{"id":1677,"date":"2026-11-13T12:55:53","date_gmt":"2026-11-13T12:55:53","guid":{"rendered":"https:\/\/blackaha.com\/pricing-dictionary\/machine-learning\/"},"modified":"2026-11-15T15:31:23","modified_gmt":"2026-11-15T15:31:23","slug":"machine-learning","status":"publish","type":"page","link":"https:\/\/blackaha.com\/es\/pricing-dictionary\/machine-learning\/","title":{"rendered":"Machine learning"},"content":{"rendered":"<figure class=\"bl-illustration alignwide bl-dict-hero wp-block-blackaha-lens-illustration\"><svg class=\"bl-svg bl-svg--illustration\" focusable=\"false\" role=\"img\" aria-label=\"Puntos de datos dispersos con una curva azul ajustada que pasa por ellos y una flecha de retroalimentaci\u00f3n que vuelve a los datos.\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" viewbox=\"0 0 480 320\">\n  <rect class=\"f-surface-alt\" width=\"480\" height=\"320\" rx=\"16\"\/>\n  <g class=\"s-line\" stroke-width=\"2\">\n    <line x1=\"64\" y1=\"252\" x2=\"360\" y2=\"252\"\/>\n    <line x1=\"64\" y1=\"252\" x2=\"64\" y2=\"56\"\/>\n  <\/g>\n  <g class=\"f-ink-soft\">\n    <circle cx=\"92\" cy=\"226\" r=\"6\"\/>\n    <circle cx=\"116\" cy=\"204\" r=\"6\"\/>\n    <circle cx=\"140\" cy=\"214\" r=\"6\"\/>\n    <circle cx=\"164\" cy=\"176\" r=\"6\"\/>\n    <circle cx=\"190\" cy=\"168\" r=\"6\"\/>\n    <circle cx=\"214\" cy=\"140\" r=\"6\"\/>\n    <circle cx=\"240\" cy=\"134\" r=\"6\"\/>\n    <circle cx=\"266\" cy=\"110\" r=\"6\"\/>\n    <circle cx=\"292\" cy=\"104\" r=\"6\"\/>\n    <circle cx=\"318\" cy=\"90\" r=\"6\"\/>\n    <circle cx=\"340\" cy=\"84\" r=\"6\"\/>\n  <\/g>\n  <path class=\"s-brand\" d=\"M84 232 C 150 196, 230 140, 348 80\" fill=\"none\" stroke-width=\"5\" stroke-linecap=\"round\"\/>\n  <rect class=\"f-brand-soft s-brand\" x=\"388\" y=\"112\" width=\"60\" height=\"60\" rx=\"12\" stroke-width=\"3\"\/>\n  <g class=\"f-brand\">\n    <circle cx=\"406\" cy=\"130\" r=\"5\"\/>\n    <circle cx=\"430\" cy=\"130\" r=\"5\"\/>\n    <circle cx=\"406\" cy=\"154\" r=\"5\"\/>\n    <circle cx=\"430\" cy=\"154\" r=\"5\"\/>\n  <\/g>\n  <path class=\"s-ink-soft\" d=\"M418 176 V276 H212 V264\" fill=\"none\" stroke-width=\"3\" stroke-linecap=\"round\" stroke-linejoin=\"round\"\/>\n  <path class=\"s-ink-soft\" d=\"M204 272 L212 262 L220 272\" fill=\"none\" stroke-width=\"3\" stroke-linecap=\"round\" stroke-linejoin=\"round\"\/>\n  <path class=\"s-ink-soft\" d=\"M352 96 L384 128\" stroke-width=\"3\" stroke-linecap=\"round\"\/>\n<\/svg><\/figure>\n\n\n<p class=\"wp-block-paragraph\">El machine learning (aprendizaje autom\u00e1tico) es una rama de la inteligencia artificial en la que el software aprende patrones a partir de datos para hacer predicciones o tomar decisiones, en lugar de seguir reglas escritas a mano. En eCommerce y precios se usa para prever la demanda, estimar c\u00f3mo responden los compradores al precio y reconocer cu\u00e1ndo dos fichas son el mismo producto.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Aprender de ejemplos en lugar de reglas<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Una regla de precios tradicional podr\u00eda decir: si un competidor baja por debajo de nosotros, igu\u00e1lalo, pero nunca bajes del coste m\u00e1s un 15 por ciento. Cada condici\u00f3n la escribe una persona. A un modelo de machine learning, en cambio, se le dan muchos ejemplos pasados, como precios, fechas, niveles de stock y las ventas que siguieron, y ajusta sus par\u00e1metros internos hasta que sus predicciones encajan bien con esos ejemplos.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">El resultado es un modelo que puede hacer una predicci\u00f3n para una situaci\u00f3n nueva que no ha visto exactamente antes. Su calidad depende de si la nueva situaci\u00f3n se parece a los datos de los que aprendi\u00f3.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Al entrenamiento suele seguirle una prueba con datos que el modelo no vio. Un enfoque habitual reserva los meses m\u00e1s recientes, entrena con todo lo anterior y comprueba lo bien que el modelo predice el periodo reservado. Si la precisi\u00f3n cae mucho con los datos no vistos, el modelo ha aprendido el pasado demasiado al pie de la letra y no generalizar\u00e1.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Tipos de aprendizaje<\/h2>\n\n\n\n<ul class=\"wp-block-list\"><li>El aprendizaje supervisado aprende de ejemplos etiquetados, como precios pasados emparejados con unidades vendidas, y predice la etiqueta para casos nuevos.<\/li><li>El aprendizaje no supervisado encuentra estructura en datos sin etiquetar, como agrupar clientes o productos con un comportamiento similar.<\/li><li>El aprendizaje por refuerzo prueba acciones, observa la recompensa y poco a poco prefiere las acciones que dan resultado, un enfoque estudiado para decisiones de precios secuenciales.<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">La mayor\u00eda de los usos pr\u00e1cticos en retail son supervisados. Las familias de modelos van desde la regresi\u00f3n lineal simple hasta los conjuntos de \u00e1rboles de decisi\u00f3n y las redes neuronales. Un modelo m\u00e1s sencillo que el equipo entiende suele ser m\u00e1s \u00fatil que uno complejo que nadie sabe explicar.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Usos habituales en precios y eCommerce<\/h2>\n\n\n\n<ul class=\"wp-block-list\"><li>Previsi\u00f3n de la demanda, para planificar stock y promociones<\/li><li>Estimar la elasticidad del precio en productos con suficiente historial de ventas<\/li><li>Emparejamiento de productos, para decidir si dos fichas con t\u00edtulos distintos son el mismo art\u00edculo<\/li><li>Recomendaciones y orden de b\u00fasqueda en las p\u00e1ginas de la tienda<\/li><li>Detecci\u00f3n de fraude en el pago<\/li><li>Planificaci\u00f3n de rebajas para el stock de temporada<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">El emparejamiento de productos muestra c\u00f3mo encaja la t\u00e9cnica con los datos de la competencia. Se comparan t\u00edtulos, marcas, n\u00fameros de modelo, im\u00e1genes y atributos, y un modelo punt\u00faa la probabilidad de que dos fichas sean el mismo producto. Un emparejamiento err\u00f3neo lleva a una comparaci\u00f3n de precios err\u00f3nea, as\u00ed que los emparejamientos de baja confianza suelen revisarlos personas.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La previsi\u00f3n suele ser el punto de partida m\u00e1s f\u00e1cil. Un modelo que predice las unidades del mes siguiente de cada producto no cambia ning\u00fan precio por s\u00ed mismo, pero ayuda a los compradores a pedir stock, planificar promociones y detectar productos cuyas ventas se alejan de lo esperado. Como la previsi\u00f3n puede contrastarse con la realidad cada semana, la confianza se construye paso a paso.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Un ejemplo: predecir la respuesta al precio<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Imagina, como ejemplo, una tienda de productos para mascotas con dos a\u00f1os de datos diarios de un saco de pienso para perros: su propio precio, el precio m\u00e1s bajo de la competencia seguida, el d\u00eda de la semana, la temporada y las unidades vendidas. Un modelo entrenado con estos datos podr\u00eda estimar que a 52 d\u00f3lares, con la competencia a 50, la tienda vende unos 30 sacos al d\u00eda, y a 49 d\u00f3lares unos 38. Combinadas con el coste unitario, estas estimaciones permiten al equipo comparar el beneficio esperado a cada precio.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Las estimaciones solo valen dentro del rango que el modelo ha visto. Si la tienda nunca ha cobrado m\u00e1s de 55 d\u00f3lares, una predicci\u00f3n a 65 d\u00f3lares es una conjetura disfrazada de cifra. La buena pr\u00e1ctica es probar nuevos niveles de precio con cuidado e incorporar los resultados a los datos.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Primero, los datos<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Un modelo es tan bueno como sus datos de entrada. Los d\u00edas que faltan, los precios registrados en la divisa equivocada, las roturas de stock que parecen demanda baja y las promociones sin marcar le ense\u00f1an al modelo la lecci\u00f3n equivocada. Limpiar y etiquetar los datos suele costar m\u00e1s esfuerzo que entrenar el propio modelo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Los precios de la competencia son un dato de entrada habitual y necesitan el mismo cuidado. Un registro largo y coherente de precios y disponibilidad de la competencia, como el que mantiene <a href=\"\/es\/features\/price-history\/\">historial de precios<\/a>, da a cualquier an\u00e1lisis, sea una hoja de c\u00e1lculo o un modelo, una base m\u00e1s fiable.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Riesgos y l\u00edmites<\/h2>\n\n\n\n<ul class=\"wp-block-list\"><li>Sobreajuste: el modelo memoriza el ruido del pasado y predice mal con datos nuevos<\/li><li>Bucles de retroalimentaci\u00f3n: varios sistemas autom\u00e1ticos reaccionan entre s\u00ed y los precios se desv\u00edan<\/li><li>Decisiones opacas que el personal no puede explicar a los clientes ni a los reguladores<\/li><li>Sesgo, si los datos o las variables llevan a resultados injustos para grupos de clientes<\/li><li>Deriva del concepto: el comportamiento del mercado cambia y un modelo antiguo sigue actuando seg\u00fan patrones desfasados<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Las normas sobre decisiones automatizadas, datos personales y precios var\u00edan seg\u00fan el pa\u00eds. Usar datos personales para fijar precios individuales puede plantear cuestiones legales y \u00e9ticas, y conviene buscar asesoramiento jur\u00eddico experto antes de hacerlo.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Usar el machine learning de forma responsable<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Mant\u00e9n a las personas al mando de los l\u00edmites. Los precios m\u00ednimos, los m\u00e1ximos y los cambios diarios m\u00e1ximos debe fijarlos el negocio y aplicarse sea lo que sea lo que sugiera cualquier modelo. Empieza con previsiones que apoyen una decisi\u00f3n en lugar de modelos que cambien los precios directamente, vigila la precisi\u00f3n frente a lo que ocurre de verdad y reentrena o retira los modelos cuando su error crezca.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Tambi\u00e9n ayuda comparar cada modelo con una referencia sencilla, como las ventas del a\u00f1o anterior en la misma semana o una media m\u00f3vil. Si un modelo sofisticado no supera claramente esa referencia, la complejidad a\u00f1adida no compensa. Documenta qu\u00e9 hace cada modelo, qu\u00e9 datos usa y qui\u00e9n es responsable de \u00e9l, para que las decisiones sigan siendo trazables cuando cambie el personal.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Ideas clave<\/h2>\n\n\n\n<ul class=\"wp-block-list\"><li>El machine learning aprende patrones a partir de datos en lugar de seguir reglas escritas a mano.<\/li><li>En eCommerce sirve para prever la demanda, estimar la respuesta al precio y emparejar productos.<\/li><li>Las predicciones solo son fiables dentro del rango de situaciones que el modelo ha visto.<\/li><li>Unos datos limpios y coherentes, incluidos los precios de la competencia, importan m\u00e1s que la complejidad del modelo.<\/li><li>Los precios m\u00ednimos y m\u00e1ximos fijados por el negocio y la revisi\u00f3n humana deben acotar cualquier decisi\u00f3n automatizada.<\/li><\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Preguntas frecuentes<\/h2>\n\n\n\n<details class=\"wp-block-details is-style-faq is-layout-flow wp-block-details-is-layout-flow\"><summary>\u00bfEl machine learning es lo mismo que la inteligencia artificial?<\/summary>\n<p class=\"wp-block-paragraph\">El machine learning es una parte de la inteligencia artificial. La IA es el campo amplio de hacer que el software realice tareas que parecen inteligentes, mientras que el machine learning es el enfoque de aprender esas capacidades a partir de datos.<\/p>\n<\/details>\n\n\n\n<details class=\"wp-block-details is-style-faq is-layout-flow wp-block-details-is-layout-flow\"><summary>\u00bfNecesito machine learning para fijar bien los precios?<\/summary>\n<p class=\"wp-block-paragraph\">No. Unas reglas claras basadas en el coste, los objetivos de margen y los precios de la competencia funcionan bien para muchas tiendas. El machine learning ayuda sobre todo cuando hay muchos productos, mucho historial y patrones demasiado complejos para reglas sencillas.<\/p>\n<\/details>\n\n\n\n<details class=\"wp-block-details is-style-faq is-layout-flow wp-block-details-is-layout-flow\"><summary>\u00bfCu\u00e1ntos datos necesita un modelo de precios?<\/summary>\n<p class=\"wp-block-paragraph\">No hay una cifra fija. El modelo necesita suficiente historial con variaciones reales de precio para ver c\u00f3mo responde la demanda. Los productos cuyo precio nunca cambi\u00f3 no le dan al modelo nada de lo que aprender sobre la respuesta al precio.<\/p>\n<\/details>\n\n\n\n<h2 class=\"wp-block-heading\">T\u00e9rminos relacionados<\/h2>\n\n\n\n<ul class=\"wp-block-list\"><li><a href=\"\/es\/pricing-dictionary\/monadic-testing\/\">Test mon\u00e1dico<\/a><\/li><li><a href=\"\/es\/pricing-dictionary\/ab-testing\/\">Test A\/B<\/a><\/li><li><a href=\"\/es\/pricing-dictionary\/price-testing-methods\/\">M\u00e9todos de test de precios<\/a><\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">En BlackAha, <a href=\"\/es\/features\/smart-price\/\">Smart Price<\/a> te ayuda a obtener un precio de venta recomendado para cada producto, basado en los precios de la competencia y del mercado.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><a href=\"\/es\/pricing-dictionary\/\">Volver al Diccionario de precios<\/a><\/p>","protected":false},"excerpt":{"rendered":"<p>Machine learning is a branch of artificial intelligence in which software learns patterns from data to make predictions or decisions, not hand-written rules. In e-commerce and pricing it is used to forecast demand, estimate how buyers respond to price and recognise when two listings are the same product. Learning from examples instead of rules A [&hellip;]<\/p>\n","protected":false},"author":0,"featured_media":0,"parent":1276,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-1677","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/blackaha.com\/es\/wp-json\/wp\/v2\/pages\/1677","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blackaha.com\/es\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/blackaha.com\/es\/wp-json\/wp\/v2\/types\/page"}],"replies":[{"embeddable":true,"href":"https:\/\/blackaha.com\/es\/wp-json\/wp\/v2\/comments?post=1677"}],"version-history":[{"count":1,"href":"https:\/\/blackaha.com\/es\/wp-json\/wp\/v2\/pages\/1677\/revisions"}],"predecessor-version":[{"id":1792,"href":"https:\/\/blackaha.com\/es\/wp-json\/wp\/v2\/pages\/1677\/revisions\/1792"}],"up":[{"embeddable":true,"href":"https:\/\/blackaha.com\/es\/wp-json\/wp\/v2\/pages\/1276"}],"wp:attachment":[{"href":"https:\/\/blackaha.com\/es\/wp-json\/wp\/v2\/media?parent=1677"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}