Cómo Windsketch diseñó un modelo de precios agnóstico para un mercado fragmentado

En Windsketch, nuestro equipo de desarrollo se enfrentó a uno de sus mayores retos técnicos: crear un modelo agnóstico de cálculo de precios capaz de adaptarse a un mercado donde cada fabricante sigue su propia lógica, a menudo impredecible e incluso contradictoria.

El problema: un rompecabezas sin patrón

El cálculo de precios en este sector está lejos de ser uniforme:

• Algunos fabricantes dan más peso a un solo eje (alto o ancho) que al área total.
• Otros aplican incrementos porcentuales sobre una medida base y después ajustan por características adicionales.
• En algunos casos, el precio se basa en pulgadas cuadradas; en otros, en pies cuadrados.
• Y el aspecto más difícil: los precios no siempre son lineales. A veces, las unidades más grandes resultaban más baratas que las pequeñas y seguían curvas de precios irregulares difíciles de prever.

Era un entorno sin una regla común, donde los métodos tradicionales no lograban generalizar eficazmente.

Los primeros intentos: modelos estándar

Para abordar el problema, el equipo comenzó diseñando varios modelos de cálculo estáticos, que permitieron cubrir a gran parte de los fabricantes con patrones de precios más regulares:

• Fórmulas basadas en el área total.
• Modelos que utilizan pulgadas cuadradas o pies cuadrados.
• Esquemas por «tramos», con rangos de precios predefinidos según las medidas.
• Variantes híbridas que combinan porcentajes y dimensiones.

Estos enfoques resolvieron muchos casos. Sin embargo, seguía habiendo fabricantes con curvas de precios muy irregulares y no lineales que no encajaban en ninguna regla estándar.

Explorando la IA: qué funcionó y qué no

Nuestro equipo también experimentó con distintos enfoques de inteligencia artificial y modelos matemáticos:

• Redes neuronales profundas, que tendían a sobreajustar los datos y eran costosas de mantener.
• Regresiones lineales y polinómicas simples, que no captaban la complejidad de las curvas.
• Interpolaciones mediante splines, que introducían oscilaciones indeseadas.
• Segmentación por «codo» dentro del conjunto de datos, donde intentamos dividirlos en grupos pequeños de alta varianza para entrenar regresiones locales. La idea tenía potencial, pero era demasiado compleja para mantenerla en producción.

Cada intento aportó información valiosa, pero ninguno alcanzó el equilibrio entre precisión, sencillez y rendimiento que necesitábamos.

La solución final: un modelo híbrido, adaptativo y de precisión por segmentos

El punto de inflexión llegó cuando aceptamos una verdad incómoda: no existe una única función capaz de representar el comportamiento de todo el mercado. La diversidad de fabricantes, materiales y reglas internas de precios hacía inviable un enfoque puramente global.

Esto nos llevó a nuestra solución definitiva: un modelo híbrido, basado en segmentación adaptativa (por tramos), combinada con regresiones polinómicas locales y mecanismos de control del error.

Segmentación del comportamiento y control del error

En vez de buscar una sola curva que generalizara todos los comportamientos, el sistema comenzó a analizar las variaciones de precios dentro de conjuntos de medidas, identificando cambios bruscos o incoherencias. Estos puntos de inflexión actuaban como límites naturales de los intervalos, dentro de los cuales se podía ajustar una función polinómica con mayor precisión.

Cada segmento o intervalo se evalúa con:

• Una regresión polinómica de orden flexible (normalmente de segundo orden).
• Un límite de error aceptable (error cuadrático medio).

Si el error supera el umbral definido, el sistema:

• Subdivide automáticamente el conjunto de medidas en intervalos más pequeños.
• Ajusta una función nueva y específica para ese subgrupo.
• Asocia ese modelo al rango correspondiente.

Esto permite al motor de precios detectar y aislar con precisión las áreas donde cambian las reglas del fabricante o se comportan de forma no lineal, sin contaminar los intervalos adyacentes. Como resultado, el sistema sigue siendo preciso y estable, incluso ante catálogos con curvas de precios abruptas, escalonadas o invertidas.

Un modelo que se adapta a cualquier dimensión de precios

El núcleo de nuestro motor no se limita a trabajar con áreas o dimensiones planas. En Windsketch, combinamos múltiples enfoques de cálculo, que coexisten de forma modular y transparente:

• Precios basados en el área.
• Precios por tramos con intervalos de medidas predefinidos.
• Precios por elemento (por ejemplo, tipo de vidrio, marcos, colores, tintado, templado, cuarterones, etc.).
• Precios fijos y fórmulas porcentuales cuando corresponda.
• Funciones por tramos con regresiones polinómicas por segmento, para fabricantes con lógicas no lineales o irregulares.

Esta combinación de reglas, respaldada por un modelo matemático que evoluciona y se autocorrige sobre la marcha, permite a Windsketch operar un motor de precios que puede adaptarse a:

• Cualquier fabricante, por particular que sea su estructura.
• Cualquier producto del ecosistema de ventanas y puertas.
• Cualquier material o componente que afecte a la lógica de precios (vidrio, aluminio, accesorios, tratamientos especiales, etc.).

Un sistema vivo, interpretable y ampliable

Además de preciso, el modelo se diseñó para ser:

• Interpretable: Cada rango tiene su propia función y se puede auditar fácilmente.
• Autoajustable: Si los nuevos datos rompen el patrón, se calcula una nueva función sin intervención humana.
• Escalable: La arquitectura permite almacenar cada conjunto de coeficientes, asociarlo con fabricantes, materiales o productos y realizar cálculos en tiempo real sin penalizar el rendimiento.

El reto de integrar Django

Resolver el aspecto matemático era solo la mitad del trabajo. El equipo también tuvo que integrar esta lógica en un sistema de producción, afrontando retos como:

• Serializar y almacenar de forma segura los coeficientes matemáticos.
• Ejecutar cálculos en tiempo real sin sacrificar el rendimiento.
• Diseñar un modelo de datos flexible y extensible que admita la lógica de precios de cualquier fabricante.

Fue un reto que implicó tanto ciencia de datos como ingeniería de software.

Lo que aprendimos

El resultado fue un motor de precios sólido que combina modelos estándar para fabricantes con reglas tradicionales y un modelo matemático avanzado para aquellos con patrones irregulares. Esta solución permitió a Windsketch crear un sistema verdaderamente agnóstico, capaz de adaptarse a un mercado fragmentado y complejo.

La lección más valiosa para nuestro equipo: no siempre hay que elegir entre la inteligencia artificial y las matemáticas clásicas. A veces, la mejor solución surge de combinar enfoques y aplicar ingeniería pragmática, logrando un equilibrio entre precisión, sencillez y escalabilidad.