más que los datos de hace un año porque las cosas cambian.
Si las últimas 4 semanas promediaron 480 y el promedio de hace un año fue 450, confía más en los datos recientes. Prevé más cerca de 480 que de 450.
Descomposición estacional: la técnica clave
La descomposición estacional separa tus datos en componentes de tendencia, estacional y aleatorio. Es la base de la mayoría de las previsiones precisas.
Paso 1: reúne un año completo de datos (o varios años si quieres precisión).
Paso 2: calcula el promedio de cada periodo (cada lunes, cada mes, etc.). Esos son tus índices estacionales.
Paso 3: calcula la tendencia ajustando una línea a los datos. ¿Crece? ¿Baja? ¿Está plana?
Paso 4: quita la tendencia y lo estacional para ver el ruido. La variación aleatoria es lo que queda.
Paso 5: proyecta hacia delante usando los componentes de tendencia y estacional. Vuelve a sumar la variación estacional a la línea de tendencia.
Puedes hacerlo con matemáticas sencillas en una hoja de cálculo o usar herramientas de previsión que lo hacen automáticamente.
Herramientas que facilitan la previsión de series temporales
No necesitas software avanzado. Las herramientas básicas funcionan:
Google Sheets: función FORECAST integrada
Otras hojas de cálculo: FORECAST o FORECAST.LINEAR
Bibliotecas de Python: Prophet (creada por Facebook), ARIMA, LSTM
Plataformas de analítica: muchas siguen las previsiones automáticamente
La analítica de WEMASY podría integrar previsiones y mostrarte el tráfico previsto del mes que viene según los patrones históricos.
Limitaciones de la previsión de series temporales
La previsión de series temporales asume que el pasado predice el futuro. No tiene en cuenta los eventos únicos.
Si lanzas una campaña importante, la previsión se rompe. Si Google cambia los resultados de búsqueda, la previsión es errónea. Si la economía cambia, los patrones cambian.
La previsión de series temporales funciona cuando las condiciones se mantienen estables. Falla cuando cambian.
Cómo usar las previsiones en la práctica
Las previsiones no son garantías. Son guías para planificar.
Si prevés 600 visitantes la semana que viene, planifica para 600, pero mantente flexible. Si llegas a 450, investiga qué cambió. Si llegas a 800, celébralo, pero entiende por qué.
Usa las previsiones para:
Planificar la capacidad: ¿necesitarás más servidores? ¿Más personal de soporte?
Planificar campañas: ¿cuál es el mejor momento para lanzar?
Prever ingresos: ¿cómo serán los ingresos el próximo trimestre?
Comparar con la base: ¿ese cambio movió la aguja o fue solo estacional?
Preguntas frecuentes
¿Cuántos datos históricos necesito para prever con precisión?
Al menos 6 meses para patrones semanales. Al menos 2 años para patrones estacionales (para ver varios ciclos). Más datos equivalen a previsiones más precisas. Cuando tengas un año, puedes prever con confianza. Con el creador de webs de WEMASY puedes configurarlo directamente en tu web.
¿Y si mis datos son erráticos y no tienen un patrón claro?
Algunas webs tienen un tráfico impredecible (webs nuevas, contenido viral, noticias políticas, etc.). La previsión de series temporales necesita patrones. Si tus datos son ruido, la previsión no ayudará. Céntrate en la tendencia.
¿Puedo prever por separado distintos segmentos de mi tráfico?
Sí. Prevé por separado la búsqueda orgánica, los anuncios y el correo. Cada uno puede tener patrones distintos. Después suma los resultados para la previsión total. Esto suele funcionar mejor que prever el tráfico total.
¿Debo ajustar mi previsión a mano?
Si sabes que viene algo (una campaña, un lanzamiento de producto, un evento de temporada), ajusta la previsión para tenerlo en cuenta. El algoritmo no sabe de eventos; tú sí. Usa lo que sabes para afinar la previsión.
¿Cada cuánto debería actualizar mi previsión?
Al menos una vez al mes. Añade datos nuevos y recalcula la previsión. Si cambian los patrones (una campaña nueva, un cambio del mercado), recalcula de inmediato. No des por hecho que la previsión del mes pasado sigue siendo válida.
¿Es lo mismo la previsión de series temporales que la analítica predictiva?
Se parecen, pero no son iguales. La analítica predictiva usa muchas variables (gasto en anuncios, tipo de contenido, estacionalidad, etc.). La previsión de series temporales se centra en una variable ordenada en el tiempo. Las series temporales son más simples; la predictiva es más compleja.