El Índice de estacionalidad (Seasonality Index) es una métrica que cuantifica las fluctuaciones naturales en la demanda de un producto o servicio a lo largo del tiempo, impulsadas por factores externos y no por la inversión publicitaria.
En el contexto de los modelos de atribución y el cálculo del ROAS incremental (iROAS), este índice es fundamental por las siguientes razones:
Separar el mérito del azar
Las ventas de un negocio rara vez son planas. Existen picos naturales de demanda debido a épocas del año (Navidad, Black Friday, verano), días de la semana (fines de semana vs. días laborables) o incluso factores climáticos.
Si lanzas una campaña publicitaria durante el Black Friday, las ventas se dispararán. Sin este índice, el modelo estadístico asumiría erróneamente que todo ese pico de ventas fue gracias a los anuncios, inflando artificialmente el ROAS de la campaña. El índice de estacionalidad le dice al modelo: «Cuidado, en estas fechas las ventas orgánicas ya iban a subir de forma natural, descuenta este efecto antes de calcular el impacto real de los anuncios».
¿Cómo se representa en los datos?
Normalmente, se expresa como un valor numérico centrado en 1 (o en 100, dependiendo de la escala):
- Valor 1.0: Representa un día de demanda «promedio» o normal.
- Valor 1.5: Indica que ese día tiene una demanda natural un 50% superior a la media (por ejemplo, en plenas rebajas).
- Valor 0.8: Indica que la demanda natural es un 20% inferior a la media (por ejemplo, un martes de un mes valle).
¿Cómo calcularlo para tus propios datasets?
Si no tienes este índice precalculado, puedes generarlo de varias formas que te adelanto y que desarrollaré un poco más abajo:
- Histórico de ventas: Analizando las ventas de años anteriores (sin impacto publicitario fuerte) para extraer la curva de tendencia natural.
- Google Trends: Utilizando el volumen de búsqueda de tu categoría de producto como un proxy de la demanda del mercado (escalando los valores de 0-100 a un multiplicador en torno a 1).
- Modelos de series temporales: Usando herramientas como Prophet (de Meta) para descomponer tus ventas históricas y extraer el componente estacional.
Las herramientas publicitarias (Meta, Google o TikTok) no proporcionan el índice de estacionalidad. Estas plataformas operan en silos y carecen de visibilidad sobre la demanda orgánica global de tu negocio, tu histórico de ventas o tus ciclos de mercado. Su objetivo es medir la interacción con sus propios anuncios, no el contexto macroeconómico de tu negocio.
Por lo tanto, debes calcularlo por tu cuenta. Al ser un input fundamental para los modelos de Marketing Mix Modeling (MMM) y el cálculo del ROAS incremental, su precisión es vital.
Aquí tienes tres métodos profesionales estándar para obtener este índice, ordenados de menor a mayor complejidad:
Basado en datos históricos propios (modelo recomendado)
Es el método más preciso porque refleja la realidad exacta de tu negocio. Requiere extraer los datos de tu CRM o plataforma de e-commerce (WooCommerce, Shopify, Magento, etc.) de los últimos 1 o 2 años.
- Cálculo matemático: Se calcula la media de ventas (o tráfico) diario de un periodo largo (ej. un año). Luego, se divide el valor de cada día específico entre esa media global.
- Ejemplo práctico: Si tu e-commerce factura una media de 10.000 € diarios a lo largo del año, pero históricamente los días de Black Friday factura 25.000 €, el índice de estacionalidad para esos días será de 2.5 (25.000 / 10.000). Si un martes de febrero factura 8.000 €, su índice será 0.8.
Uso de Google Trends (proxy de demanda del mercado, para cuando no tienes otra cosa)
Si no dispones de datos históricos fiables o tu empresa es de reciente creación, puedes utilizar el volumen de búsqueda de tu categoría de producto como un indicador (proxy) de la demanda natural del mercado.
- Cálculo matemático: Google Trends exporta datos en una escala de 0 a 100. Para convertirlo en un multiplicador válido para el modelo, debes calcular la media de esa serie temporal y dividir cada valor diario entre dicha media.
- Ejemplo práctico: Si la media anual de interés de búsqueda para «zapatillas de running» es 40, y en la semana previa a una maratón el interés sube a 60, el índice para esa semana será 1.5 (60 / 40).
Descomposición algorítmica de series temporales (modelo avanzado)
En entornos de ciencia de datos, no se calcula manualmente. Se utilizan algoritmos estadísticos para descomponer la curva de ventas totales en tres componentes: tendencia, estacionalidad y ruido.
- Herramientas: Se emplean librerías de Python o R como Prophet (desarrollada por Meta) o modelos ARIMA. Estas herramientas analizan tu histórico de ventas y extraen automáticamente el componente estacional, identificando patrones semanales (ej. se vende más los domingos) y anuales (ej. picos en verano), generando el vector numérico exacto.
Vistas las opciones, parece que el enfoque más pragmático es exportar tus ventas del año anterior, calcular la media diaria, y crear una columna donde cada día sea el resultado de dividir tus ventas entre esa media global.