Modo Forecast: prever la facturación directamente en Gini

El modo Forecast es una nueva funcionalidad de Gini by MyTraffic que construye un modelo de previsión a partir de tu propia red de tiendas y luego predice facturación, facturación por metro cuadrado, plantilla necesaria o cualquier otro indicador que elijas, en cualquier dirección que escribas en Gini. En nuestras pruebas internas sobre redes de clientes reales alcanza un 9 % de MAPE (error porcentual absoluto medio): la cifra que da se sitúa aproximadamente en más o menos un 9 % de lo que ocurre en realidad. No es una fórmula de cautela. El modo Forecast muestra ese margen de entrada, antes de que te apoyes en la cifra.

En retail y en gran distribución este ejercicio se hace desde hace décadas. El método de los análogos de William Applebaum, que compara un emplazamiento candidato con tiendas parecidas ya presentes en la red, se remonta a los años cuarenta y cincuenta. El modelo gravitacional de David Huff lo sucedió una generación más tarde, ponderando distancia y superficie para predecir a dónde irían los clientes. Los dos siguen funcionando. Lo que ha cambiado es la velocidad a la que un equipo puede construir un modelo así y fiarse de él.

Qué hace el modo Forecast

El modo Forecast parte de los datos de tu red: las ubicaciones que ya gestionas y el rendimiento de cada una. Entrena un modelo sobre el indicador que te interesa: facturación, facturación por metro cuadrado, plantilla necesaria o cualquier otra cifra presente en tus datos. Después cruza esos datos con la capa de Location Intelligence de MyTraffic: afluencia, perfil sociodemográfico del área de influencia, horas punta, densidad competitiva y acceso al transporte público, entre otras señales.

Obtienes una cifra clara, acompañada del razonamiento que lleva hasta ella: el peso de cada variable y el margen de error. El modelo también tiene en cuenta la canibalización con tus tiendas cercanas, en lugar de puntuar el emplazamiento candidato de forma aislada. Una previsión que nadie puede cuestionar no es una previsión, es una cifra inventada, simplemente vestida de decimales.

Qué precisión tiene, en concreto

La cifra solo cobra sentido en comparación. Un análisis de MarketsandMarkets de 2025 sitúa los métodos de previsión tradicionales entre el 20 % y el 35 % de MAPE, y los enfoques basados en machine learning entre el 8 % y el 20 %.

• Métodos de previsión tradicionales: del 20 % al 35 % de error (MAPE)
• Métodos de machine learning: del 8 % al 20 %
• Modo Forecast, pruebas internas: 9 %

El modo Forecast se sitúa entre los mejores resultados del rango de machine learning, con un error unas tres veces menor que el de los enfoques tradicionales. Lo que mueve esa cifra de un equipo a otro: el volumen de datos de red aportados, su limpieza y la variedad de las ubicaciones y áreas de influencia existentes. Una cadena con 60 tiendas repartidas en cinco formatos da al modelo más material que una con seis tiendas todas iguales, y la previsión refleja esa diferencia en lugar de disimularla. Funciona porque la afluencia es uno de los mejores predictores del rendimiento futuro de una tienda: cuantos más datos reales de comportamiento tiene el modelo sobre una zona, menos tiene que extrapolar.

Cómo funciona, paso a paso

1. Abre el modo Forecast. Pestaña Feature a la izquierda, luego Forecast y después New forecast.
2. Elige el país. El modo Forecast cubre los 18 países disponibles en Gini, entre ellos Francia, Reino Unido, España y Estados Unidos, algo que cuenta si tu plan de expansión abarca varios mercados a la vez.
3. Sube los datos de tu red. Tus ubicaciones actuales y el rendimiento de cada una.
4. Deja que Gini los limpie y los geocodifique. Gini reconoce el significado de cada columna y de cada fila y coloca cada ubicación en el mapa, un paso que a un analista trabajando a mano le llevaría normalmente varias semanas.
5. Gini entrena el modelo. Sobre el indicador que hayas elegido, casi siempre la facturación o la facturación por metro cuadrado.

Todo el recorrido, desde la carga hasta el modelo entrenado, lleva unos diez minutos, y nadie del equipo necesita un perfil de datos. Una vez entrenado, el modelo es tuyo. Vive dentro de Gini y se aplica a cualquier dirección, tantas veces como quieras, sin volver a configurarlo.

Usar tu previsión en cualquier conversación de Gini

Una vez entrenado, el modelo está en el mismo sitio que todos tus demás análisis de ubicación. Pulsa @, selecciona tu modelo, escribe una dirección: Gini devuelve la previsión, el razonamiento y el margen de error en la misma conversación.

Pongamos una cadena de alimentación que ha entrenado un modelo de facturación por metro cuadrado con sus 40 tiendas. Su equipo de expansión escribe una dirección candidata en una calle comercial de Lyon. Gini devuelve 4.200 €/m² con un rango de confianza de 3.700 € a 4.700 €, y nombra los tres factores que explican ese nivel: la densidad residencial del entorno, la afluencia de la mañana y la ausencia de un competidor directo en 400 metros.

Es una cifra que un comité de inversiones puede examinar en detalle, no solo aprobar. El mismo modelo se reutiliza en todas las direcciones que el equipo quiera probar, sin coste de configuración adicional: comparar cinco emplazamientos candidatos lleva una tarde en lugar de cinco informes de consultoría separados.

Qué cambia en los plazos de previsión

Así funcionaba el proceso anterior. Haces un briefing a un equipo de consultoría, esperas mientras limpia los datos, lanza sus controles y mide la precisión. Entrega un modelo, y empiezan las preguntas, porque la cifra se cuestiona sistemáticamente. ¿Coincide con lo que el cliente ve sobre el terreno? ¿Qué variables la han determinado realmente? ¿Se puede ajustar? Cada tanda de preguntas genera otra ida y vuelta, y cada ida y vuelta retrasa la fecha de apertura y la decisión. Las consultorías como las de Buxton necesitan ya entre seis y nueve meses para entregar un primer modelo, un plazo que no incluye siquiera la fase de preguntas y respuestas posterior.

El modo Forecast elimina la ida y vuelta. Quien conoce el negocio entrena el modelo, ve el margen de error de inmediato y puede volver a lanzarlo sobre una dirección nueva esa misma tarde, y otra vez al trimestre siguiente. Lo que exigía una consultoría de unas semanas, en el mejor de los casos, y hasta nueve meses para un modelo totalmente a medida, cabe ahora en un solo workflow de Gini, sin software de selección de ubicación ni contrato con proveedor aparte.

El modo Forecast no está separado de los datos que sirven para elegir la ubicación de un flagship. Se apoya en los mismos datos sociodemográficos, la misma afluencia y la misma densidad competitiva, ahora integrados en un modelo en lugar de reunidos a mano cada vez. Lo que elimina son los meses de espera a que otra persona convierta esos datos en una cifra, tanto si el emplazamiento estudiado es un único flagship como si es uno de los varios centros comerciales analizados a la vez dentro de un plan de expansión multipaís.

Preguntas frecuentes

¿Cómo se prevé la facturación de una nueva tienda?

‍El modo Forecast entrena un modelo con tus tiendas actuales y su rendimiento, y después cruza el resultado con datos de Location Intelligence (afluencia, perfil sociodemográfico del área de influencia, densidad competitiva) para predecir la facturación, u otro indicador, en una dirección nueva.

¿Qué datos necesito para construir una previsión en Gini?

‍Los datos de tu red: la lista de tus ubicaciones y su rendimiento en el indicador que quieres predecir. Gini los limpia, los geocodifica y los estructura automáticamente tras la carga, y toda la configuración lleva unos diez minutos.

¿Qué precisión tiene el modo Forecast?

‍Nuestras pruebas internas sobre redes de clientes reales lo sitúan en un 9 % de MAPE. Un análisis de MarketsandMarkets de 2025 sitúa los métodos de machine learning entre el 8 % y el 20 % de MAPE y los enfoques tradicionales entre el 20 % y el 35 %, lo que coloca al modo Forecast entre los más precisos del rango de machine learning.

¿Qué indicadores puede predecir el modo Forecast?

‍Cualquier indicador presente en tus datos: facturación, facturación por metro cuadrado, plantilla necesaria o un KPI propio de tu negocio.

¿En qué se diferencia de un modelo de análogos o de un modelo gravitacional?‍

Los modelos de análogos y gravitacionales comparan un emplazamiento candidato con unas pocas tiendas parecidas, a mano, usando la distancia y la superficie como señales principales. El modo Forecast automatiza esa comparación en toda tu red, le añade la capa de Location Intelligence de MyTraffic y los controles de canibalización con tus tiendas cercanas, y muestra el margen de error en lugar de una cifra sin matizar.