Comparaciones temporales y el efecto base

En abril de 2021 la producción industrial española creció un 49,7 % interanual. El titular sonaba a milagro. La realidad era aritmética: abril de 2020 fue el mes más duro del confinamiento, con las fábricas paradas. Crecer un 49 % sobre un suelo artificial no es un logro, es una ilusión óptica del denominador. Este fenómeno tiene nombre — efecto base — y no es exclusivo de la macroeconomía: aparece cada vez que comparas contra un periodo anormalmente bajo (o alto). Un e-commerce que sufrió una caída del servidor en marzo del año pasado mostrará un +300 % en marzo de este año sin haber vendido ni un pedido más de lo habitual. El porcentaje es correcto. La conclusión que invita a sacar es falsa. Y eso lo convierte en una de las trampas más peligrosas del análisis temporal: no da error, no rompe nada y suena bien en una presentación.

Las comparaciones temporales son la columna vertebral del análisis de negocio. Cada vez que alguien dice "hemos crecido", "hemos caído" o "estamos estancados", hay una comparación implícita: crecido respecto a QUÉ. El periodo anterior, el mismo mes del año pasado, la media de los últimos seis meses. Elegir mal el comparador — o no entender sus limitaciones — convierte un número correcto en una conclusión falsa. Y eso es exactamente lo que vamos a aprender a evitar.

### Por qué comparamos con el pasado

Un número solo no dice nada. "Hemos facturado 150.000 euros este mes". Vale. ¿Eso es bueno? ¿Es malo? ¿Es normal? No lo sabes hasta que lo pones al lado de otro número: lo que facturaste el mes pasado, lo que facturaste en el mismo mes hace un año, lo que presupuestaste. Comparar es lo que convierte un dato en información. Y la forma más natural de comparar es contra el tiempo: ayer, la semana pasada, el trimestre anterior.

Históricamente, los informes financieros mensuales se inventaron para esto: el cierre contable del mes te daba un punto de comparación fijo. Cuando llegaron las hojas de cálculo en los años 80, la gente empezó a poner "este mes vs el anterior" en la celda de al lado porque era fácil. Y cuando los dashboards en tiempo real se hicieron posibles en los 2000, aparecieron los tres acrónimos que dominan hoy cualquier reunión de negocio: WoW (week-over-week, semana contra semana anterior), MoM (month-over-month, mes contra mes anterior), y YoY (year-over-year, contra el mismo periodo del año pasado). Son la jerga del analista, y detrás de cada uno hay una decisión sobre qué comparar y por qué.

### MoM, WoW, YoY: cuándo usar cada uno

Cada comparación tiene un caso de uso natural y un punto ciego. MoM (mes contra mes anterior) es la más intuitiva: "vendimos más que el mes pasado". Pero tiene un problema grave: la estacionalidad. Si vendes helados, febrero siempre será peor que julio, y comparar febrero con enero no te dice nada útil — solo que hace frío. WoW (semana contra semana) es rápida y detecta cambios bruscos, pero hereda el ruido de un solo día malo. YoY (contra el mismo mes del año pasado) es la que elimina la estacionalidad: comparas julio con julio, diciembre con diciembre. El precio es que un año es mucho tiempo — puede que el negocio haya cambiado tanto que la comparación no tenga sentido.

• ▹MoM (mes contra mes anterior): detecta cambios recientes. Falla con estacionalidad. Usa para productos sin ciclo anual marcado.
• ▹WoW (semana contra semana anterior): detecta anomalías rápido. Muy ruidosa. Usa para operaciones diarias y alertas.
• ▹YoY (contra el mismo periodo hace un año): elimina estacionalidad. Falla si el negocio ha cambiado de tamaño o modelo. Usa para informes estratégicos.
• ▹QoQ (quarter-over-quarter): a mitad de camino entre MoM y YoY. Suficiente para suavizar meses, no tanto para eliminar estacionalidad.

### Calcular variaciones con LAG

Ya conoces LAG de cuando vimos comparaciones entre filas. Ahora lo vamos a usar para su caso de uso más importante en el mundo real: calcular la variación de una métrica respecto al periodo anterior. La idea es sencilla: para cada fila (un mes, una semana), traes el valor de la fila anterior, y con esos dos números calculas la variación absoluta (cuánto ha cambiado en unidades) y la variación porcentual (cuánto ha cambiado en proporción al punto de partida).

1-- Variacion MoM de ingresos mensuales
2WITH mensual AS (
3    SELECT
4        DATE_TRUNC('month', fecha) AS mes,
5        SUM(importe) AS ingresos
6    FROM ventas
7    GROUP BY DATE_TRUNC('month', fecha)
8)
9SELECT
10    mes,
11    ingresos,
12    LAG(ingresos) OVER (ORDER BY mes) AS ingresos_mes_anterior,
13    ingresos - LAG(ingresos) OVER (ORDER BY mes) AS variacion_absoluta,
14    ROUND(
15        100.0 * (ingresos - LAG(ingresos) OVER (ORDER BY mes))
16        / NULLIF(LAG(ingresos) OVER (ORDER BY mes), 0),
17        1
18    ) AS variacion_pct
19FROM mensual
20ORDER BY mes;

### YoY: comparar con el mismo mes del año pasado

Para la comparación interanual, LAG con offset 12 es tu mejor amigo. Si tus datos están agrupados por mes y ordenados cronológicamente, LAG(ingresos, 12) te trae el valor de hace exactamente 12 filas — es decir, el mismo mes del año anterior. Esta es la comparación que elimina la estacionalidad: julio contra julio, diciembre contra diciembre.

1-- Variacion YoY: contra el mismo mes del ano anterior
2WITH mensual AS (
3    SELECT
4        DATE_TRUNC('month', fecha) AS mes,
5        SUM(importe) AS ingresos
6    FROM ventas
7    GROUP BY DATE_TRUNC('month', fecha)
8)
9SELECT
10    mes,
11    ingresos,
12    LAG(ingresos, 12) OVER (ORDER BY mes) AS ingresos_yoy,
13    ROUND(
14        100.0 * (ingresos - LAG(ingresos, 12) OVER (ORDER BY mes))
15        / NULLIF(LAG(ingresos, 12) OVER (ORDER BY mes), 0),
16        1
17    ) AS variacion_yoy_pct
18FROM mensual
19ORDER BY mes;

### El efecto base: cuando el denominador miente

Ahora entramos en el concepto que da nombre a esta lección y que separa al analista junior del senior. El efecto base ocurre cuando el periodo de referencia (el denominador de tu variación porcentual) es anormalmente bajo o anormalmente alto, lo que distorsiona el porcentaje de cambio hasta hacerlo inútil o engañoso.

La analogía: imagina que tu amigo pesaba 50 kg el año pasado (estaba enfermo). Este año pesa 65 kg. Ha "engordado un 30%". Suena alarmante. Pero 65 kg para un adulto de 1,75 m es perfectamente saludable — lo anormal era el 50, no el 65. El porcentaje de cambio te está contando una historia dramática sobre una situación normal, porque el punto de partida era el que estaba mal. Eso es efecto base.

El efecto base es especialmente traicionero porque el número es CORRECTO. El 200% está bien calculado. La división es correcta. El código no tiene errores. Pero la conclusión que se saca de él es falsa. Y eso lo hace invisible para cualquier validación técnica — solo lo detecta alguien que CONOCE el contexto del negocio y se pregunta "¿qué pasó en el periodo base?".

Ejemplos reales que se han visto en los últimos años: toda empresa que comparó 2021 con 2020 vio crecimientos estratosféricos en muchas métricas, porque 2020 fue el año del confinamiento y la base estaba destruida. Restaurantes con +500% de facturación YoY que en realidad seguían por debajo de 2019. Tiendas online con -40% YoY en 2022 que en realidad seguían muy por encima de 2019. El denominador les mentía a todos.

### Variación absoluta vs porcentual: cuándo usar cada una

El efecto base es un problema de la variación porcentual. La variación absoluta (cuántos euros más o menos) no sufre este problema — pero tiene el suyo propio: no da escala. "Hemos crecido 50.000 euros" significa algo muy distinto si facturas 100.000 al mes (has crecido un 50%) que si facturas 5 millones (has crecido un 1%). La variación absoluta te dice EL TAMAÑO del cambio en unidades reales. La porcentual te dice LA PROPORCIÓN del cambio respecto al punto de partida. Necesitas las dos.

La regla práctica: presenta SIEMPRE las dos juntas. "Hemos crecido 50.000 euros (+8% MoM)" es mucho mejor que cualquiera de las dos solas. El absoluto le dice al director financiero cuánto ingreso de más hay en caja. El porcentaje le dice al director de marketing si su campaña ha tenido impacto proporcional al esfuerzo. Nunca un porcentaje solo. Nunca un absoluto solo.

### Detectar el efecto base con SQL

Un analista responsable no presenta una variación YoY sin comprobar si el periodo base era normal. La forma de hacerlo: comparar el periodo base con la media de ese mismo mes en los años disponibles. Si el periodo base se desvía mucho de la media histórica, hay efecto base y debes anotarlo. Veamos cómo implementar esa comprobación.

1-- Detectar efecto base: marcar meses anomalos
2WITH mensual AS (
3    SELECT
4        DATE_TRUNC('month', fecha) AS mes,
5        EXTRACT(MONTH FROM fecha) AS num_mes,
6        SUM(importe) AS ingresos
7    FROM ventas
8    GROUP BY DATE_TRUNC('month', fecha), EXTRACT(MONTH FROM fecha)
9),
10media_historica AS (
11    SELECT
12        num_mes,
13        AVG(ingresos) AS media_mes,
14        STDDEV(ingresos) AS desviacion_mes
15    FROM mensual
16    GROUP BY num_mes
17)
18SELECT
19    m.mes,
20    m.ingresos,
21    LAG(m.ingresos, 12) OVER (ORDER BY m.mes) AS base_yoy,
22    ROUND(100.0 * (m.ingresos - LAG(m.ingresos, 12) OVER (ORDER BY m.mes))
23        / NULLIF(LAG(m.ingresos, 12) OVER (ORDER BY m.mes), 0), 1) AS var_yoy_pct,
24    CASE
25        WHEN ABS(LAG(m.ingresos, 12) OVER (ORDER BY m.mes) - h.media_mes)
26             > 1.5 * h.desviacion_mes
27        THEN 'EFECTO BASE - periodo anomalo'
28        ELSE 'OK'
29    END AS alerta_base
30FROM mensual m
31JOIN media_historica h ON h.num_mes = EXTRACT(MONTH FROM m.mes)
32ORDER BY m.mes;

### Qué hacer cuando hay efecto base

Detectar el efecto base es el primer paso. El segundo es decidir qué haces con él. No puedes simplemente borrar el número — el director comercial ya lo ha visto y quiere saber por qué "el crecimiento no es real". Tienes tres estrategias, y la correcta depende del contexto:

1. 01.Comparar con un periodo "normal" alternativo: en vez de YoY contra 2020 (anómalo), compara contra 2019. Es lo que hicieron muchas empresas en 2021: presentaban "vs 2019" porque era el último año comparable.
2. 02.Añadir contexto narrativo: presenta el número YoY pero acompáñalo de una nota: "El +200% refleja la normalización tras la caída técnica de marzo 2023, no un crecimiento orgánico". El número sigue ahí, pero su interpretación cambia.
3. 03.Usar la variación absoluta como ancla: "Ingresos de marzo: 36.000 EUR. Variación vs media histórica de marzo: -5%. Variación YoY: +200% (base anómala por caída de CRM)". La media histórica da el contexto que el YoY no puede dar.

### Comparaciones WoW con LAG sobre datos semanales

Para comparaciones semanales, el patrón es el mismo pero agrupando por semana en vez de por mes. DuckDB tiene DATE_TRUNC que acepta week como unidad, lo que simplifica mucho el cálculo. La variación WoW es la favorita de los equipos de producto digital porque detecta cambios rápido: si un despliegue rompe algo el martes, el WoW del miércoles ya lo refleja.

1-- Variacion WoW (semana contra semana anterior)
2WITH semanal AS (
3    SELECT
4        DATE_TRUNC('week', fecha) AS semana,
5        SUM(importe) AS ingresos
6    FROM ventas
7    GROUP BY DATE_TRUNC('week', fecha)
8)
9SELECT
10    semana,
11    ingresos,
12    LAG(ingresos) OVER (ORDER BY semana) AS ingresos_sem_anterior,
13    ingresos - LAG(ingresos) OVER (ORDER BY semana) AS var_absoluta,
14    ROUND(
15        100.0 * (ingresos - LAG(ingresos) OVER (ORDER BY semana))
16        / NULLIF(LAG(ingresos) OVER (ORDER BY semana), 0),
17        1
18    ) AS var_wow_pct
19FROM semanal
20ORDER BY semana;

### Ejemplo guiado completo: informe con MoM y YoY

Vamos a construir la consulta que un analista usaría en la vida real para preparar el informe mensual de ventas: cada mes con sus ingresos, la variación MoM (mes contra mes anterior), la variación YoY (contra el mismo mes del año pasado), y una columna que marque si hay efecto base. Es la query que alimenta la diapositiva que el director comercial presenta cada primer lunes del mes.

1-- Informe mensual completo: MoM + YoY + alerta de efecto base
2WITH mensual AS (
3    SELECT
4        DATE_TRUNC('month', fecha) AS mes,
5        SUM(importe) AS ingresos
6    FROM ventas
7    GROUP BY DATE_TRUNC('month', fecha)
8)
9SELECT
10    mes,
11    ingresos,
12    -- MoM
13    LAG(ingresos, 1) OVER (ORDER BY mes) AS base_mom,
14    ROUND(100.0 * (ingresos - LAG(ingresos, 1) OVER (ORDER BY mes))
15        / NULLIF(LAG(ingresos, 1) OVER (ORDER BY mes), 0), 1) AS var_mom_pct,
16    -- YoY
17    LAG(ingresos, 12) OVER (ORDER BY mes) AS base_yoy,
18    ROUND(100.0 * (ingresos - LAG(ingresos, 12) OVER (ORDER BY mes))
19        / NULLIF(LAG(ingresos, 12) OVER (ORDER BY mes), 0), 1) AS var_yoy_pct,
20    -- Alerta: si la base YoY es < 50% de la media global, hay efecto base
21    CASE
22        WHEN LAG(ingresos, 12) OVER (ORDER BY mes)
23             < 0.5 * AVG(ingresos) OVER ()
24        THEN 'BASE BAJA'
25        WHEN LAG(ingresos, 12) OVER (ORDER BY mes)
26             > 1.5 * AVG(ingresos) OVER ()
27        THEN 'BASE ALTA'
28        ELSE NULL
29    END AS alerta
30FROM mensual
31ORDER BY mes;

### Resumen

• ▹Toda métrica de negocio necesita un comparador temporal para tener significado. Los tres estándar son MoM, WoW y YoY.
• ▹LAG con offset 1 da el periodo anterior; con offset 12 (en datos mensuales) da el mismo mes del año pasado.
• ▹La variación porcentual es vulnerable al efecto base: un denominador anómalo distorsiona el resultado.
• ▹Presenta SIEMPRE variación absoluta y porcentual juntas, y acompáñalas de dos comparadores (MoM + YoY).
• ▹Antes de presentar un YoY, comprueba si el periodo base fue normal. Si no lo fue, anótalo.
• ▹NULLIF protege contra división por cero — úsalo siempre en el denominador de variaciones porcentuales.