Cuando hoy escuchamos palabras como machine learning o inteligencia artificial, es fácil imaginar algoritmos sofisticados trabajando sobre enormes bases de datos. Sin embargo, la idea fundamental detrás de muchos de estos modelos es mucho más antigua. En el fondo, todos intentan responder una pregunta sencilla: si una variable cambia, cómo cambia otra.
Responder a esa pregunta con números ha sido una preocupación constante durante siglos. Mucho antes de que existiera la estadística formal, científicos, comerciantes y astrónomos ya intentaban encontrar patrones que permitieran anticipar resultados.
La regresión moderna es el resultado de ese largo esfuerzo intelectual. Su historia no es una ruptura tecnológica reciente, sino una evolución gradual de ideas que comienzan con cálculos muy simples y terminan en los algoritmos de aprendizaje automático actuales.
Cuando se habla de inteligencia artificial o aprendizaje automático, muchas veces se piensa inmediatamente en algoritmos complejos. Sin embargo, en la práctica los modelos son solo una pequeña parte del trabajo.
La predicción cuantitativa no consiste simplemente en “aplicar un algoritmo”. Consiste en recorrer un proceso estructurado que transforma datos en conocimiento útil para tomar decisiones.
Ese proceso es lo que en ciencia de datos se conoce como el ciclo de vida de un proyecto de Machine Learning.
Aunque los modelos puedan ser muy diferentes —desde una simple regresión hasta sistemas avanzados de deep learning—, casi todos los proyectos siguen una lógica muy similar.
En términos generales, este recorrido puede resumirse en seis etapas:
Definir el objetivo
Adquirir los datos
Explorar la información
Preparar el dataset
Construir el modelo
Desplegar y monitorizar
En este post veremos brevemente qué ocurre en cada una de estas fases. En futuras publicaciones iré mostrando proyectos reales que siguen exactamente esta misma estructura. Estos nos servirán de ejemplo de los modelos de predicción cuantitativa más utilizados
En un post anterior clasificábamos los métodos de previsión en dos grandes familias: cuantitativos y cualitativos. Dentro de los cualitativos podemos distinguir aquellos basados en juicio individual (opinión experta, analogías históricas, escenarios narrativos) y aquellos que intentan estructurar el juicio colectivo para reducir sesgos. El método Delphi pertene a esta segunda categoria.
No es predicción basada en datos en sentido estricto porque no parte de series temporales ni modelos matemático pero tampo es simple intuición. Es, probablemente, el intento más sofisticado del siglo XX de convertir el juicio experto en una herramienta sistemática de predicción.
Este método nació además en un contexto donde equivocarse podía significar una guerra nuclear.
En el post anterior vimos cómo la predicción cuantitativa analítica parte de una estructura estimada y la proyecta hacia el futuro. Funciona especialmente bien cuando el fenómeno es relativamente estable y las relaciones pueden formalizarse mediante una ecuación o función. Pero no todos los sistemas se comportan así.
Hay contextos donde:
Las interacciones entre elementos generan dinámicas emergentes.
La incertidumbre es central y acumulativa.
Los resultados no dependen de una única trayectoria, sino de muchas posibles.
El comportamiento futuro depende de decisiones que se retroalimentan.
En estos casos, en lugar de resolver un modelo, necesitamos simular un sistema. Eso nos lleva a la segunda gran familia de la predicción cuantitativa: la predicción basada en simulación.
En el post anterior vimos que la predicción no siempre empieza con datos y modelos: a veces lo más razonable es recurrir a estrategias cualitativas. Pero cuando el fenómeno es lo bastante estable, repetible y medible, la predicción cuantitativa ofrece algo muy valioso: un lenguaje común para comparar, evaluar y mejorar.
Ahora bien, dentro de la predicción cuantitativa conviene hacer una distinción fundamental porque no todos los modelos numéricos funcionan igual.
Algunos resuelven una estructura matemática estimada a partir de los datos y producen una predicción directa.
Otros, en cambio, recrean el sistema múltiples veces mediante simulación, generando dinámicas posibles y distribuciones emergentes.
Este post se centra en la primera familia: la predicción cuantitativa analítica.
Cuando se habla de predicción, la conversación suele girar rápidamente hacia modelos cuantitativos, datos y algoritmos. Sin embargo, en muchos contextos reales, la mejor estrategia predictiva no es cuantitativa, ni tampoco una simulación formal.
Antes de números, a menudo solo hay experiencia, analogías, narrativas plausibles y/o juicios informados.
A eso lo llamamos predicción cualitativa y lejos de ser un recurso “menor”, es una estrategia legítima y, en muchos casos, necesaria.
1. ¿Cuándo conviene usar predicción cualitativa?
La predicción cualitativa es especialmente útil cuando forzar una predicción cuantitativa sería artificial o engañoso. No siempre faltan datos; a veces lo que falta es estructura, comparabilidad o estabilidad.
Hablar de predicción suele llevarnos demasiado rápido a los modelos: regresión, clasificación, redes neuronales, machine learning. Pero empezar por ahí es como aprender geografía memorizando capitales sin haber visto nunca un mapa.
Antes de entrar en técnicas concretas, algoritmos o librerías, conviene dar un paso atrás y responder a una pregunta más básica:
¿De cuántas formas distintas intentamos predecir el futuro?
Este post es el primero de una serie extensa dedicada a recorrer, con calma, las distintas estrategias de predicción. No empieza por el cómo se calcula, sino por el cómo se piensa un problema predictivo.
La imagen que encabeza este post resume ese mapa general. A lo largo de la serie volveremos a ella muchas veces.
Tipo de evento: La inflación media anual (IPC) registrada en 2026 en España.
Predicción: un 77% de probabilidad que suba más de un 7%.
Evento
La variación anual media del precio de compra de la vivienda en España durante el año 2026.
El evento se considerará evaluado una vez disponibles los datos definitivos correspondientes a 2026 publicados por las fuentes estadísticas de referencia (INE, Ministerio de Vivienda u organismos equivalentes).
Tasa base
A largo plazo, el precio de la vivienda en España tiende a crecer a un ritmo ligeramente superior a la inflación, con episodios de aceleración cuando la oferta es rígida y la demanda se concentra geográficamente.
Una tasa de crecimiento en torno al 5 % anual representa ese ritmo “normal” de fondo, coherente con la media observada desde 2014 y con la experiencia de países europeos comparables en contextos de oferta limitada.
Sin embargo, para 2026 se asume que el mercado no se encuentra en una situación de normalidad. La persistencia de una escasez estructural de oferta, especialmente en áreas urbanas tensionadas, junto con una demanda concentrada, justifica elevar la tasa base operativa hasta el 6,5 %.
Este ajuste no refleja un cambio estructural de tendencia, sino un desplazamiento temporal del régimen, en el que el crecimiento medio esperado se sitúa por encima de su ancla histórica.
Ajustes cualitativos
Motores (de mayor a menor relevancia)
Escasez estructural de oferta, especialmente en áreas urbanas tensionadas Impacto estimado: 60 % – 75 %
Concentración de la demanda en determinadas zonas geográficas Impacto estimado: 55 % – 70 %
Percepción de la vivienda como activo relativamente seguro Impacto estimado: 40 % – 55 %
Inercia de expectativas tras varios años de subidas intensas Impacto estimado: 45 % – 60 %
Frenos (de mayor a menor relevancia)
Coste de financiación y esfuerzo financiero de los hogares Impacto estimado: 50 % – 65 %
Límites de renta y ahorro disponibles para nuevos compradores Impacto estimado: 55 % – 70 %
Incertidumbre regulatoria y fiscal, con impacto desigual según territorio Impacto estimado: 35 % – 50 %
Posible saturación de la demanda en segmentos específicos Impacto estimado: 30 % – 45 %
Predicción probabilística
Distribución subjetiva de probabilidad para la variación anual media del precio de la vivienda en 2026:
Subida inferior al 5 % → 5 %
Subida entre 5 % y 7 % → 18 %
Subida entre 7 % y 10 % → 48 %
Subida superior al 10 % → 29 %
La probabilidad implícita de que el crecimiento anual supere el 7 % se sitúa en el 77 %, reflejando un escenario central de crecimiento elevado pero no extremo.
Metodología y reproducibilidad
El cálculo completo de probabilidades y escenarios está disponible en un archivo Excel adjunto, editable y reproducible, que documenta:
La tasa base estructural y la tasa base operativa
Los ajustes cualitativos aplicados
La combinación de escenarios
La normalización final de probabilidades
Revisiones periódicas (protocolo)
Esta predicción será revisada de forma trimestral, o antes si se produce información relevante que altere el equilibrio entre oferta, demanda y condiciones financieras.
En cada revisión se documentará:
Fecha de la revisión
Nueva distribución de probabilidades
Cambios respecto a la versión anterior
Evidencia o datos que motivan la actualización
Las revisiones se añadirán cronológicamente en esta misma ficha para mantener un registro público, transparente y auditable del proceso de actualización.
Evaluación final (pendiente)
La evaluación se realizará una vez publicados los datos definitivos correspondientes a 2026.
Tipo de evento: Variable macroeconómica continua (IPC medio anual).
Predicción: 68% probabilidad que se situe por debajo del 2,4%
Evento
La inflación media anual (IPC) registrada en España durante el año 2026, medida por el Instituto Nacional de Estadística (INE).
El evento se considerará evaluado una vez publicado el dato definitivo de IPC medio anual correspondiente a 2026.
Tasa base
En economías avanzadas, la inflación tiende a oscilar en torno al entorno del 2,2 %, con desviaciones temporales tras shocks relevantes, pero con tendencia a reabsorberse en ausencia de nuevas perturbaciones.
Para el caso europeo, las previsiones oficiales sitúan la inflación alrededor del 2 %, mientras que otros organismos y analistas la sitúan en torno al 2,3 %.
Esta horquilla constituye la tasa base estructural a partir de la cual se realizan los ajustes.
Ajustes cualitativos
Motores inflacionarios (de mayor a menor relevancia)
Persistencia de presiones en servicios y costes laborales Impacto estimado: 25 % – 45 %
Efectos de segunda ronda por indexaciones parciales Impacto estimado: 25 % – 45 %
Prediction Machines: The Simple Economics of Artificial Intelligence, publicado en 2018 por Ajay Agrawal, Joshua Gans y Avi Goldfarb, parte de una idea tan simple como potente: el principal impacto de la inteligencia artificial no es que las máquinas “piensen”, sino que reducen drásticamente el coste de la predicción. Y dado que toda decisión incorpora algún tipo de predicción, este abaratamiento tiene consecuencias económicas de gran alcance.
El libro se publicó cuatro años antes del lanzamiento de ChatGPT, anticipándose al auge masivo de la IA generativa y al debate actual sobre su impacto. En un momento en el que la IA aún se percibía como una tecnología especializada, los autores ya señalaban que el verdadero cambio no vendría de aplicaciones llamativas, sino de la incorporación silenciosa de la predicción barata en millones de decisiones cotidianas.
Desde una perspectiva económica y pragmática, la IA se presenta como una continuación de avances previos —como las hojas de cálculo o los sistemas de optimización— que transformaron la toma de decisiones al reducir costes. La diferencia ahora es la escala: pequeñas mejoras en precisión, aplicadas de forma sistemática, generan un valor enorme.
A lo largo del libro, esta tesis se desarrolla en tres grandes bloques: qué es la predicción desde el punto de vista económico, cómo su abaratamiento transforma decisiones y organizaciones, y qué implicaciones estratégicas se derivan de un mundo donde predecir es cada vez más barato, pero el juicio humano sigue siendo escaso y valioso.
The Bayesian Fox 