Planifica la capacidad antes de la saturación, no después
El crecimiento mes a mes es predecible, si lo mides. La planificación de capacidad con IA convierte las tendencias de tráfico en decisiones de compra semanas antes de que los usuarios sientan el apretón.
Hay un momento que todo ISP de FTTH en crecimiento rápido reconoce. El gráfico de tráfico que era una cómoda curva ascendente el trimestre pasado empieza a aplanarse cerca del techo. Para cuando llegan las quejas de los clientes, la saturación ya tiene tres semanas. El ciclo de compra para la ampliación son seis semanas. Las matemáticas son implacables.
Planificar capacidad es solo comprar temprano
Cuando los operadores dicen que quieren "planificación de capacidad con IA", lo que realmente quieren es convertir una señal técnica lenta —utilización rondando el 70 % en una interfaz de backbone— en una señal de negocio rápida: "comprar 10 Gbps de subida para la semana 6 del T3". El problema difícil no es pronosticar el tráfico, que está bien comprendido. El problema difícil es cerrar el bucle entre pronóstico y compra antes de que el usuario lo note.
Un modelo simple y defendible
No necesitas una red neuronal profunda para pronosticar ancho de banda en las escalas temporales que importan para la compra. Un modelo de descomposición estacional (STL o al estilo Prophet) más una regla de pico semanal funciona extraordinariamente bien en el horizonte de 4–12 semanas. El modelo produce tres números que nos importan: la fecha en que el enlace alcanzará el 80 % de utilización pico, la fecha en que alcanzará el 95 %, y la pendiente esperada de crecimiento semanal.
- Entrena con al menos 90 días de contadores de 1 minuto de cada enlace o puerto PON.
- Descompón: tendencia, estacionalidad semanal, estacionalidad diaria, residuos.
- Pronostica el pico por semana (percentil 95 de la distribución de pronóstico).
- Mapea el pico pronosticado a umbrales conocidos (80 %, 90 %, 95 %) y emite fechas de saturación.
- Reentrena semanalmente. La deriva mata estos modelos más rápido de lo que cualquiera espera.
Donde se pone interesante: pronóstico por cohortes
La parte más complicada de pronosticar es cuando el crecimiento no es orgánico: cuando ventas está a punto de dar de alta un edificio de 2.000 abonados en la semana 4. Ese crecimiento no aparece en el tráfico histórico. Aparece en el CRM. Un planificador de capacidad que solo ve el NMS se perderá el acantilado. Uno conectado al CRM y al libro de pedidos lo ve con semanas de antelación.
La integración que se paga sola
La mejor característica que puedes añadir a un planificador de capacidad es una alimentación desde tu pipeline de ventas: activaciones planeadas por semana por geografía. Hemos visto la precisión del pronóstico pasar de ±35 % a ±9 % solo con habilitar esa señal.
El coste de llegar tarde
Vale la pena cuantificar la alternativa. El patrón "esperar quejas" cuesta de tres formas: fuga (los abonados dejan un enlace saturado en 2–3 meses), reputación (el NPS negativo se propaga), y compra de emergencia costosa (pagas prima por puerto encendido que podrías haber pedido con descuento y aviso). Modelamos el coste de sostener la saturación en aproximadamente 4–9 $ por abonado afectado al mes, más una prima de fuga del 3–5 %.
90+ días
Tiempo típico de compra para ampliar backbone
4–9 $
Coste por abonado afectado al mes de saturación
+3–5 %
Aumento de fuga en una cohorte saturada
Cómo se ve un buen resultado
- 1Un dashboard que muestre cada uplink, puerto PON y segmento de backbone con su fecha de saturación predicha.
- 2Un resumen semanal entregado automáticamente al CTO y a finanzas: qué va a necesitar dinero en 60–90 días.
- 3Integración directa con el CRM/libro de pedidos para que las activaciones planeadas afecten la curva antes de entrar en producción.
- 4Tickets de compra auto-generados para los puertos que cruzan umbrales, con opciones pre-cotizadas por los proveedores upstream.