Analítica web
Reflexiones desde el mercado español de Analítica Web

Técnicas de previsión en analítica web – Primera parte

Se lee en 2 minutos

Seguramente, en multitud de ocasiones os habréis preguntado cómo se las ingenia vuestra herramienta de analítica web, para hacer una estimación del valor que va a tomar un determinado KPI en el futuro. De no ser así, al menos alguna vez habréis sentido curiosidad por saber si existen métodos hasta cierto punto fiables, que os permitan conocer cuál será el siguiente valor que tomarán los indicadores que estáis utilizando. Dentro del mundo de la estadística, existe lo que se conoce como “técnicas de previsión”, y su misión es la de responder a todas estas preguntas, de manera más general, con una base matemática y sin centrarse únicamente, en el mundo de la analítica web.

Muchas de estas técnicas de previsión, se pueden aplicar a un conjunto de datos conocido como “series temporales”. Una serie temporal son los diferentes valores que toma una variable, en el transcurso del tiempo. Es decir, en nuestro caso, los indicadores que estamos utilizando, podrían ser las series temporales sobre las que se harían las previsiones y éstas se llevarían a cabo, teniendo en cuenta ciertas características que poseen este tipo de series de datos; por ejemplo, la componente de “tendencia”, la componente “estacional” y la componente “cíclica”.

La “tendencia” de una serie temporal, y en concreto de un determinado KPI, es el cambio gradual que experimenta dicha serie temporal a lo largo del tiempo, sin tener en cuenta posibles fluctuaciones aleatorias que se pudieran producir. Por ejemplo, si estuviéramos analizando las visitas que recibe nuestra página web, podría suceder que su número se incrementara a lo largo del tiempo. En este caso estaríamos hablando de que la tendencia del número de visitas que recibe la página, es creciente.

La componente “cíclica” de una serie temporal, son las fluctuaciones que experimenta dicha serie temporal, a lo largo de un periodo de tiempo de más de un año, normalmente. Estos cambios son independientes, además, de la tendencia que estén experimentando nuestros indicadores. Por ejemplo, pudiera ser que la temática de nuestra página web, favoreciera que en periodos de bonanza económica, las visitas recibidas aumentaran, y en caso contrario éstas disminuyeran.

Por último existe lo que se conoce como componente “estacional”. Es similar a la componente cíclica, pero las fluctuaciones se producen en periodos de tiempo más cortos, normalmente dentro del mismo año. Por ejemplo, siguiendo con el caso de las visitas que recibe nuestra página web, éstas podrían ser mayores los primeros días de la semana, e ir disminuyendo con el transcurso de los días.

Una vez vistas algunas de las características de las series temporales, es posible aplicar diversos métodos conocidos como “técnicas cuantitativas” para llevar a cabo las predicciones. Dentro de estas técnicas tenemos por ejemplo la media móvil, el alisado exponencial y los modelos ARIMA, que obtienen las previsiones basándose en los datos históricos de las series.

También existe otro tipo de técnicas para realizar predicciones conocidas como “técnicas cualitativas”, que no calculan las previsiones mediante ninguna fórmula, sino que se basan en el juicio de las personas para llevar a cabo esta tarea. El método Delphi es una de estas técnicas, en la que un grupo de expertos llega a un consenso sobre una predicción respondiendo de manera individual a preguntas que se basan en las respuestas del resto de miembros del grupo.

De esta forma, ya conocemos un poco más sobre las características principales de una serie temporal que permiten obtener predicciones, como las que realizan las diversas herramientas de analítica web. Los más interesados pueden seguir profundizando en el tema, e incluso si se atreven, tratar de calcular las previsiones para sus propios indicadores.

2 Comentarios

  1. Estimado Javier:

    Muy interesante el tema que has desarrollado, ya que hoy día la mayoría de la analítica web es meramente aplicación de las técnicas de “estadística descriptiva” y estamos lejos aún del uso cotidiano de la “estadística inferencial”.

    Uno de los ejemplos más relevantes es la función de Analytics Intelligence desarrollada por Google Analytics, donde se combinan las estimaciones de los principales KPI’s y en función de ello se disparan las alertas ante valores fuera de los rangos esperados.

    Sin embargo, creo que la mayoría de los analistas web no dominan el tema y están lejos de poder realizar estimaciones y predicciones de series temporales, o desarrollar modelos ARIMA a partir de los datos disponibles en sus plataformas de analítica web.

  2. Ciertamente, tratar de realizar previsiones sobre series temporales sin tener la base necesaria resulta arriesgado, pero en mi opinión, creo que no estaría de más indagar en los métodos más sencillos, o interesarse al menos por las peculiaridades de las técnicas más complejas, para saber cuál podría aplicar mejor en cada caso. Incluso aunque construir modelos matemáticos para realizar previsiones resulta complicado, si fuera necesario sería posible automatizar esta tarea teniendo en cuenta únicamente, determinadas características de las series de datos.

    Gracias por el comentario.

Escribe tu comentario

3 × cinco =

Navegar