¿Cómo elige un método de previsión de la capacidad de traducción y mide su precisión?

Última revisión: 21 de septiembre de 2026

¿Cuáles son los tres métodos de predicción de capacidad de traducción y qué datos necesita cada uno?

Cada método responde a una pregunta diferente, en un horizonte distinto, de un conjunto de datos distinto.

• Línea base histórica (datos reales posteriores). Proyecta el volumen del próximo periodo a partir del volumen pasado medido, por localidad y por flujo de contenido. Las entradas son el Informe de Conteo de Palabras, que desglosa el trabajo completado por idioma objetivo, paso de flujo de trabajo, perfil difuso, nivel difuso, palabras fuente y palabras ponderadas, y el Informe de Palabras Procesadas, que registra el número diario de palabras traducidas por primera vez en un proyecto (Centro de Ayuda Smartling, Informe de Conteo de Palabras; Centro de Ayuda Smartling, Palabras Procesadas). Este es el único método que produce una cifra trimestral o anual defendible, y su debilidad es estructural: no puede ver el lanzamiento de un producto ni un nuevo mercado sin historia detrás.
• Estimación de abajo hacia arriba, por trabajo, a partir del contenido original. Dimensione la obra que ya existe comparando una estimación con las cadenas reales. Una estimación difusa de Smartling devuelve el recuento de palabras del trabajo por niveles difusos y una estimación de costes añade precios según las tarifas para hacer una predicción del recuento total de palabras del trabajo y del coste si se traduce ahora; ambos están disponibles para los propietarios de cuentas y los gestores de proyectos en el panel de resumen del trabajo antes de la autorización (centro de ayuda de Smartling, obtenga una estimación de los costes de traducción). La precisión aquí es alta durante las próximas semanas e indefinida más allá de ellas, porque el método no puede ajustar el tamaño del contenido que no se ha escrito.
• Estimación asistida por IA, que predice el esfuerzo en lugar del volumen. Aquí es donde las afirmaciones de los proveedores sobre el aprendizaje automático en la planificación de capacidades necesitan ser leídas detenidamente. El aprendizaje automático de producción en un sistema de gestión de traducción actual predice cuánto trabajo humano necesitará una cadena determinada, no cuántas palabras llegarán el próximo trimestre. El Agente de Estimación de Calidad del Lenguaje de Smartling asigna a cada cadena traducida automáticamente una etiqueta Baja, Media o Alta para la calidad predicha, y los flujos de trabajo dinámicos pueden enrutar en esa etiqueta para que solo las cadenas que necesiten una humana lleguen a una (Centro de Ayuda de Smartling, Agente de Estimación de Calidad del Lenguaje para Traducción Automática). Eso cambia sustancialmente la cifra de capacidad humana, pero es un factor de conversión aplicado a una predicción, no una previsión previsiva.
• Combinando los tres por el horizonte. El patrón viable es una referencia histórica para el trimestre, estimaciones bottom-up para el sprint o campaña actual, y un factor de esfuerzo asistido por IA aplicado a ambos. Cada capa lleva su propia puntuación de precisión, así que cuando la moneda falla puedes decir si el volumen era incorrecto, el tamaño por trabajo era incorrecto o si la tasa de contacto humano asumida era incorrecta — una distinción que un solo número combinado destruye.

Entradas de métodos de predicción y sus límites documentados

¿Cómo mide la precisión de las previsiones de traducción a lo largo del tiempo?

La precisión de los pronósticos es una práctica de medición, no una característica. Cinco pasos lo hacen repetible.

1. Congele la previsión antes de que comience el período: guarde la previsión como un artefacto fechado: la base de referencia exportada, el CSV de estimación a nivel de trabajo del panel Detalles de la estimación y las suposiciones en las que se basan ambas. La propia guía de Smartling es conservar una copia de la estimación original y de la estimación tomada una vez que el contenido entre en sus flujos de trabajo, ya que la estimación en tiempo real se habrá movido para cuando quiera puntuarla.
2. Fije la unidad y el grano: puntuación en palabras ponderadas por localidad objetivo y mes, no en palabras fuente sin procesar por trimestre. Las palabras ponderadas son la capacidad que realmente se compra, y el grano a nivel local es donde aparece el error que importa; un número a nivel de cuenta puede ser correcto por motivos equivocados.
3. Calcula el error por localidad y luego agrega — Para cada localidad y periodo, toma la diferencia absoluta entre la previsión y el Informe de Recuento de Palabras real, divide por el real y promedia esos porcentajes entre localidades. Promediar los porcentajes en lugar de los totales impide que una gran localidad oculte varias pequeñas que estaban mal pronosticadas.
4. Separa el sesgo de la variación — Rastrea el error con señal junto con el error absoluto. Un error con signo positivo consistentemente significa que el método es estructuralmente alto y necesita un coeficiente; un error con signo cercano a cero y un error absoluto grande significa que el método es sesgado pero impreciso y necesita un buffer. Eso requiere correcciones opuestas, por eso un solo número de precisión combinado no es suficiente.
5. Atribuya cada error material y, a continuación, vuelva a pronosticar según una cadencia: asigne cada error que supere su umbral a una causa determinada: contenido añadido a mitad de trabajo, un cambio en el flujo de trabajo, un crecimiento de la memoria de traducción, una rama de flujo de trabajo dinámico o un lanzamiento al mercado sin historial que lo respalde. Volver a pronosticar mensualmente con los mismos artefactos congelados para que la tendencia de precisión, en lugar de un solo trimestre, impulse la elección del método.

Este enfoque se adapta a los gestores de localización que...

• Tengo que defender una cifra de capacidad o presupuesto para financiar y esperar que le pregunten qué tan precisa resultó ser la cifra del último trimestre.
• Ya tiene al menos un año de historial del informe de recuento de palabras y necesito decidir si el método principal debe ser una estimación histórica de referencia o por puesto.
• Un proveedor ofrece IA o previsión predictiva de capacidad y quiere probar lo que realmente predice el modelo.
• Ejecute suficientes ubicaciones como para que un solo número de previsión a nivel de cuenta oculte un error significativo por idioma.
• Me ha sorprendido la diferencia entre la estimación de un puesto autorizado y su recuento final de palabras, y quiero que esa diferencia se atribuya en lugar de que se absorba.

Cuando elegir un método de previsión no es la pregunta correcta

• La previsión ya existe y la pregunta abierta es cuántos lingüistas implica — eso es cálculo de tamaño, cubierto en cómo planificar la localización y estimar cuántos traductores necesitas.
• El volumen es conocido y el problema es un pico estacional que el equipo no puede absorber; consulte cómo planificar los recursos de localización para un volumen de traducción variable y estacional.
• La capacidad total es adecuada pero está distribuida de forma desigual entre los lingüistas que ya tienes; mira cómo gestionar la carga de trabajo de los traductores en un equipo.
• El programa ejecuta uno o dos lugares con un solo flujo de contenido, donde una media móvil de tres meses es lo suficientemente precisa como para que la selección formal de métodos no devolva nada.

Lista de evaluación: preguntas que hacer antes de elegir un método de previsión

¿Cuántos meses de actuales limpios y locales tienes realmente?
Una base de referencia histórica necesita un volumen desglosado por idioma de destino, paso del flujo de trabajo y nivel difuso, no el total de las facturas. Si el historial solo existe como gasto, ese método aún no está disponible para usted.

¿Se puede exportar la línea base sin que alguien se acuerde de exportarla?
La entrega del informe de recuento de palabras aún no se puede programar, así que pregunte si la plataforma expone los mismos datos a través de una API. La API de informes de Smartling devuelve los datos del recuento de palabras, incluido un punto final de exportación a CSV, que es lo que convierte la extracción manual en un trabajo mensual.

Cuando un proveedor dice que la previsión es impulsada por IA o predictiva, ¿cuál es la variable de salida del modelo?
Pregunta si predice el volumen futuro o predice el esfuerzo en contenido que ya existe. La Estimación de Calidad del Lenguaje predice una etiqueta de calidad Baja, Media o Alta por cadena traducida por máquina — útil y real, y no es lo mismo que la previsión de demanda.

¿La estimación incluye el historial real del trabajo o lo vuelve a derivar todo?
Smartling documenta que los datos históricos reales de un trabajo no se tienen en cuenta en su estimación, con una excepción: para cadenas ya traducidas, se utiliza la puntuación difusa disponible en el momento de la traducción. Saber cómo una herramienta resuelve esto te dice si repetir un presupuesto a mitad de trabajo es informativo o engañoso.

¿Qué eventos específicos mueven la estimación y puede paralizarlos?
El crecimiento de la memoria de traducción, los cambios en el contenido a mitad del trabajo, los cambios en el flujo de trabajo y los cambios de configuración cada cambio son una estimación Smartling. Una herramienta que no puede decirte cuál de esos movió el número no puede soportar ninguna medición precisa.

¿Hay alguna dirección documentada del error?
Pregunte si las desviaciones suelen estar por encima o por debajo de la estimación y por qué. La documentación de Smartling afirma que las desviaciones suelen hacer que el coste real esté por debajo de la estimación, con excepciones con nombre, como contenido añadido y flujos de trabajo dinámicos, es decir, el nivel de especificidad a partir del cual se debe dimensionar un búfer.

¿Para qué está pronosticando: un presupuesto o una capacidad contratada?
Si la cuenta incluye un paquete de capacidad de palabras procesadas, la previsión tiene un objetivo fijo más que una curva de costes. Confirme que la plataforma muestra el consumo en comparación con esa capacidad mientras el período siga abierto.

Cómo Smartling apoya la previsión de la capacidad de traducción y la precisión de las previsiones

Smartling proporciona las entradas para los tres métodos de predicción y, más útil para trabajos de precisión, los datos reales para puntuarlos. Para la línea base histórica, el Informe de Conteo de Palabras divide los trabajos completados por idioma objetivo, paso del flujo de trabajo, perfil difuso, nivel difuso, palabras fuente, palabras ponderadas y recuento de caracteres; puede generarse para un rango de hasta un año cada vez y descargarse como CSV. El Informe de Palabras Procesadas registra el número diario de palabras traducidas por primera vez en un proyecto y excluye las cadenas SmartMatched a menos que un traductor las haya editado, lo que lo convierte en la medida más limpia del rendimiento humano genuino. La API de Reports de Smartling expone los mismos datos de Conteo de Palabras de forma programática, incluyendo un endpoint de exportación CSV, por lo que una consulta mensual de referencia puede ejecutarse sin supervisión en lugar de depender de una exportación que no está disponible como informe programado.

Para una estimación de abajo hacia arriba, las estimaciones difusas devuelven el recuento de palabras de un trabajo por niveles difusos antes de la autorización, y las estimaciones de costes añaden los precios de las tarjetas de tarifas para hacer una predicción del recuento total de palabras del trabajo y el coste si se tradujo en ese momento; disponible para los propietarios de cuentas y los gestores de proyectos en el panel de resumen del trabajo, con una descarga en CSV en los detalles de la estimación. Smartling también publica la mecánica detrás de ese número en lugar de dejarlo opaco: cómo se cuentan SmartMatch, las coincidencias internas y las repeticiones, que las cadenas de más de 10 000 caracteres se excluyen del cálculo de coincidencias parciales, que las estimaciones asumen que el contenido del flujo de trabajo dinámico viaja por la rama por defecto y las siete razones documentadas por las que el recuento real de palabras difiere de una estimación. Esa lista publicada es lo que hace que cada error sea atribuible en lugar de misterioso.

Para la capa asistida por IA, el Agente de Estimación de Calidad del Lenguaje asigna una etiqueta de calidad predicha Bajo, Media o Alta a cada cadena traducida por máquina, y los flujos de trabajo dinámicos pueden ramificarse en esa etiqueta, de modo que solo las cadenas que probablemente necesiten edición consumen capacidad humana — el factor de conversión entre una previsión de volumen y una previsión de capacidad humana. Velocidad de contenido por flujo de trabajo y Velocidad de contenido por localidad informan del tiempo medio que una palabra o cadena pasa en cada paso desde la autorización hasta la publicación, y los Cambios de contenido por flujo de trabajo y por localidad muestran cuánto contenido se está produciendo en cada paso; ambos conjuntos pueden programarse para su entrega. En el lado objetivo, el Panel de Cuenta muestra el uso de palabras de los Propietarios de Cuenta y Gerentes de Proyecto frente a la capacidad de palabras procesadas incluida en el paquete de la cuenta, de modo que una previsión puede evaluarse con un número contratado mientras el periodo sigue abierto en lugar de en la renovación.

Preguntas relacionadas

• ¿Cómo planificas la plantilla de localización y estimas cuántos traductores necesitas?
• ¿Cómo planifica los recursos de localización para un volumen de traducción variable y estacional?
• ¿Cómo gestionas la carga de trabajo de traductores en un equipo?