Predicción de compra: cómo anticipar cuándo va a comprar cada cliente
La predicción de compra estima, con el historial de cada cliente, quién está por comprar, qué rubro, cuándo y con qué margen. En B2B se apoya en el ritmo de reposición propio de cada cuenta. Un modelo predictivo sólo vale si le gana a una regla simple con tus datos.
Qué es la predicción de compra
La predicción de compra, o análisis predictivo aplicado a ventas, es estimar a partir del historial de un cliente cuál es la probabilidad de que compre un rubro en los próximos días. En una distribuidora, donde los clientes reponen, la pregunta útil no es «¿comprará alguna vez?» sino «¿está por reponer abrasivos esta semana?». La respuesta permite que el vendedor llame cuando la llamada tiene sentido y no al azar.
Cómo se predice cuándo va a comprar un cliente B2B
El punto de partida es el ciclo de reposición: cada cuánto compra una cuenta un rubro. Se calcula por cliente y por rubro, no por cartera. Un cliente repone abrasivos cada 15 días y otro cada 4 meses; un corralón compra cemento cada 10 días y otro cada 45. Un promedio general no sirve para ninguno.
Sobre ese ciclo se suman otras señales que están en el ERP: si el volumen viene subiendo o bajando, cuántas veces repuso en los últimos doce meses y con qué regularidad, si hay stock en el depósito y cómo está la cuenta corriente.
Ejemplo con datos de demostración, no de un cliente real. Casa Gómez repone abrasivos cada 15,5 días y ya pasaron 13. Repuso 19 veces en 12 meses, con regularidad. Está cerca de su próxima compra, hay stock y la cuenta está al día: es una buena llamada para hoy. Corralón Norte (también de la demo) tiene un ciclo de 30 días y pasaron 34, pero con una deuda vencida de 62 días: el modelo ve la oportunidad y la regla de negocio la frena, porque primero hay que cobrar.
Regla simple o modelo: cuándo vale cada uno
La regla simple más fuerte es «días desde la última compra sobre el intervalo habitual». Es transparente y, con clientes regulares, difícil de superar. Un modelo predictivo, entrenado con muchos pares cliente-rubro, puede captar patrones que la regla no ve, como tendencias de volumen. Pero no entra por ser modelo: tiene que ganarle a la regla midiendo con los datos de la propia empresa. Si no le gana, se sigue usando la regla, y eso no es un fracaso: es el resultado correcto.
Cómo se valida: el corte en el tiempo
Predecir bien en el papel es fácil si el modelo «ve» el futuro sin querer. Por eso la validación seria usa fotos del pasado: una foto del 15 de marzo sólo puede usar información que existía el 15 de marzo. Después se compara lo que el modelo estimó contra lo que el cliente realmente compró en los días siguientes. Si una variable se calcula con datos posteriores al corte (por ejemplo, un saldo actualizado después), se produce una fuga de información (leakage) y el resultado parece mejor de lo que es.
- Dividí por fecha, no al azar. Entrená con lo viejo, medí con lo más reciente.
- Compará siempre contra una regla simple. Sin comparación, no se sabe si el modelo aporta.
- Desconfiá de los resultados demasiado buenos. Suele haber una fuga.
Dónde se rompe hacerlo a mano o con el ERP solo
En una planilla se puede calcular el ciclo de un cliente y un rubro. Con 300 clientes y 12 rubros son miles de combinaciones que cambian con cada factura, y hay que cruzarlas con stock y deuda. Un ERP guarda los datos y emite reportes, pero no suele estimar probabilidades por cliente y rubro ni descartar lo que no se puede vender hoy. Se puede hacer a mano con una cartera chica; con una grande, deja de ser viable.
Cómo lo hace Atlas
Atlas estima quién está por comprar, cuándo, qué rubro y con qué margen a partir del ritmo de cada cuenta, y las ordena por margen esperado: probabilidad de compra por el margen que suele dejar. Un modelo solo se habilita si le gana a reglas simples con tus datos. Después aplica las reglas del negocio: con deuda vencida, crédito bloqueado o sin stock, la recomendación no sale.
Cada mañana el vendedor recibe por WhatsApp cinco cuentas con su motivo, armado con plantillas sobre números de tus datos y no redactado por un modelo de lenguaje. Lo que acepta, pospone o descarta, y lo que se vende después, vuelve al sistema y afina la lista siguiente. Atlas no promete una precisión: la auditoría previa dice si tus datos alcanzan. Más sobre el enfoque en IA para fuerza de ventas y en reactivar clientes inactivos.
Qué datos necesita
- Ventas con fecha, cliente, rubro y cantidad, al menos de un año.
- Stock por depósito y cuenta corriente.
- Clientes con su vendedor asignado.
Funciona donde los clientes recompran. No sirve para ventas de proyectos únicos, donde cada cliente compra una sola vez.
Preguntas sobre la predicción de compra
¿Qué es la predicción de compra?
Es estimar, con el historial de un cliente, la probabilidad de que compre un rubro en los próximos días. En B2B se apoya en el ritmo de reposición de cada cuenta.
¿Qué es un modelo predictivo en ventas?
Es un modelo entrenado con datos históricos de ventas que estima quién va a comprar, cuándo y con qué margen. Sólo conviene usarlo si supera a reglas simples medidas con los datos de la propia empresa.
¿Cómo se sabe si una predicción de compra es confiable?
Se valida con un corte en el tiempo: se entrena con datos viejos y se compara lo estimado contra lo que el cliente compró después, siempre contra una regla simple. Si una variable usa datos posteriores al corte hay fuga de información y el resultado engaña.
¿La predicción de compra reemplaza al vendedor?
No. Prioriza con qué cuentas conviene hablar hoy y por qué. La relación, la negociación y la venta siguen en manos del vendedor.
¿Qué datos hacen falta para predecir compras en una distribuidora?
Ventas con fecha, cliente, rubro y cantidad de al menos un año, más stock, cuenta corriente y vendedor asignado. Una auditoría sobre una muestra dice si los datos alcanzan.
Seguí leyendo
Mirá quién está por comprar en tu cartera.
Corremos la auditoría sobre una muestra de tus ventas, sin integrar nada, y te decimos si tus datos alcanzan.