LeadFlow SaaS — Análisis Estadístico de Conversiones

📈

R² ajustado (OLS)

0.907

Varianza explicada por el modelo

🔗

F-stat (sig. global)

p < 0.001

El modelo es globalmente significativo

🔮

Forecast Ene–Jun 2026

~25/mes

ARIMA(1,1,1) · IC 95%: [21–32]

💶

Revenue proyectado 6M

€345K

25 conv/mes × €2.300 × 6 meses

📊 Conversiones Observadas vs. Ajustadas + Forecast 6M OLS + ARIMA(1,1,1)

🔬 Diagnósticos del Modelo

Breusch-Pagan (heterosc.)

p = 0.077

Homocedasticidad ✓

Durbin-Watson (autocorr.)

1.771

Sin autocorr. (2±0.5) ✓

Ljung-Box Q(10)

p = 0.60

Residuos blancos ✓

ADF (estacionariedad)

p = 0.42

No estacion. → d=1 ⚠

📋 Modelo ARIMA

Param	Valor
Orden	`ARIMA(1,1,1)`
AIC	62.4
Forecast Ene'26	24.9 conv
IC 95% (6M avg)	[19.9 – 30.5]
Total 6M (punto)	150 conv
Revenue 6M (est.)	€345.000

📐 Coeficientes OLS — Variable dependiente: conversiones R² = 0.927 · R²adj = 0.907

Variable	Coeficiente	IC 95%	p-valor	Interpretación
`const`	12.56	[-13.5, 38.7]	0.318 ns	Intercepto
`gasto_ads`	+0.00226	[-0.002, 0.007]	0.296 ns	+1 conv / €443 adicionales
`demos`	+0.343 ★	[0.001, 0.686]	0.050 *	+1 demo → +0.34 conversiones
`emails`	+0.030	[-0.024, 0.084]	0.255 ns	Tendencia positiva
`nps`	-0.427	[-1.39, 0.54]	0.357 ns	Correlación negativa (lag)

INSIGHT PRINCIPAL

Las demos son el único predictor estadísticamente significativo (p=0.050). Cada demo adicional genera +0.34 conversiones de media. Con 20 demos/mes actuales → prioridad: aumentar demos agendadas, no gasto en ads.

📉 Residuos vs. Valores Ajustados

Residuos dentro de ±2σ · sin patron sistematico · RMSE = 1.12 conv

🗓️ Tabla de Forecast — Ene–Jun 2026 (ARIMA 1,1,1 · IC 95%)

Mes	Conversiones (media)	IC 95% inferior	IC 95% superior	Revenue estimado	ARR acumulado
Ene 2026	24.9	21.2	28.6	€57.270	€57.270
Feb 2026	24.9	20.4	29.5	€57.270	€114.540
Mar 2026	24.9	19.6	30.3	€57.270	€171.810
Abr 2026	24.9	18.9	30.9	€57.270	€229.080
May 2026	24.9	18.3	31.6	€57.270	€286.350
Jun 2026	24.9	17.7	32.1	€57.270	€343.620

* Precio medio trial-to-paid: €2.300/año * Forecast estabilizado en plateau: la serie converge a ~25 conv/mes * IC 95% crece al extenderse el horizonte (incertidumbre acumulada)

⚖️ Selección de Modelo y Workflow Aplicado

PASO 1

Exploración EDA

Plots de series temporales, correlaciones, estadísticos descriptivos. Tendencia positiva clara.

PASO 2

OLS con diagnósticos

sm.OLS() · R²=0.927 · BP p=0.077 (OK) · DW=1.77 (OK). Robust SEs no requeridos.

PASO 3

Test ADF → ARIMA

Serie no estacionaria (ADF p=0.42) → diferenciación d=1 → ARIMA(1,1,1). AIC=62.4

PASO 4

Forecast + IC 95%

get_forecast(steps=6).summary_frame() → 25 conv/mes · IC crece con horizonte.