Los equipos de compras que dimensionan contratos a plazo de materias primas agrícolas como la mantequilla, la proteína de suero, el azúcar o el aceite vegetal suelen hacerse dos preguntas sobre una previsión a la que van a comprometer presupuesto: cómo se ha construido y qué precisión tiene en la materia prima que realmente compran.
La mayoría de las herramientas de previsión responden a la primera pregunta de forma vaga y a la segunda con una única cifra de titular. Vesper responde a ambas. Este artículo empieza con las cifras de precisión que Vesper publica en toda su cobertura de precios, recorre lo que diferencia esas cifras de las alternativas que la mayoría de los equipos de compras ya ha evaluado y muestra cómo leer una previsión concreta en pantalla, con la mantequilla estadounidense como ejemplo práctico.
La precisión de las previsiones de Vesper en más de 4.000 series de precios
Vesper publica la precisión de toda la plataforma en más de 4.000 series de precios de materias primas, medida sobre las previsiones de los dos últimos años. En todas las categorías que cubre Vesper, desde mercados muy líquidos como el queso CME, el trigo MATIF y la leche de clase III hasta proteínas especiales poco negociadas, fracciones de palma conformes con el EUDR e índices de referencia regionales del azúcar, las cifras principales quedan así.
| Horizonte de previsión | Precisión (1 − MAPE) |
| Previsión a 1 mes | 97 % |
| Previsión a 3 meses | 94 % |
| Previsión a 6 meses | 91 % |
| Previsión a 9 meses | 88 % |
| Previsión a 12 meses | 85 % |
Rendimiento de las previsiones de precios de Vesper, medido como 1 − MAPE en más de 4.000 series de precios a lo largo de los dos últimos años.
La métrica que hay detrás de esas cifras es el error porcentual absoluto medio (MAPE), invertido para dar el titular de precisión. La mecánica es sencilla: si una previsión a un mes se desvía un 3 % en enero, un 4 % en febrero y un 2 % en marzo, el error medio es del 3 %, de modo que el modelo se muestra con un 97 % de precisión. La misma definición se aplica a todas las series y a todos los horizontes, y eso es lo que hace comparable la cifra.
Vale la pena señalar dos patrones dentro de la tabla.
La curva de precisión se degrada de forma limpia a medida que se alarga el horizonte. La caída de 12 puntos porcentuales, del 97 % a un mes al 85 % a doce meses, es lo que produce un modelo de previsión honesto. Cuanto más lejos se le pide mirar al modelo, más duro se vuelve el examen.
Y las cifras son promedios de miles de series, no de una única materia prima elegida a dedo. Es fácil fabricar una afirmación de alta precisión sobre un mercado tranquilo durante unos meses; una cifra publicada como promedio de más de 4.000 series a lo largo de dos años es una prueba completamente distinta.
Tres niveles de previsión, y dónde se sitúa Vesper
Prever los precios de las materias primas no es una disciplina nueva. Los métodos que conocen los equipos de compras se sitúan en un espectro sobre el que la previsión con IA se apoya, en lugar de sustituirlo.
Los tres niveles de previsión de materias primas. La capa de IA de Vesper se apoya en los métodos que tiene por debajo y los potencia.
El nivel más básico se limita a los fundamentales: balances de oferta y demanda, tasas de inflación, precios de la energía y del petróleo, tipos de cambio, meteorología. Es el estándar de la mesa de análisis, y una persona disciplinada acierta mucho con ello.
Un nivel más avanzado superpone indicadores técnicos: RSI, bandas de Bollinger, MACD, medias móviles, osciladores estocásticos, tomados de los mercados financieros y aplicados a series de materias primas. Ambos niveles puede ejecutarlos una persona con hojas de cálculo y cuidado.
La previsión con IA empieza donde termina el enfoque humano. Incluye todo lo que aportan los fundamentales y los indicadores técnicos, y añade tres cosas que un proceso manual no alcanza: correlaciones entre materias primas a lo largo de miles de series relacionadas y no relacionadas, patrones derivados por la máquina dentro de esas correlaciones e indicadores «aprendidos» que el propio modelo identifica, es decir, relaciones entre variables que ningún manual habría señalado. Ese es el nivel en el que operan las previsiones de Vesper.
Los métodos más antiguos no son erróneos, son la base. La IA los potencia, y la ganancia de precisión es la que cabe esperar cuando cada capa aporta información nueva.
Qué distingue a las previsiones de Vesper
Operar en la capa de IA es una parte de la historia. Las decisiones que convierten esa capacidad en una precisión que los equipos de compras puedan defender son el resto. Los puntos siguientes son lo que conviene preguntar a cualquier proveedor de previsiones, y las respuestas que Vesper deja por escrito:
• La precisión multihorizonte se publica, no se mezcla. El MAPE a uno, tres, seis, nueve y doce meses se muestra por separado para cada serie, con la caída entre horizontes a la vista. Una cifra de precisión plana o citada de forma dinámica oculta el horizonte que le importa al comprador; el desglose por horizonte hace que la pregunta tenga respuesta.
• Las previsiones se actualizan automáticamente, las 24 horas, los 7 días. En cuanto llega un dato nuevo, un informe del USDA, un tick de precio reciente de Vesper, un balance de oferta y demanda actualizado, la curva se recalcula. No hay que esperar a que intervenga un analista ni existe el riesgo de que la previsión se quede rezagada frente a un acontecimiento importante del mercado.
• Cada previsión funciona con sus propios fundamentales, más los de los productos relacionados. Algunos enfoques de previsión anclan un producto derivado a una «materia prima madre», fijando el precio de la proteína de suero a partir del queso, por ejemplo. Vesper construye la curva de la proteína a partir de los fundamentales de la proteína y de los fundamentales del queso que determinan la disponibilidad de suero. Ambas capas se ponderan; ninguna es un atajo para la otra.
• Comprobaciones dentro del producto, en el horizonte que le interesa. Pase el cursor por cualquier punto histórico del gráfico y lea los valores previsto y real. El mismo panel de precisión alterna entre la precisión histórica a 1, 3, 6 y 12 meses para esa materia prima concreta, de modo que el comprador ve cómo se comporta el modelo en el plazo que corresponde a la decisión. Esto importa porque la mayoría de las previsiones modernas (las de Vesper incluidas) son dinámicas: se ajustan a diario a medida que llegan datos nuevos, y eso es lo que las mantiene afiladas. Una única cifra de precisión sin horizonte asociado no dice nada sobre con cuánta antelación se hizo la previsión; una predicción emitida un día antes del precio realizado dará una precisión alta casi con independencia de la pericia. El selector de horizonte es lo que da sentido a la cifra.
• La visión de la IA y la del analista se separan de forma deliberada. La curva de previsión se construye solo con datos. Los analistas de Vesper publican informes de mercado escritos junto a ella, pero sus opiniones nunca se mezclan con la curva. Donde IA y analista coinciden, la convicción es alta; donde divergen, esa es la señal para profundizar. Y lo que suele importar más es la dirección: aunque una previsión no acierte el precio con exactitud, acertar la dirección, al alza o a la baja, es lo que le dice al comprador si conviene retrasar una compra o actuar ya. La IA y el analista casi siempre coinciden en la dirección, y ahí es donde se toman en realidad la mayoría de las decisiones de compras.
• IA propia, construida mucho antes de que ChatGPT fuera un nombre conocido. Los modelos de previsión de Vesper los desarrolla internamente un equipo con base en Ámsterdam, uno de los polos de IA de Europa. La arquitectura se viene iterando desde bastante antes del auge actual de la IA, y ese conocimiento acumulado se nota en cómo tratan los modelos los casos límite propios de cada materia prima y en la rapidez con la que se pueden probar nuevos enfoques en producción.
Cómo leer una previsión de Vesper: la mantequilla estadounidense como ejemplo práctico
Las cifras de toda la plataforma son el titular. Para hacerlas concretas, así se ve una previsión concreta en pantalla y así se lee en la práctica. El ejemplo siguiente es la mantequilla estadounidense, anclada en el Vesper Price Index (VPI) en base EXW, en USD por libra.
Widget de previsión de la mantequilla estadounidense: predicciones históricas, curva a plazo a seis meses y precisión histórica a un mes del 94 % en esta serie concreta.
Hay cuatro cosas que leer en el gráfico.
La línea continua es el precio histórico, doce meses atrás. La línea discontinua arranca donde termina la serie histórica y proyecta el precio seis meses hacia delante. La banda sombreada alrededor de la línea discontinua es el intervalo de confianza, el rango que el modelo considera plausible en cada punto de la previsión. Cuanto más estrecha es la banda, más seguro está el modelo. A la derecha del gráfico está el panel de precisión por serie: 94 % a un mes, 83 % a tres meses y 77 % a seis meses para esta materia prima concreta, con un selector de horizonte para que el comprador elija el plazo que encaja con la decisión que tiene delante.
Lo primero que hay que hacer con cualquier previsión nueva es comprobar que es razonable. Pase el cursor por cualquier punto de la línea histórica y una descripción emergente mostrará dos números uno al lado del otro: el precio real en esa fecha y lo que el modelo había previsto para ella un mes antes. Tres ejemplos con la mantequilla estadounidense:
• 18 de junio de 2025 - real: 2,54 USD/lb. Previsión a un mes: 2,43 USD/lb. Desviación: 4,5 %.
• 29 de octubre de 2025 - real: 1,58 USD/lb. Previsión a un mes: 1,59 USD/lb. Desviación: 0,8 %.
• 18 de marzo de 2026 - real: 1,88 USD/lb. Previsión a un mes: 1,73 USD/lb. Desviación: 8,1 %.
Las tres acertaron la dirección. Dos quedaron dentro de la banda de error medio a un mes del modelo; la tercera se desvió más, durante un movimiento más brusco de la serie. Esa mezcla es el aspecto que tiene la precisión en el mundo real, y las descripciones emergentes hacen que cada predicción pasada de la serie se pueda comprobar del mismo modo. El objetivo de este ejercicio no es confirmar una cifra suelta, sino desarrollar una intuición sobre cómo ha tratado el modelo la materia prima que tiene delante antes de comprometer presupuesto a su curva a plazo.
Fíjese además en que las cifras por serie (94/83/77 para la mantequilla) quedan por debajo de los promedios de toda la plataforma (97/94/91/88/85). La mantequilla es más volátil que la materia prima media de la cobertura de Vesper, y aquí el modelo se pone a prueba con más dureza que en una serie más estable. La diferencia es informativa, no algo que haya que ocultar.
Detrás de la curva: las cuatro capas de datos de entrada
Una vez entrenado, el modelo de Vesper utiliza cuatro categorías de datos de entrada. Para la mantequilla estadounidense, esas capas son las siguientes.
Patrones de precios. El punto de partida es la propia serie más los productos adyacentes que se mueven con ella. Para la mantequilla estadounidense, eso significa que la leche de clase III de CME, los precios de la nata estadounidense, la mantequilla de la UE (EEX) y la grasa láctea anhidra alimentan la misma curva. La mantequilla no se negocia de forma aislada, y el modelo capta las relaciones cruzadas.
Fundamentales de mercado. Los informes USDA Dairy Products y USDA Cold Storage, USDA NASS Milk Production, los datos de exportación del USDA FAS, las cifras del Observatorio del Mercado de la Leche de la UE y los datos de DCANZ de Nueva Zelanda, ya que la oferta global afecta a los precios de exportación estadounidenses. Los costos de los piensos (maíz CBOT, harina de soja y DDGS) también entran, porque configuran el margen de la producción de leche, que configura la oferta de leche, que configura aguas abajo la disponibilidad de mantequilla.
Indicadores técnicos. Señales clásicas aplicadas a la serie de la mantequilla: MACD, medias móviles, RSI, bandas de Bollinger y osciladores estocásticos, que se leen directamente dentro de la plataforma y además alimentan el modelo de previsión.
Indicadores macroeconómicos. El índice del dólar estadounidense (competitividad exportadora de los lácteos de Estados Unidos), los costos de energía y flete (insumos de fabricación y logística) y las señales macro de demanda ligadas a las categorías de comercio minorista y foodservice. Cuando Vesper cuenta con datos de socios, como Upply para el flete o IBISWorld para los costos sectoriales, esos datos entran aquí.
El modelo pondera las cuatro capas en conjunto. Ningún dato de entrada dicta por sí solo la curva.
Leer la capa técnica junto a la curva de la IA
Como Vesper expone la capa técnica directamente en la plataforma, un comprador puede leer las mismas señales que lee el modelo.
Análisis técnico de la mantequilla estadounidense: evolución del precio frente a las medias móviles, momentum del MACD y RSI.
A 29 de abril de 2026, la capa técnica de la mantequilla estadounidense se lee así. El precio está en 1,70 USD/lb, por encima tanto de la media móvil de 100 días (1,63 USD) como de la de 150 días (1,61 USD), una configuración estructural alcista. El MACD es alcista con momentum positivo: el histograma ha pasado de barras rojas (de septiembre de 2025 a enero de 2026) a barras azules que se acumulan desde febrero, aunque la línea, la señal y el histograma se sitúen los tres cerca de cero. El RSI está en 47,7, neutral, con margen de sobra hasta el umbral de sobrecompra de 70. Los movimientos porcentuales cuentan lo mismo desde otro ángulo: interanual ‒28,31 % (la larga tendencia bajista), trimestral +13,13 % (la recuperación desde los mínimos del primer trimestre), mensual ‒6,39 % y semanal ‒0,88 % (un ligero enfriamiento este mes).
Leídas en conjunto, esas señales describen un mercado que encontró su suelo en el primer trimestre, subió con fuerza hasta marzo y ahora consolida por encima de su tendencia de medio plazo, ni en apuros ni tensionado. Es el mismo cuadro que dibuja la curva de previsión de la IA: una deriva suave al alza a lo largo de los seis próximos meses.
Leer la curva para una decisión de compra
Dos partes del gráfico importan más cuando un comprador dimensiona un compromiso a plazo: la banda de confianza sobre la línea discontinua de previsión y las descripciones emergentes de predicciones históricas sobre la línea histórica.
En la banda de confianza es donde vive de verdad la decisión de compra. Una banda estrecha al principio del horizonte que se ensancha más adelante es la forma normal: el modelo está más seguro del mes que viene que del tercer trimestre del año próximo, y así debe ser. Cuando la banda se ensancha con una rapidez inusual, el modelo está señalando que los datos de entrada envían mensajes contradictorios y que el comprador debe esperar más revisiones en las próximas previsiones. Cuando la banda se mantiene inusualmente estrecha, los datos de entrada están alineados y la convicción es alta. Quien asume un compromiso a plazo para el tercer trimestre no está apostando a que el precio se sitúe exactamente sobre la línea central discontinua; está dimensionando la cobertura frente al rango que describe la banda.
Las descripciones emergentes de predicciones históricas son las que hacen que esa banda se gane su credibilidad. Elija unos cuantos meses de los dos últimos años en la materia prima que realmente compra. Pase el cursor por la línea. Lea los valores previsto y real. Si el modelo ha seguido bien la serie, la convicción para actuar sobre la curva a plazo llega sola. Y si no lo ha hecho, la descripción emergente también se lo dirá, antes de comprometer presupuesto.
A qué se reduce todo esto
En una previsión de materias primas fiable hay varias cosas funcionando a la vez: una arquitectura de modelo capaz de generalizar sobre miles de series, una pila de datos de entrada transparente que se remonta a fuentes conocidas, cifras de precisión por horizonte verificables sobre la materia prima concreta que tiene delante y la disciplina de mantener separadas la visión de la IA y la del analista para que cada una pueda evaluarse por sus propios méritos.
Así se construyen las previsiones de Vesper. La metodología está en pantalla, la precisión está en pantalla y los datos que hay detrás se remontan a las mismas fuentes primarias en las que los equipos de compras ya confían. Elija una materia prima, pase el cursor por la línea y juzgue usted mismo.
Preguntas frecuentes: previsión de precios de materias primas con Vesper
¿Qué precisión tienen las previsiones de Vesper en la materia prima concreta que compro? La precisión se publica por materia prima y por horizonte de previsión dentro de la plataforma. Puede consultar la precisión histórica a uno, tres, seis y doce meses de la serie exacta que compra, en lugar de depender de un promedio mezclado.
¿Con cuánta antelación debo fiarme de una previsión al tomar decisiones de compra? Los horizontes más cortos suelen ser más precisos, y así se refleja en los datos. La mayoría de las decisiones de compras se sitúan en la ventana de uno a seis meses, donde la precisión sigue siendo más alta y la banda de confianza es más estrecha.
¿El modelo se apoya más en los fundamentales o en los indicadores técnicos? Se incluyen ambos, junto con datos macro y relaciones entre materias primas. El modelo pondera todos los datos de entrada de forma dinámica, en lugar de priorizar una categoría sobre otra.
¿Con qué frecuencia se actualizan las previsiones? Las previsiones se actualizan automáticamente a medida que hay datos nuevos disponibles. No hay un calendario fijo, el modelo recalcula de forma continua conforme cambian los datos de entrada.
¿Puedo verificar yo mismo el rendimiento pasado de las previsiones? Sí. Las predicciones históricas están visibles directamente en el gráfico. Puede comparar los precios previstos y los reales en cualquier punto para entender cómo se comportó el modelo antes de confiar en proyecciones futuras.
¿Qué ocurre en mercados muy volátiles? La precisión suele bajar a medida que aumenta la volatilidad, y eso se refleja tanto en las cifras de precisión histórica como en el ensanchamiento de la banda de confianza. Es lo esperable y resulta visible para el usuario.
¿Se incluyen las opiniones de los analistas en la previsión? No. La previsión es totalmente impulsada por datos. Los informes de los analistas se publican junto a la salida del modelo, pero permanecen separados, lo que le permite comparar ambas perspectivas.
¿Importa más la dirección que el precio exacto? En la mayoría de las decisiones de compras, sí. Aunque el nivel de precio exacto no se prediga a la perfección, acertar la dirección suele ser lo que determina si conviene comprar ya o esperar.
