La toma de decisiones en contextos económicos y productivos depende crecientemente de la capacidad de anticipar variables clave. Sin embargo, en muchos ámbitos todavía se utilizan métodos de predicción convencionales —o directamente reglas heurísticas— que ignoran la estructura de los datos y su dinámica temporal.

Este trabajo analiza las consecuencias de recurrir a dichos enfoques, comparando métodos tradicionales de predicción con estrategias basadas en técnicas modernas de machine learning. A partir de un caso empírico aplicado a la demanda de transporte urbano, se muestra que los modelos profesionales no solo reducen de manera significativa el error de predicción, sino que además generan estimaciones más estables, consistentes y replicables.

El ejercicio responde a la siguiente pregunta: a partir de datos diarios de consumo SUBE de la línea 5, desde enero de 2022 hasta diciembre de 2024, ¿es posible anticipar la demanda correspondiente al año 2025? Asimismo, ¿en cuánto mejora la capacidad predictiva cuando se emplean métodos alternativos a los tradicionales? Para responder estos interrogantes, se predice la demanda diaria de boletos del sistema de transporte urbano de Santa Fe durante 2025, comparando la evolución observada con las estimaciones generadas por distintos enfoques.

Figura 1. Cantidad de boletos SUBE efectivos y estimados para el año 2025.

Fuente: elaboración propia en base al Ministerio de Transporte.
Nota: RN: Redes neuronales · RF: Random forest. Haga clic sobre el modelo para ocultar o mostrar su visualización.

Los resultados sugieren que la elección del método de predicción no es una decisión técnica menor, sino un determinante central de la calidad de la información utilizada para planificar, evaluar políticas y asignar recursos. En este sentido, el uso de modelos profesionales constituye una mejora cualitativa en la capacidad de anticipación frente a enfoques tradicionales, con implicancias directas sobre la gestión operativa y la toma de decisiones basada en evidencia.