Una empresa puede tener los mejores tableros de control y aun así tomar malas decisiones. Los tableros muestran qué pasó; rara vez explican por qué pasó ni qué pasaría si cambiamos algo. Para eso existe la econometría. En este artículo explicamos qué es, por qué es pertinente para las empresas y qué estudios concretos se pueden hacer con ella.
Qué es la econometría
La Enciclopedia Británica la define como el análisis estadístico y matemático de las relaciones económicas, que con frecuencia sirve de base para hacer pronósticos. Jeffrey Wooldridge, autor de uno de los textos más usados en el mundo, agrega que sus métodos sirven para estimar relaciones económicas, poner a prueba teorías y evaluar e implementar políticas públicas y de negocio.
Dicho de forma simple: la econometría convierte los datos de una empresa en respuestas cuantitativas a preguntas como “¿cuánto cae la demanda si subo el precio?” o “¿la campaña de publicidad realmente generó ventas?”.
Por qué no basta con inteligencia artificial
El aprendizaje automático es excelente para predecir. Pero como explicó el economista jefe de Google, Hal Varian, en un artículo de 2014 en el Journal of Economic Perspectives, el machine learning se ha ocupado sobre todo de la predicción pura, y un modelo predictivo, por sí solo, no permite concluir nada sobre causalidad. La colaboración más valiosa entre ambos mundos está justamente en la inferencia causal.
Susan Athey y Guido Imbens, de Stanford, mostraron en 2019 que los métodos que combinan machine learning y econometría superan a cada enfoque por separado en tareas clave para las empresas: estimar efectos de una intervención, diseñar políticas óptimas y predecir cómo los cambios de precio alteran las decisiones de los consumidores.
La importancia de este enfoque fue reconocida con el Premio Nobel de Economía de 2021, otorgado a David Card, Joshua Angrist y Guido Imbens por sus contribuciones al análisis de relaciones causales con experimentos naturales. Uno de los trabajos más citados de Card comparó restaurantes de comida rápida de Nueva Jersey, donde subió el salario mínimo, con los de Pensilvania, donde no subió, y encontró que el aumento no necesariamente redujo el empleo. Es el tipo de pregunta que una empresa o un gremio colombiano también puede responder con sus datos.
Por qué es pertinente para una empresa
- El precio es la palanca más poderosa. Para la empresa promedio del índice S&P 1500, mejorar el precio en 1 % manteniendo el volumen eleva la utilidad operativa en 8 % (McKinsey). Un estudio anterior con 2.463 empresas calculó 11,1 %. Ambos suponen que el volumen no cambia, y saber cuánto cambia es precisamente lo que mide la elasticidad-precio.
- Experimentar paga. Un cambio en la forma de mostrar los anuncios en Bing, validado con un experimento controlado, aumentó los ingresos en 12 %, más de US$100 millones al año solo en Estados Unidos. Microsoft, Amazon, Booking.com y Google realizan cada una más de 10.000 experimentos al año (Harvard Business Review, 2017).
- Mejores pronósticos, menos inventario. McKinsey estima que los pronósticos de demanda con técnicas avanzadas pueden reducir los errores entre 20 % y 50 % y los inventarios entre 20 % y 50 %. Son estimaciones de potencial, no garantías, pero muestran el orden de magnitud.
- Decisiones defendibles. Un modelo econométrico documentado permite sustentar una decisión ante una junta, un banco o un ente de control con un método reconocido.
Tipos de estudios que una empresa puede hacer
| Estudio | Pregunta que responde | Método típico |
|---|---|---|
| Elasticidad-precio de la demanda | ¿Cuánto cae el volumen si subo el precio 1 % y cuál precio maximiza la utilidad? | Regresión log-log, variables instrumentales, modelos de elección discreta |
| Pronóstico de ventas y demanda | ¿Cuánto venderé por producto y región en los próximos 3 a 12 meses? | ARIMA/SARIMA, suavizamiento exponencial, regresión dinámica con variables macro |
| Mezcla de marketing (MMM) | ¿Qué canal genera ventas adicionales y cómo repartir el presupuesto? | Regresión bayesiana con efectos de saturación y rezago (por ejemplo, Meridian de Google o Robyn de Meta, ambos de código abierto) |
| Experimentos A/B | ¿El nuevo precio, página o campaña causó el aumento? | Experimento aleatorizado y prueba de diferencia de medias |
| Evaluación de impacto | ¿Qué efecto tuvo un programa, una sucursal nueva o un cambio de política? | Diferencias en diferencias, emparejamiento, regresión discontinua |
| Riesgo de crédito de clientes y proveedores | ¿Qué probabilidad hay de que este cliente o proveedor incumpla? | Modelos logit o probit con razones financieras |
| Fuga de clientes | ¿Qué clientes se van a ir y qué lo explica? | Logit, modelos de supervivencia |
| Productividad | ¿Qué aportan el capital, el trabajo y la tecnología, y qué tan eficiente soy frente al sector? | Funciones de producción con datos de panel, fronteras estocásticas |
| Análisis sectorial | ¿Cómo se comparan mis márgenes, endeudamiento y crecimiento con los de mis competidores? | Panel con efectos fijos sobre estados financieros |
| Sensibilidad macroeconómica | ¿Cómo afectan la tasa de cambio, la inflación o las tasas de interés a mis ventas y costos? | Modelos VAR y de corrección de errores |
| Demanda en compras públicas | ¿Qué entidades compran lo que vendo, a qué precio y en qué época del año? | Modelos de conteo y regresión de precios sobre datos del SECOP |
Colombia tiene datos públicos para enriquecer los modelos
Una ventaja poco aprovechada es la cantidad de información pública y gratuita que puede combinarse con los datos internos de una empresa:
- DANE: microdatos anonimizados de encuestas como la Encuesta Anual Manufacturera, la de Comercio y la de Servicios, en su catálogo ANDA.
- Banco de la República: series de inflación, tasas, tasa de cambio y crédito, descargables y consultables por servicio web desde su portal de estadísticas económicas.
- Superintendencia de Sociedades: estados financieros de miles de empresas bajo NIIF desde 2015 en el SIIS, ideales para comparaciones sectoriales.
- SECOP: datos abiertos de la contratación pública en datos.gov.co, con entidades, proveedores, productos, valores y fechas.
- DIAN: bases de importaciones y exportaciones de libre acceso.
- DNP – SINERGIA: evaluaciones de políticas públicas que sirven de referencia metodológica.
Cómo empezar
- Formular una pregunta de negocio precisa, con una decisión asociada.
- Revisar qué datos existen internamente y cuáles se pueden traer de fuentes públicas.
- Elegir el método adecuado: no todo problema necesita un modelo complejo.
- Validar los resultados con el equipo que conoce el negocio y, cuando sea posible, con un experimento.
- Traducir el resultado a una decisión: un precio, un presupuesto, una meta.
Si quieres profundizar, el libro Forecasting: Principles and Practice de Hyndman y Athanasopoulos está disponible gratis en línea, y el Banco Mundial ofrece en español el manual La evaluación de impacto en la práctica.
En IA Empresarial hacemos estudios económicos y econométricos a la medida para empresas y entidades públicas. Conoce el servicio o escríbenos.
Fuentes
- Encyclopaedia Britannica. Econometrics. Enlace.
- Wooldridge, J. M. (2020). Introductory Econometrics: A Modern Approach, 7.ª ed. Cengage.
- Varian, H. R. (2014). Big Data: New Tricks for Econometrics. Journal of Economic Perspectives 28(2): 3–28. Enlace.
- Athey, S. e Imbens, G. (2019). Machine Learning Methods That Economists Should Know About. Annual Review of Economics 11. Enlace.
- Real Academia Sueca de Ciencias (2021). Comunicado del Premio Nobel de Economía. Enlace.
- Kohavi, R. y Thomke, S. (2017). The Surprising Power of Online Experiments, Harvard Business Review. Enlace.
- Marn, M. y Rosiello, R. (1992). Managing Price, Gaining Profit, Harvard Business Review. Enlace.
- Marn, Roegner y Zawada (2003). The power of pricing, McKinsey Quarterly. Enlace.
- McKinsey (2017). Smartening up with Artificial Intelligence. Enlace.
- Hyndman, R. y Athanasopoulos, G. Forecasting: Principles and Practice, 3.ª ed. Enlace.
- Google (2025). Meridian, modelo de mezcla de marketing de código abierto. Enlace.
- Meta. Robyn, paquete de código abierto para MMM. Enlace.
- Gertler, P. et al. (2016). La evaluación de impacto en la práctica, 2.ª ed., Banco Mundial. Enlace.
- DANE. Catálogo de microdatos ANDA. Enlace.
- Banco de la República. Portal de estadísticas económicas. Enlace.
- Superintendencia de Sociedades. Sistema Integrado de Información Societaria (SIIS). Enlace.
- DNP. SINERGIA. Enlace.