Forecast 30 días: ¿se puede predecir tu revenue?

01¿Por qué forecastear?

Tres razones brutalmente prácticas:

1. 1Decidir budget de ads — si forecasteás $100k de revenue, podés gastar $25k en ads con CAC objetivo $50.
2. 2Pedir stock con tiempo — si forecasteás 1,200 unidades de tu SKU top, ya sabés cuánto pedir.
3. 3Asegurar cash flow — banks/PYME loans miran tu forecast antes de prestarte.

Sin forecast, navegás de oído.

02El modelo: Holt-Winters

Para data con tendencia y estacionalidad semanal, triple exponential smoothing (Holt-Winters) es el sweet spot entre simplicidad y precisión.

forecast = level + trend + seasonality

• Level: promedio reciente, ponderado.
• Trend: cambio recurrente (ej: +2% semana sobre semana).
• Seasonality: patrón cíclico (ej: lunes 80%, viernes 130%, sábado 110%).

Con 90+ días de history, error medio ±12%. Con 180 días, ±8%.

Sin estacionalidad clara (data nueva), exponential smoothing simple (α=0.3) hace el trabajo con error ±18%.

03Lo que el forecast NO te dice

• Eventos únicos: Black Friday, lanzamiento, viralización.
• Cambios estructurales: cambiar la mitad del catálogo → tu forecast es basura por 60 días.
• Eventos externos: pandemia, cambio de algoritmo de Meta, devaluación.

El forecast sirve para "qué pasa si todo sigue como va" — no para predecir cisnes negros.

04Cómo lo resolvemos

KANDIMA tiene 2 endpoints:

• GET /api/v1/profit?days=30 con histórico → input para forecast.
• POST /api/forecast/compute o el cron forecast-daily → output proyectado 30D.

El feature cuesta 20 créditos por correrlo. Te devuelve forecast diario + bandas ±1σ + componente trend / seasonality separado.

Dashboard visual en /dashboard/forecast. Si vendés en ARS pero querés ver en USD, hacemos la conversión con FX live.

Bonus: si el forecast difiere >25% del actual, dispara un AI insight automático con root cause: "Forecast 30D bajó 28% — driver: cohort retention M2 cayó 12%".