Tipos de modelos predictivos: cuál usar según el problema

Elegir un modelo predictivo empieza por definir qué quieres predecir. No por escoger el algoritmo que esté de moda. La variable objetivo, el tipo de dato, el horizonte temporal y el coste de equivocarse determinan qué familia de modelos tiene sentido.

Regresión: predecir una cantidad

La regresión se usa cuando la salida es numérica: ventas del próximo mes, demanda energética, duración de una reparación o valor esperado de un cliente. Una regresión lineal puede ser una gran línea base porque es rápida, interpretable y obliga a comprobar relaciones básicas antes de subir complejidad.

Clasificación: predecir una categoría

La clasificación responde preguntas como “¿este cliente abandonará?”, “¿esta transacción parece fraudulenta?” o “¿este correo pertenece a esta categoría?”. Aquí no basta con la exactitud global: si una clase es rara, precision, recall, F1 o PR-AUC pueden ser más informativas.

Series temporales: predecir el futuro usando el tiempo

Cuando el orden temporal importa, dividir datos al azar puede producir una evaluación engañosa. Las series temporales utilizan tendencia, estacionalidad, variables externas y ventanas históricas para estimar valores futuros.

Ranking y propensión

En marketing, recomendación o priorización comercial a menudo interesa ordenar casos por probabilidad o valor esperado más que asignar una etiqueta definitiva. En esos escenarios, la calibración y la calidad del ranking importan tanto como el umbral final.

Problema	Salida	Ejemplo	Métricas habituales
Regresión	Número	Demanda	MAE, RMSE, MAPE
Clasificación	Clase/probabilidad	Churn	Precision, recall, F1, ROC/PR-AUC
Serie temporal	Valor futuro	Ventas semanales	MAE, RMSE, MASE
Ranking	Orden/prioridad	Leads	Lift, gain, precision@k

Cómo elegir sin sobrecomplicar

1. Crea una línea base simple.
2. Define la métrica antes de entrenar.
3. Separa los datos respetando tiempo y grupos.
4. Compara complejidad contra mejora real.
5. Revisa interpretabilidad, latencia y coste de mantener el modelo.

El mejor modelo no es el más complejo: es el que mejora una decisión de forma medible y puede mantenerse con los datos disponibles.

Ejemplo práctico: elegir modelo para prever cancelaciones

Imagina una empresa de suscripción que quiere saber qué clientes podrían cancelar durante los próximos 30 días. La salida es una probabilidad, así que el problema es de clasificación. Una primera versión puede usar regresión logística con variables como antigüedad, frecuencia de uso, incidencias y cambios recientes de plan. Después se puede comparar con árboles o boosting. Si el equipo solo puede llamar a 300 clientes por semana, el criterio decisivo no será la exactitud general: será cuántas bajas reales aparecen entre los 300 casos con mayor probabilidad.

Ahora cambia el problema: la empresa quiere prever cuántas cancelaciones tendrá cada semana durante el próximo trimestre. La unidad deja de ser el cliente y pasa a ser una serie temporal agregada. La pregunta parece parecida, pero el modelo, la partición de datos y las métricas son diferentes.

Errores frecuentes al clasificar el problema

• Usar clasificación cuando en realidad importa un ranking de prioridades.
• Ignorar el tiempo y mezclar futuro con pasado durante la validación.
• Elegir clustering para “predecir” cuando no existe una variable objetivo.
• Comparar modelos con métricas distintas o con conjuntos de prueba diferentes.
• Confundir probabilidad bien calibrada con una simple puntuación de ranking.

Preguntas frecuentes

¿Un modelo más complejo siempre predice mejor?

No. En datos tabulares pequeños o medianos, un modelo simple puede competir muy bien y ser mucho más fácil de explicar y mantener. La complejidad debe ganarse con una mejora validada.

¿Puedo usar varios tipos a la vez?

Sí. Un sistema puede combinar previsión temporal para demanda total y clasificación para priorizar casos individuales. Lo importante es que cada modelo responda una pregunta definida.

¿Cuánto dato necesito?

Depende de la variabilidad del fenómeno, el número de variables y la frecuencia del evento. Más filas no compensan etiquetas incorrectas, fugas de información o un periodo histórico poco representativo.

Si quieres conocer otros artículos parecidos a Tipos de modelos predictivos: cuál usar según el problema puedes visitar la categoría Modelos Predictivos.