Análisis de sensibilidad: identificar la hipótesis que cambia la decisión.
Estado de la evidencia
Qué se ha reproducido y qué no demuestra.
El JSON público y la ejecución Python verifican los parámetros únicos, el orden de los impactos y las reglas de cambio de los cuatro escenarios publicados. No verifican ni los intervalos estadísticos, ni las elasticidades, ni la probabilidad de los escenarios.
- Especificación técnica del análisis de sensibilidad pedagógico, especificación en francés (se abre en una pestaña nueva)
v1, 31 de agosto de 2026 · CC BY 4.0 · especificación en francés · Documento de método redactado por marketing-mix.net. Las cifras son ilustrativas: no son mediciones de mercado.
Qué hay que distinguir
Tres condiciones antes de cualquier cálculo.
Rangos defendibles
Usar intervalos de estimación, contratos, históricos o cotas operativas. Una variación arbitraria idéntica da más importancia a los parámetros según su unidad.
Parámetros vinculados
Precio, volumen y margen; cobertura y frecuencia; presupuesto y coste de compra pueden evolucionar juntos. Hacerlos variar por separado produce escenarios imposibles.
Criterio de báscula
Observar el cambio de decisión, no solo la variación del resultado. Una recomendación puede perder el 30 % de ganancia y seguir siendo netamente preferible.
Método
Pasar de la sensibilidad local a la robustez
- 01Nombrar la decisión central
Publicar escenario base, resultado, restricciones y alternativa; sin referencia estable, las variantes se convierten en una colección de previsiones.
- 02Clasificar las incógnitas
Separar parámetros estimados, decisiones controladas, restricciones y eventos externos; su tratamiento y su rango no son idénticos.
- 03Probar de forma unitaria y después conjunta
El tornado localiza los parámetros sensibles; los escenarios vinculados verifican después las combinaciones plausibles.
- 04Calcular el valor de la información
Comparar el coste de una prueba con la pérdida evitable si la hipótesis central es falsa.
El tornado de la ganancia de contribución
Cada barra muestra la desviación respecto a la ganancia central de 122.000 €. La elasticidad y el margen cuentan más que los parámetros secundarios del modelo.
El piloto pasa a ser preferible al despliegue directo.
Una recomendación positiva pero dependiente de la elasticidad
La reasignación Noroa produce +122.000 € en el centro. La variación plausible de la elasticidad de medios desplaza el resultado de −92.000 a +71.000 €, la del margen de −64.000 a +58.000 €.
Bajo elasticidad prudente sola, la ganancia sigue en +30.000 €. Combinando elasticidad prudente y margen bajo, el resultado pasa a −34.000 €. Una prueba de seis semanas cuesta 18.000 € y puede reducir a la mitad la incertidumbre de elasticidad.
No desplegar directamente el objetivo. Financiar el piloto: su coste es inferior a la pérdida potencial del escenario conjunto desfavorable.
Condiciones de aceptación
Lo que debe cumplirse para actuar.
- 01
Los rangos reflejan la incertidumbre real o cotas operativas.
- 02
El tornado se completa con escenarios conjuntos plausibles.
- 03
El umbral de cambio de decisión es explícito.
- 04
El valor de una información adicional se compara con el coste de la prueba.
Límites
Lo que este análisis no demuestra.
- Un análisis local no siempre captura las no linealidades o las interacciones fuertes.
- Los escenarios no cubren los eventos no imaginados.
- Unos rangos demasiado estrechos transforman la sensibilidad en confirmación del escenario central.
Referencias
Trabajos citados.
- Saltelli, A. et al. (2008), Global Sensitivity Analysis.
- Keeney, R. L. & Raiffa, H. (1976), Decisions with Multiple Objectives.
- Ben-Tal, A., El Ghaoui, L. & Nemirovski, A. (2009), Robust Optimization.