Modelos predictivos para marketing y negocios: guía sobre TimesFM para quienes nunca abrieron un repositorio

Cómo usar TimesFM, el foundation model de Google para forecasting, sin saber programar ni usar BigQuery: versión simple desde una hoja de cálculo y versión profesional con BigQuery y agentes.

Modelos predictivos para marketing y negocios: guía sobre TimesFM para quienes nunca abrieron un repositorio

Cómo usar esta guía

Esta guía tiene dos versiones:

Versión simple - si nunca usaste un repositorio, no sabés qué es BigQuery y manejás todo desde Google Sheets. Empezá por la sección Cómo usarlo sin complicaciones.

Versión profesional - si ya usás BigQuery, manejás datos en la nube y querés integrar forecasting en tu infraestructura. Andá directo a la sección Cómo usarlo en serio con BigQuery.

De qué trata todo esto

Durante años, las empresas invirtieron en entender qué pasó: cuántos leads entraron, qué campaña funcionó, cuánto se vendió.

La pregunta que empieza a aparecer ahora es otra: ¿qué probablemente ocurra después?

Ahí aparece el forecasting, que en español se traduce aproximadamente como "predicción de series temporales". No es magia ni bola de cristal. Es usar patrones históricos para estimar qué podría pasar en las próximas semanas o meses.

Uno de los desarrollos más interesantes en este campo es TimesFM, un modelo desarrollado por Google Research que puede hacer eso sin necesidad de que una empresa construya su propio sistema de machine learning desde cero.

Un estudio de Google Research observó que mejorar la precisión del forecasting de demanda puede reducir significativamente los costos de inventario e incrementar los ingresos. Fuente: Google Research Blog.

Qué es TimesFM en términos simples

TimesFM significa Time Series Foundation Model. La palabra "Foundation Model" es similar a lo que pasó con los modelos de lenguaje como Claude o GPT: en lugar de entrenar un modelo desde cero para cada problema, alguien entrenó uno generalista sobre huge volúmenes de datos y ese modelo puede adaptarse a problemas específicos sin empezar de cero.

Google Research entrenó TimesFM con aproximadamente 100.000 millones de puntos temporales de diferentes fuentes y granularidades.

La versión actual recomendada es TimesFM 2.5, con 200 millones de parámetros.

La diferencia clave con los enfoques tradicionales es que no necesitás un proceso de modelado específico para cada variable que querés predecir. Le das tus datos históricos y el modelo genera una predicción.

Para quién es esto en marketing y negocios

Si manejás Google Ads, Meta, un CRM, analytics, un e-commerce o cualquier sistema que genere datos con marca de tiempo, TimesFM puede aplicarse a:

• Predecir cuántos leads incoming en las próximas semanas.
• Estimar cuántas ventas vas a tener el próximo mes.
• Proyectar tráfico web.
• Anticipar costo por adquisición.
• Estimar demanda por producto o sucursal.
• Proyectar inversión publicitaria necesaria para alcanzar objetivos.

No es para cualquier columna de cualquier tabla. Si tenés datos que cambian en el tiempo (ventas por día, leads por semana, tráfico por mes), estás en el territorio correcto. Si tenés una tabla de clientes con edad e industria, eso es un problema tabular, no temporal.

Como usarlo sin complicaciones

Esta sección es para vos si nunca abriste un repositorio en GitHub, no sabés qué es pip install, y manejás todo desde Google Sheets o Excel.

Paso 1: organizá tus datos en una hoja de cálculo

Lo primero que necesitás es tener tus datos históricos organizados. TimesFM necesita una serie temporal, que es simplemente una columna de fechas y una columna de valores.

Ejemplo:

Cada fila es un período (día, semana o mes). Cada valor es la métrica que querés proyectar.

Reglas para que funcione bien:

• Usá la misma frecuencia en toda la columna (todos meses, todas semanas, todos días).
• No saltees períodos. Si no hay datos para un mes, poné 0 o el último valor conocido. No dejes agujeros.
• Cuantos más datos históricos, mejor. Mínimorecomendable es: 6 a 12 períodos como punto de partida.

Paso 2: pedile a un agente que haga la predicción

Lo más simple hoy en día es usar un agente de IA (Claude, GPT, Codex) para que procese tus datos con TimesFM. No necesitás instalar nada en tu máquina.

Le pasás los datos y le decís algo como:

"Tengo esta serie temporal de ventas mensuales desde enero 2025 hasta junio 2025. Usá TimesFM para predecir los próximos 3 meses."

El agente puede ejecutar TimesFM y devolverte algo como:

Predicción de ventas:
Julio 2025:  91.000 (rango: 87.000 a 95.000)
Agosto 2025: 94.000 (rango: 89.000 a 99.000)
Septiembre 2025: 96.000 (rango: 91.000 a 103.000)

Lo que ves como "rango" es importante: son los escenarios optimista y pesimista. No es un número único, son tres escenarios posibles.

Paso 3: entendé los tres números

Cuando TimesFM predice, devuelve tres valores:

• Escenario bajo: el resultado más pesimista dentro de lo razonable.
• Mediana: el resultado más probable.
• Escenario alto: el resultado más optimista dentro de lo razonable.

Por ejemplo, si el modelo dice que las ventas de julio van a estar entre 87.000 y 95.000 con una mediana de 91.000, eso significa:

• Hay una probabilidad razonable de que vendas 87.000.
• Hay una probabilidad razonable de que vendas 95.000.
• Lo más probable es que vendas cerca de 91.000.

Esto es más útil para tomar decisiones que un número único porque te obliga a pensar en rangos, no en promesas.

Paso 4: qué hacer con la predicción

Una vez que tenés los tres escenarios, podés:

• Planificar inversión publicitaria: si proyectás más ventas, quizás conviene aumentar pauta.
• Anticipar necesidad de capacidad: si la demanda proyectada supera tu capacidad actual, podés prepararte.
• Detectar riesgos temprano: si el escenario bajo implica un problema, podés actuar antes de que ocurra.
• Alinear al equipo comercial: compartir los escenarios con tu equipo de ventas para que sepan qué se espera.

Errores comunes en esta versión simple

Usar muy pocos datos. Con 6 meses de historia no hay suficiente para que el modelo detecte patrones estacionales. Si tu negocio tiene estacionalidad (por ejemplo, vendés más en noviembre), necesitás por lo menos 2 ciclos completos (24 meses) para que el modelo pueda aprenderlos.

Esperar exactitud. La predicción no es una promesa. Es una señal basada en patrones históricos. Si no pasó nada extraordinario, la predicción va a estar en el rango. Si mañana entra un competidor nuevo o launchas un producto, eso no está en la predicción.

No comparar contra un baseline. Una forma simple de saber si la predicción es útil: comparala contra el último valor o contra un promedio móvil. Si predijiste 91.000 y tu promedio histórico es 78.000, preguntate qué cambió. Si no cambió nada, la predicción probablemente está capturando una tendencia real.

Como usarlo en serio con BigQuery

Esta sección es para vos si ya manejás Google Cloud, tenés datos en BigQuery y querés integrar forecasting en tu infraestructura de datos.

Por qué BigQuery cambia el juego

BigQuery tiene TimesFM como modelo integrado. Esto significa que podés hacer forecasting directamente desde SQL, sin necesidad de exportar datos, instalar modelos ni administrar infraestructura.

El flujo conceptual es:

Google Ads
Meta
CRM
E-commerce
      ↓
BigQuery (tus datos)
      ↓
AI.FORECAST / TimesFM
      ↓
Predicción + intervalos
      ↓
Dashboard / Agente / Automatización

La ventaja es que todo queda en el mismo ecosistema: tus datos, tu forecasting y tus herramientas de reporting.

Forecasting con una consulta SQL

Supongamos que tenés una tabla llamada mis_ventas con columnas date y revenue. La consulta básica es:

SELECT *
FROM AI.FORECAST(
TABLE mi_proyecto.mi_dataset.ventas,
data_col => 'revenue',
timestamp_col => 'date',
horizon => 30
);

Eso te devuelve punto de forecast y quantilos para los próximos 30 períodos.

Varias series con una sola consulta

Si tenés una tabla con múltiples series (por ejemplo, ventas por sucursal), podés predecir todas al mismo tiempo indicando qué columna identifica cada serie:

SELECT *
FROM AI.FORECAST(
TABLE mi_proyecto.mi_dataset.store_sales,
data_col => 'sales',
timestamp_col => 'date',
id_cols => ['store_id'],
horizon => 30
);

El resultado es un forecast separado para cada tienda, sucursal, campaña o lo que sea que diferencia cada serie.

Esto escala a cientos o miles de series en una sola consulta.

Agregar variables externas

TimesFM en BigQuery soporta covariables, que son variables adicionales que pueden mejorar la predicción.

Por ejemplo, si tus ventas dependen de precio, promociones y feriados, podés incluirlos en el forecast:

SELECT *
FROM AI.FORECAST(
TABLE mi_proyecto.mi_dataset.ventas,
data_col => 'revenue',
timestamp_col => 'date',
horizon => 30,
dynamic_numerical_covariates => ['price', 'promo_discount'],
dynamic_categorical_covariates => ['is_holiday']
);

Esto permite que el forecast deje de ser "predicción mirando solo el pasado" y pase a incorporar información contextual.

Arquitectura de forecasting para una organización

Para organizaciones que ya tienen infraestructura en Google Cloud, la arquitectura completa puede verse así:

DATA SOURCES
Google Ads / Meta / CRM / Analytics / ERP / E-commerce
        ↓
DATA LAYER
BigQuery / Warehouse / Data Pipelines
        ↓
PREDICTION LAYER
TimesFM / modelos estadísticos / ML
        ↓
INTELLIGENCE LAYER
Agentes / reglas / escenarios / alertas
        ↓
ACTION LAYER
Marketing / Ventas / Operaciones / Reporting

La ventaja competitiva no está en crear un foundation model desde cero. Está en saber conectar modelos de frontera con datos propietarios, procesos y decisiones reales.

Agregar agentes que usan el forecasting

Una evolución natural es conectar las predicciones con agentes que puedan actuar sobre ellas.

Un agente puede:

1. Consultar los datos actualizados.
2. Detectar qué serie necesita analizar.
3. Ejecutar TimesFM.
4. Recibir forecast con intervalos.
5. Comparar contra objetivos.
6. Consultar otras fuentes.
7. Generar un diagnóstico.
8. Ejecutar o recomendar una acción.

Por ejemplo:

Forecast de leads
        ↓
¿supera la capacidad del equipo?
        ↓
SI → alerta para reasignar SDRs
NO → continuar

O:

Forecast de CPA
        ↓
Probabilidad de superar el target
        ↓
Alerta
        ↓
Agente analiza campañas
        ↓
Recomendación de ajuste

Evaluar antes de confiar

Antes de usar una predicción para decisiones reales, hacé backtesting:

1. Tomá tus datos históricos (por ejemplo, 24 meses).
2. Ocultá los últimos 3.
3. Pedile al modelo que prediga esos 3 meses que vos ya conocés.
4. Compará predicción contra realidad.

Métricas para comparar:

mae = error absoluto medio
rmse = raíz del error cuadrático medio
mape = error porcentual absoluto medio

Si TimesFM supera a un baseline simple (último valor, promedio móvil, naïve estacional), entonces está agregando valor real.

La pregunta correcta no es "¿puede TimesFM predecir?". La pregunta es "¿esta predicción mejora suficientemente nuestra capacidad de tomar decisiones?".

Forecast no es adivinar un único número

Una confusión común es pensar que forecasting significa obtener un número exacto sobre el futuro.

En realidad, TimesFM devuelve una distribución de resultados posibles. Por eso devuelve varios quantilos, no solo un punto.

Trabajar con intervalos es más útil para negocio:

• Podés planificar el caso pesimista.
• Podés definir umbrales de alerta.
• Podés tomar decisiones con información sobre el rango de incertidumbre, no solo el centro.

Qué no resuelven estos modelos

TimesFM y los foundation models de forecasting son herramientas poderosas pero no eliminan los problemas clásicos de datos:

• Calidad de datos: si tus datos históricos tienen errores, la predicción los va a reflejar.
• Eventos extraordinarios: si mañana sale una regulación nueva o un competidor lanza una promoción agresiva, eso no está en tu historia.
• Cambios estructurales: si tu negocio cambió de modelo, los datos viejos pueden no ser predictivos.
• Granularidad incorrecta: predecir ventas mensuales cuando tu negocio tiene ciclos semanales puede perder señales importantes.

Forecast tampoco reemplaza al análisis. El proceso correcto es:

Datos
  ↓
Predicción
  ↓
Incertidumbre
  ↓
Contexto de negocio
  ↓
Decisión

La predicción es una capa adicional de inteligencia, no el sistema completo.

El rol de UNO Collective con modelos predictivos

En UNO Collective usamos este tipo de modelos como parte de nuestra capacidad de data + marketing + tecnología.

No pensamos la IA únicamente como herramienta para generar contenido. La pensamos como infraestructura capaz de leer información operativa y comercial, anticipar escenarios y participar en decisiones de marketing, ventas y operaciones.

El diferencial no está en usar un modelo avanzado. Está en saber conectar modelos de frontera con datos propietarios, procesos y decisiones reales.