Cómo limpiar tus datos de ventas antes de prever (y por qué importa tanto)

Existe una regla incómoda en cualquier proyecto de previsión: basura entra, basura sale. Puedes tener el mejor modelo del mundo, pero si lo alimentas con un histórico lleno de ruido, sus predicciones heredarán ese ruido. Por eso, antes de prever, conviene dedicar tiempo a limpiar los datos.

Los sospechosos habituales

La mayoría de los problemas de datos no son exóticos: se repiten en casi todos los catálogos y, una vez los conoces, son fáciles de detectar.

• Periodos de rotura: ventas a cero que no significan ausencia de demanda.
• Devoluciones contabilizadas como ventas negativas o no descontadas.
• Valores atípicos: un pedido excepcional que distorsiona toda la serie.
• Huecos en los datos: días o semanas sin registro por fallos del sistema.
• Cambios de código de un mismo producto que parten su histórico en dos.

Limpiar no es maquillar

Limpiar datos no consiste en borrar lo que no nos gusta, sino en reflejar mejor la realidad. Un pico por una promoción es información valiosa si lo marcas como tal; el problema es dejarlo sin contexto para que el modelo lo trate como demanda normal. La meta es que la serie represente la demanda real del producto.

Limpiar datos no es ocultar lo que pasó, es contarlo bien: distinguir lo excepcional de lo habitual para que el modelo aprenda lo correcto.

El equilibrio justo

Tampoco hay que pasarse: alisar en exceso la serie elimina señales reales, como la estacionalidad o las tendencias. El objetivo es quitar el ruido sin borrar la música. Documentar qué se ha corregido y por qué ayuda a no repetir el trabajo cada vez.

Star4cast incorpora buena parte de esta limpieza en su flujo: trata los periodos de rotura para no infravalorar la demanda y maneja los valores atípicos al entrenar cada modelo, de modo que partas de una base sólida sin tener que pelearte a mano con la hoja de cálculo.