Cuando fijas precios o decides cuánta capacidad ofrecer, casi siempre trabajas con incertidumbre. No sabes si la demanda será alta o baja, ni cuánto margen extra te aporta una mejora del producto, ni cómo reaccionarán los clientes al precio. La propuesta bayesiana es sencilla: en lugar de elegir “un número” como si fuera cierto, mantienes una distribución de posibilidades y decides optimizando sobre esa incertidumbre.

1) De “pronosticar” a “optimizar”: la idea central

Un enfoque clásico trata la demanda como un pronóstico puntual. Bayes trata la demanda como una variable aleatoria. En práctica, eso cambia tu objetivo:

  • No buscas el pronóstico más probable, sino la acción con mejor valor esperado bajo tu distribución actual.
  • A medida que llega evidencia (ventas, cancelaciones, tráfico, uso), actualizas tu distribución y reoptimiza.

2) Un marco mínimo: decisiones, costes y beneficio esperado

Define una acción a (precio, descuento, nivel de capacidad, o ambos). Tu negocio tiene un beneficio o coste que depende del resultado y (demanda realizada, ocupación, capacidad consumida, etc.). En vez de calcular una sola vez, calculas:

Regla de oro

Elige la acción que maximiza el beneficio esperado sobre la distribución posterior: E[beneficio(a, y)].

3) Pricing bayesiano: de elasticidad incierta a precio robusto

Para pricing, una formulación útil es modelar la demanda como función del precio con incertidumbre. Una versión compacta:

  1. Modelo de demanda: relaciona demanda con precio (lineal, log-lineal o basado en una curva de respuesta). Mantén parámetros inciertos.
  2. Prior: incorpora conocimiento anterior (promedios históricos, benchmarks, efecto de campañas).
  3. Evidencia: usa datos de ventas y sensibilidad observada a precios concretos.
  4. Posterior: actualiza parámetros para obtener una distribución de demanda futura para cada precio candidato.

¿Qué ganas? Un precio “robusto” que no depende de que tu elasticidad estimada sea perfecta. Si tu posterior reconoce que la elasticidad puede ser mayor o menor, el óptimo tiende a moverse hacia donde el beneficio esperado es alto y menos frágil.

Ejemplo conceptual (sin números)

Supón que dos precios candidatos tienen beneficios esperados similares. El bayesiano te ayuda a distinguir cuál está sostenido por una parte grande de la distribución posterior (más estabilidad) y cuál depende de una cola rara (más riesgo). Esa diferencia es clave cuando el objetivo no es solo “máximo” sino también evitar sorpresas.

4) Capacidad bayesiana: decidir con riesgo de saturación o infrautilización

En capacidad, el dilema suele ser dual: si te quedas corto, pierdes oportunidades o incurres en costes por colas y cancelaciones; si te pasas, pagas o inmovilizas recursos con baja utilización. Una decisión de capacidad c impacta el resultado según la demanda real.

Un enfoque bayesiano típico:

  • Modela demanda con posterior (posible demanda futura).
  • Modela pérdidas por saturación (por ejemplo, pedidos perdidos o penalizaciones).
  • Modela costes por ociosidad (coste fijo/variable por capacidad instalada).
  • Calcula beneficio esperado para cada nivel de capacidad candidato.

La capacidad óptima aparece como una solución al equilibrio entre dos riesgos, cuantificado con probabilidad, no con intuición.

5) Pricing y capacidad juntos: el problema multi-acción

Cuando combinas pricing y capacidad, el sistema se vuelve interdependiente. El precio influye en la demanda, y la capacidad limita la realización (o la calidad de servicio). La forma bayesiana de hacerlo es evaluar acciones conjuntas: (precio p, capacidad c).

Si solo optimizas precio

Podrías subir precios para maximizar margen esperado, pero terminar con una capacidad que no acompaña. La demanda no se traduce en ventas si hay fricción operativa.

Si solo optimizas capacidad

Podrías instalar suficiente para absorber demanda alta, pero con precios mal ajustados terminas con recursos ociosos cuando la demanda cae.

La solución es buscar el par de acciones que maximiza valor esperado bajo tu incertidumbre posterior conjunta (o bajo una aproximación coherente si separas modelos).

6) Actualización en ciclo: de “una vez” a “reoptimizar”

Una ventaja práctica del enfoque Bayes es que está diseñado para iterar. En cada ciclo (por ejemplo, diario o semanal) haces:

  • Recoger evidencia reciente (ventas, ocupación, señales de demanda).
  • Actualizar posterior (parámetros y predicciones).
  • Recalcular valor esperado para acciones candidatas.
  • Publicar precio/capacidad para el siguiente periodo.

Esto reduce el riesgo de decisiones “duras” tomadas sobre información desactualizada.

7) Consejos de implementación que evitan errores típicos

  1. Define bien la función de beneficio. Si tu función mezcla márgenes con penalizaciones mal calibradas, el óptimo será coherente, pero incorrecto en negocio.
  2. Separa incertidumbre de variabilidad. Aleatoriedad del mercado no es lo mismo que incertidumbre del modelo.
  3. Cuida el alcance del modelo. Si cambian canales o composición del público, tu prior puede necesitar reajuste.
  4. Evalúa robustez. No te quedes con el mejor punto; mira sensibilidad a cambios razonables en la posterior.

Preguntas rápidas

¿Necesito un modelo bayesiano complejo?
No necesariamente. Un modelo probabilístico razonable con priors claros y un mecanismo de actualización consistente ya mejora mucho respecto a decisiones basadas en un solo número.
¿Cómo se traduce esto a un flujo operativo?
Un bucle de evidencia y reoptimización. El resultado es un sistema que aprende del mercado y decide con riesgo cuantificado.
¿Qué KPI debería seguir?
Beneficio neto esperado por periodo, pero también métricas de riesgo operativas (saturación, cancelaciones, variabilidad de margen).

Si quieres llevarlo un paso más allá, combina este enfoque con valor esperado y umbrales operativos para convertir probabilidades en decisiones accionables, no en informes.