Tintómetropor Angarita & Serna

Proyecto 2 de Álgebra Lineal I, Universidad de La Sabana, 2026-2

Demanda de café en una cafetería

Predecimos cuántos cafés se venden en un día a partir del precio, el clima, las promociones y el calendario, con regresión multilineal cuadrática por mínimos cuadrados. Por Samuel Angarita García y Alejandro Serna.

Ver la validación
Juega con el modelo: arma un día y mira cuántos cafés se venden
Ventas que predice el modelo
— cafés
Cada barra es coeficiente β × dato del día. Sumadas dan la predicción: ŷ = xᵀβ, un producto punto.
TintómetroCómo funcionaCómo calculamosPlanesCuánto ahorrasPreguntasProbar gratis

Tres pasos. Cero fórmulas.

Por dentro usa álgebra lineal (mínimos cuadrados). Por fuera solo ves respuestas.

01

Sube tu Excel

Una fila por día: fecha, precio y ventas. Si anotas promociones, mejor. Te damos la plantilla.

fechaprecioventas2 feb2.5001683 feb2.8001514 feb2.500174
02

Ve qué mueve tus ventas

Cuánto suman la promoción y la lluvia, cuánto resta subir el precio, cuál es tu día flojo.

03

Planea tu semana

Con el pronóstico del clima te dice cuánto vas a vender cada día y cuánta leche y café comprar.

Así calculamos tu demanda y tu precio

Por dentro, Tintómetro es álgebra lineal: regresión multilineal por mínimos cuadrados. Esto es lo que hace con tus datos, paso a paso, con los números de nuestra cafetería de ejemplo (221 días).

1

Tus días se vuelven una matriz

Cada día es una fila. Cada cosa que puede mover las ventas es una columna: una columna de unos, el precio p, el precio al cuadrado p² (para que la demanda pueda ser una curva), la temperatura, lluvia, promoción, gente que pasa y viernes. Las ventas van en un vector aparte.

X (221 × 8) · β (8 × 1) ≈ y (221 × 1)
2

Buscamos los β que menos se equivocan

Cada β dice cuánto suma o resta una columna. Elegimos los β que hacen más pequeña la suma de los errores al cuadrado. Esa condición se convierte en un sistema de 8 ecuaciones con 8 incógnitas, las ecuaciones normales, que resolvemos con eliminación de Gauss.

mín ‖y − Xβ‖²  ⟹  XᵀX β = Xᵀy

Geométricamente: la predicción ŷ = Xβ es la «sombra» de tus ventas sobre el plano de las columnas de X, y el error queda perpendicular a ese plano.

3

Tu demanda de mañana es un producto punto

Para predecir un día armamos su fila x (precio, clima, promoción…) y la multiplicamos por β: cada barra es β × dato, y la suma es la predicción. Cambia el día en la tarjeta «Juega con el modelo» del encabezado y mira cómo se mueve.

ŷ = xᵀβ = β₀ + β₁p + β₂p² + … + β₇·viernes
4

Tu mejor precio sale de una derivada

Los ingresos son precio por ventas: I(p) = p · ŷ(p). Como ŷ tiene p y p², I(p) es un polinomio de grado 3. Buscamos donde su derivada vale cero; si ese punto cae fuera de los precios que ya probaste, el mejor precio confiable es el borde de ese rango.

I(p) = p(a + bp + cp²)  ⟹  I′(p) = a + 2bp + 3cp² = 0

ventas por díaganancia por díamejor precio
5

Y medimos qué tan seguro es

Ajustamos con los primeros 166 días y probamos en los últimos 55, que el modelo no vio. Ahí se equivoca en promedio ±10 tintos al día; con la curva (p²) el error baja 3,9 % frente a una recta. Comprobamos todo contra Python y contra un caso resuelto a mano.

Ver el proyecto completo: matrices, Gauss paso a paso y validación
±10,1tintos de error en días nuevos
0,94R²: cuánto de la variación explica
< 0,0001diferencia con Python

Planes para cada cafetería

Empieza gratis. Pasa a un plan de pago cuando quieras más.

Tinto

Para probar y para cafeterías que están empezando.

$0siempre
 
  • Subir Excel o CSV
  • Tablero de ventas y calendario
  • Qué mueve tus ventas
  • Simulador de un día
  • 1 producto
  • Tus datos solo en tu navegador
Empezar gratis
Recomendado

Pintado

Para la cafetería que quiere comprar justo y vender más.

$29.900/ mes
 
  • Todo lo de Tinto
  • Varios productos
  • Plan de la semana con pronóstico
  • Leche y café que necesitas
  • Mejor precio para tus ingresos
  • Reporte en PDF para imprimir
  • Hoja de Google en vivo (próximamente)

Greca

Para cadenas y cafeterías con varias sedes.

$79.900/ mes
 
  • Todo lo de Pintado
  • Hasta 5 sedes
  • Comparar sedes
  • Acompañamiento por WhatsApp
  • Una capacitación de 1 hora
  • Conexión con el sistema de caja (próximamente)

Precios en pesos colombianos. Son la propuesta de modelo de negocio del proyecto: hoy todas las funciones que ya existen se pueden usar gratis en la herramienta.

Qué incluyeTintoPintadoGreca
Tus ventas
Subir Excel o CSV✓✓✓
Tablero, calendario y día más fuerte✓✓✓
Productos1VariosVarios
Sedes11Hasta 5
Predicción
Qué mueve tus ventas e ideas para vender más✓✓✓
Simulador de un día✓✓✓
Plan de la semana con pronóstico del clima—✓✓
Insumos: leche y café—✓✓
Precio que más ingresos deja—✓✓
Conexiones y ayuda
Reporte en PDF—✓✓
Hoja de Google en vivo—PróximamentePróximamente
Sistema de caja——Próximamente
Acompañamiento por WhatsApp——✓

¿Cuánto se paga solo?

Comprar de más es plata que se bota. Mueve los controles con los números de tu cafetería.

Ahorrarías al mes
$56.160
Hoy se bota al mes$187.200
Plan Pintado al mes$29.900

Preguntas

Lo que más nos preguntan las cafeterías.

¿Necesito saber matemáticas o estadística?

No. Subes tu Excel y la herramienta te responde en palabras: «con lluvia vendes cerca de 22 más», «tu día flojo es el viernes». Las cuentas las hace ella.

¿Mis ventas se suben a internet?

En el plan Tinto no: el archivo se lee y se calcula dentro de tu navegador. Lo único que se consulta afuera es el clima de tu ciudad (Open-Meteo), con las fechas, no con tus ventas.

¿Qué necesita tener mi Excel?

Una fila por día con la fecha, el precio y lo que vendiste. Si además anotas si hubo promoción y si fue un día especial (festivo, evento, vacaciones), los cálculos mejoran. Puedes descargar nuestra plantilla.

¿Cuántos días de datos necesito?

Con un mes ya ves tu tablero. Para que los cálculos sean confiables, lo ideal son dos meses o más, y haber probado al menos dos precios distintos.

¿Qué tan exacto es?

Siempre te mostramos el margen: por ejemplo, «entre 110 y 130». En la cafetería de ejemplo el error típico es de unos 10 tintos al día. Con datos tuyos, la herramienta mide su propio error con tus días más recientes.

¿Puedo cancelar cuando quiera?

Sí. Los planes de pago son mes a mes o por año, sin permanencia, y el plan Tinto es gratis para siempre.

Mañana vas a vender algo.
Mejor saber cuánto.

Prueba con tus ventas o con nuestra cafetería de ejemplo.

Empezar gratis

¿Para qué sirve esta herramienta?

Para que tu cafetería sepa cuánto va a vender y qué hace que venda más o menos: el precio, la lluvia, el frío, las promociones o el día de la semana. Con eso puedes comprar los insumos justos, decidir cuándo hacer promociones y probar precios sin adivinar.

📄
1. Subes tu Excel

Una fila por día con la fecha, el precio y cuánto vendiste. Si anotas las promociones, mejor.

🔍
2. Ves qué mueve tus ventas

La herramienta compara tus días y te dice cuánto suma o resta cada cosa.

🎚️
3. Simulas un día

Mueves el precio, el clima o la promoción y ves al instante cuánto venderías.

🛒
4. Planeas tu semana

Con el pronóstico del clima calcula ventas, leche y café para los próximos días.

¿No tienes tus datos a la mano? Entender cómo calcula Ver planes

★Tu cuenta Tintómetro

Con una cuenta tus ventas quedan guardadas, llevas tus rachas y tienes un calendario de tu cafetería. Sin cuenta también funciona: todo se queda en este navegador.

Mira cómo se ve con una cafetería de ejemplo:
Buscando el servidor…

Entrar

Crear cuenta

Servidor

1Registra tu cafetería

Así la herramienta te saluda por tu nombre, trae el clima de tu ciudad y calcula los insumos de tu semana. Se guarda solo en este navegador.

2Sube tus ventas

Tu Excel (.xlsx) o un CSV, con una fila por día. Columnas necesarias: fecha, precio y ventas. Opcionales: promoción (Sí/No), tipo de día (Normal, Evento, Festivo, Vacaciones…), producto, temperatura y lluvia. Los datos no salen de tu computador.

?Cómo funciona por dentro

La herramienta busca la línea que pasa lo más cerca posible de todos tus días. Pruébalo tú: cada punto es un día (precio y ventas). Mueve la línea y trata de que los cuadrados rojos sean lo más pequeños posible. Cada cuadrado es el error de un día; la herramienta busca que la suma de todos sea la menor posible.

Altura de la línea
Cuánto bajan las ventas por cada $1.000 más
Error total (suma de los cuadrados)

Con tus datos reales hace lo mismo, pero con todo a la vez: precio, clima, promociones y día de la semana. En vez de una línea busca la mejor combinación de todos esos factores, y con eso arma lo que ves arriba.

Para saber si sus cálculos sirven, se guarda tus días más recientes, hace la cuenta sin mirarlos y luego compara lo que calculó con lo que de verdad vendiste. De ahí sale el «± unidades». El clima de tus días y el pronóstico vienen de Open-Meteo, un servicio gratuito de datos del clima.

Son estimaciones a partir de tus propios datos, no una garantía. Entre más días subas, mejores son. Si quieres ver las matemáticas detrás, están en la pestaña Proyecto académico.

La historia en 8 pantallas · baja despacio

Cada día de ventas
es una fila.

De cada día anotamos el precio, el clima, si hubo promoción, cuánta gente pasó, si era viernes… y cuántos cafés se vendieron.

221días = filas
8columnas en X
1columna y: las ventas

¿Las ventas bajan
en recta o en curva?

Al subir el precio se venden menos cafés. Pero las primeras subidas espantan más clientes que las siguientes. Pruébalo:

±10,1cafés de error en días que el modelo nunca vio

Todo se resuelve
con una ecuación.

XᵀX β = Xᵀy
Xᵀ
8 × 221
·
X
221 × 8
=
XᵀX
8 × 8

Sean 221 días o 10.000, siempre queda un sistema pequeño de 8 ecuaciones con 8 incógnitas: los β.

La mejor predicción
es una sombra.

Las predicciones posibles forman un plano. Las ventas reales y quedan afuera. La mejor predicción ŷ es su sombra: el punto del plano más cercano. El error r cae derechito, en ángulo recto.

Girarla en 3D
y (ventas reales)ŷ = Xβr ⟂ plano

Gauss la resuelve
en tres jugadas.

Restando filas se hacen ceros debajo de la diagonal. Lo que queda se despeja de abajo hacia arriba. Lo hicimos a mano con el caso pequeño:

β = (10, −4, 1)
Verla paso a paso
4103030 103010080 30100354254

¿Qué mueve
las ventas?

Cuántos cafés cambia cada cosa al pasar de un día «bajo» a uno «alto». El precio es el que más pesa.

¿Y funciona?

±10,1cafés de error típico en 55 días que el modelo no vio
< 0,0001de diferencia entre nuestra plataforma y Python
= a manoel caso pequeño hecho en papel da el mismo β

Y cualquier cafetería
puede usarlo.

Sube tu Excel y te dice cuánto vas a vender, qué mueve tus ventas y qué precio deja más plata.

Ver el detalle técnico
Café La Esquina
137 tintos al día
Promoción +32
Viernes −40

El detalle técnico

Lo mismo, sección por sección, con las matrices, las cuentas y la validación.

1Contexto y pregunta

Qué problema resolvemos y con qué alcance.

💡 En palabras simplesQueremos predecir cuántos cafés vende la cafetería en un día. La pregunta clave: cuando sube el precio, ¿las ventas bajan en línea recta o en curva?

La cafetería quiere saber cuántos cafés venderá en un día según el precio, la temperatura, si llueve, si hay promoción, cuánta gente pasa por el local y si es viernes. Así puede planear la compra de insumos y el personal.

Sospechamos que la demanda no baja en línea recta con el precio. Las primeras subidas espantan más clientes que las siguientes, así que la relación tiene curvatura. Para capturarla agregamos la columna p² a la matriz de diseño.

Pregunta del proyecto
¿Agregar el término precio² mejora la predicción de ventas diarias de café en días que el modelo no ha visto? ¿Cómo cambian las ventas con el precio, el clima y la promoción?
Alcance: la base es simulada con semilla fija (2026), clima con valores típicos de Chía, y una fórmula conocida. Eso permite comprobar si el método recupera los coeficientes reales. Las conclusiones no se extrapolan a una cafetería real sin datos reales.

2Datos

221 días hábiles de un año (4 de agosto de 2025 a 17 de julio de 2026), sin festivos ni el cierre de fin de año. Incluye temporada normal y de vacaciones. Puede cargar otro CSV con las columnas: precio_miles, temperatura, lluvia, promo, flujo, viernes, ventas.

💡 En palabras simplesCada fila es un día: precio, clima, promoción, gente que pasó y cuántos cafés se vendieron. Con los primeros 166 días el modelo aprende y los últimos 55 se guardan para comprobar si acierta.

Variables

SímboloSignificado
yCafés vendidos en el día
pPrecio del café en miles de COP (2,0 a 5,0)
TTemperatura media del día (°C)
lluvia1 si llovió, 0 si no
promo1 si hubo combo café + pan, 0 si no
flujoPersonas que pasaron por el local (cientos)
viernes1 si es viernes, 0 si no (variable de calendario)

El precio va en miles de pesos y no en pesos. Con p en pesos, p² llegaría a 25 000 000 y la matriz XᵀX quedaría muy mal condicionada:

3Construir los modelos y resolver

Escoja las columnas de la matriz de diseño de cada modelo. La columna 1 (intercepto) siempre va incluida.

💡 En palabras simplesAquí se decide qué columnas lleva la matriz X. El modelo A es la recta (sin p²) y el B es la curva (con p²). Al oprimir «Calcular» se resuelven los dos.
Modelo A
Modelo B
✋ ¿Quedó claro? ¿Qué columna diferencia el modelo B del modelo A?

4Modelo matricial

Matrices construidas con los datos de entrenamiento.

💡 En palabras simplesEstas son las matrices de verdad: X (un día por fila), XᵀX, Xᵀy y el resultado β. El dibujo 3D muestra por qué funciona: la predicción es la sombra de las ventas sobre el plano que forman las columnas de X.
Ver las matrices X, XᵀX y Xᵀy

X (primeras 8 filas) y y

XᵀX y Xᵀy

Coeficientes β̂

¿Por qué funciona? ŷ es la sombra de y sobre el plano de las columnas

ŷ = Xβ es el punto del plano más cercano a y; el error queda perpendicular, por eso XTr = 0.

Mueve los controles para cambiar las ventas y arrastra el dibujo para girarlo.

y (ventas reales)ŷ = Xβ (proyección)r = y − ŷ (error)plano de las columnas de X
✋ ¿Quedó claro? Si X tiene 166 filas y 8 columnas, ¿de qué tamaño es XᵀX?

5Explicación paso a paso

Lo que hace la plataforma al presionar "Calcular".

💡 En palabras simplesLa receta en orden: armar X, calcular XᵀX y Xᵀy, resolver con eliminación de Gauss, obtener β y medir el error.

    6Visualización

    Ventas ajustadas a las condiciones del Día 1 del comparador, para ver solo el efecto del precio.

    💡 En palabras simplesLa curva verde (con p²) sigue mejor los puntos que la recta gris. En los errores, la recta deja una forma de «U» y la curva no. La superficie 3D muestra precio y temperatura a la vez.

    Ventas vs. precio

    EntrenamientoPruebaModelo AModelo B
    ¿Cómo leer esta gráfica?
    Eje horizontal: precio en miles. Eje vertical: cafés vendidos, ajustados para que todos los días tengan las mismas condiciones del Día 1 (así solo se ve el efecto del precio). Puntos azules: días con los que se ajustó el modelo; naranja: días de prueba que el modelo no vio. La línea gris punteada es la recta (modelo A) y la verde la curva con p² (modelo B). Pasa el mouse sobre un punto o a lo largo de las curvas.

    Residuales vs. precio (entrenamiento)

    Modelo AModelo B

    Si un modelo deja una forma de "U" en los residuales, le falta curvatura. Un buen ajuste deja una nube sin patrón alrededor de 0.

    ¿Cómo leer esta gráfica?
    Cada punto es el error de un día: ventas reales menos ventas predichas. Arriba de 0 el modelo se quedó corto; abajo, se pasó. Las líneas unen el error promedio por tramos de precio. La gris (recta) forma una «U»: se equivoca en los precios bajos y altos. La verde (curva) queda plana en 0: ya no tiene un error sistemático. Pasa el mouse para ver el error de cada día.

    La demanda en 3D: precio y temperatura a la vez

    Cada punto de la superficie es la predicción para un precio y una temperatura. La bolita es el día que armaste en la portada.

    ¿Cómo leer esta gráfica?
    El piso tiene el precio (de $2.000 a $5.000) y la temperatura (de 8 a 20 °C). La altura y el color son las ventas: rojo oscuro, más ventas. Mira cómo el lado de precios bajos y días fríos es el más alto. Al prender «Llueve» o «Promoción», toda la superficie sube el mismo tanto: esas variables suman lo mismo sin importar el precio. Arrastra para girarla.

    7Resultados y métricas

    RMSE = raíz del error cuadrático medio, en cafés por día. Lo que importa es el error en los días de prueba, que el modelo nunca vio.

    💡 En palabras simplesCon la curva el error típico en días nuevos baja de unos 10,5 a 10,1 cafés. Un modelo con demasiadas columnas se equivoca menos en los días que ya conoce, pero más en los nuevos.

    ¿Qué variable domina la demanda? (modelo B)

    Cambio en ventas al pasar cada variable de un valor bajo (P10) a uno alto (P90); las de sí/no, de 0 a 1.

    ✋ ¿Quedó claro? ¿Qué error se usa para escoger el mejor modelo?

    8Comparador de escenarios

    Dos días hipotéticos. Se ve la predicción de cada modelo y cuánto aporta cada término (β̂ⱼ · xⱼ).

    💡 En palabras simplesDos días inventados para comparar: cuánto suma o resta cada parte del modelo. También muestra el peligro de predecir con un precio que nunca se probó.

    9Validación independiente

    Dos pruebas: un caso pequeño que se resuelve a mano y la comparación con Python (NumPy).

    💡 En palabras simplesComprobamos que todo está bien de dos formas: un caso pequeño resuelto a mano, que da β = (10, −4, 1), y Python, que da los mismos números que la plataforma.

    Eliminación de Gauss paso a paso

    El caso a mano de 4 días: ecuaciones normales XTX β = XTy para ŷ = β₀ + β₁p + β₂p². Avanza con el botón o con las flechas del teclado.

    pivotefila que se usafila que cambianuevo cero

    a) Caso a mano: p = 1, 2, 3, 4 y y = 7, 6, 7, 10

    Resultado: β = (10, −4, 1) y residuales cero.

    Ver las cuentas completas

    b) Plataforma (JavaScript) vs. Python

    Python resolvió los mismos modelos con normales, QR y SVD.

    c) ¿Recupera los coeficientes reales?

    ✋ ¿Quedó claro? En el caso a mano, ¿por qué los residuales dan exactamente 0?

    10Autores y uso de IA

    💡 En palabras simplesQuiénes hicimos el proyecto y cómo usamos la inteligencia artificial.

    Autores: Samuel Angarita García y Alejandro Serna.
    Ingeniería Industrial, Universidad de La Sabana, 2026-2.

    Funcionamiento: la página es un solo archivo, sin librerías externas. La parte académica funciona sin internet; la pestaña «Para tu cafetería» usa internet solo para traer el clima de Open-Meteo. El álgebra (productos matriciales, eliminación gaussiana y autovalores por Jacobi) está programada a mano en JavaScript.

    CoInteligencia. Este HTML lo programamos con ayuda de Claude (Anthropic): la estructura de la página y el código JavaScript. Nosotros decidimos qué mostrar y verificamos los resultados así:
    1. El caso manual 3×3 se resolvió en papel y coincide con la plataforma.
    2. Los coeficientes se compararon con NumPy usando ecuaciones normales, QR y SVD.
    3. Revisamos que el modelo cuadrático recupera los coeficientes de la fórmula con que se simularon los datos.

    El uso de IA en el resto del proyecto está en la declaración de CoInteligencia del informe.