Casi todo análisis de mercado en Amazon empieza buscando una sola cifra: cuánto dinero mueve esta categoría al mes.
Una vez encontrada, se coloca en la primera página del plan de negocio y se convierte en el cimiento de todas las decisiones posteriores.
El problema es que esa es la cifra menos fiable de todo el conjunto de datos. La plataforma no la publica y nadie la ha contado: se calcula sobre dos capas de estimación. Sin entender cómo se construye, es fácil tratar como un hecho un número que acierta el orden de magnitud y falla en todo lo demás.
Este artículo no es un recorrido genérico por el análisis de mercado. Desmonta una sola cosa: cómo se construye la cifra de tamaño de mercado, de dónde viene su error y qué conviene mirar además de ella.
Primero, cuántos productos cubre esa cifra
El endpoint de estadísticas de mercado devuelve un conjunto de métricas por nodo de categoría. Dos de sus campos se parecen mucho:
| Campo | Ejemplo de la documentación | Significado |
|---|---|---|
totalProducts | 5127 | Productos totales bajo el nodo |
products | 100 | Productos que la estadística cubre realmente |
5.127 y 100. Ese es el primer origen del error: el tamaño de mercado no es un censo, es una muestra de cabecera. avgUnits, avgRevenue y avgPrice son promedios sobre esos 100 productos, no sobre 5.127.
No es un defecto, es una necesidad: ninguna fuente puede obtener las ventas reales de cinco mil productos de una categoría. Pero sí determina cómo puede usarse la cifra:
- Sirve para comparar: con el mismo método, que la categoría A sea el triple que la B es una conclusión sólida
- No sirve como valor absoluto en un modelo financiero: es el tamaño de la cabecera, no el de la categoría entera
Así que lo primero al ver una cifra de tamaño es calcular la proporción entre products y totalProducts. 100/5127 y 100/120 tienen niveles de confianza muy distintos.
Los ingresos son unidades estimadas por precio, o sea dos capas de error
La segunda capa: los ingresos no se cuentan, se multiplican.
La plataforma no publica las unidades vendidas. Las propias unidades se estiman a partir del BSR, y los ingresos son esas unidades estimadas multiplicadas por el precio. Dos estimaciones apiladas.
Hay un detalle en la documentación que lo demuestra directamente. En el ejemplo de estadísticas de mercado:
avgUnits= 26.255avgPrice= 13,91avgRevenue= 344.369
Si los multiplicas: 26.255 × 13,91 = 365.207, unos veinte mil por encima de avgRevenue. Si divides al revés: 344.369 ÷ 26.255 = 13,12, un 6% por debajo del 13,91 de avgPrice.
El dato no está mal: los dos «promedios» simplemente no son el mismo tipo de promedio. El ingreso medio es la media de los ingresos por producto; el precio medio es la media de los precios por producto. Solo podrían deducirse uno del otro si todos los productos vendieran las mismas unidades, y eso nunca ocurre.
La regla práctica es directa: no vuelvas a multiplicar los campos entre sí. Toma avgRevenue cuando necesites ingresos y avgPrice cuando necesites precio, trátalos como dos observaciones independientes y no intentes validar una con la otra. El límite completo de esta capa de estimación está en qué se puede y qué no se puede saber de los datos de ventas.
Los campos de ratio no comparten unidad
Aquí es donde estos datos fallan más a menudo, y es lo primero que conviene confirmar antes de cualquier análisis de mercado.
Dentro de la misma familia de endpoints de mercado, los campos de ratio aparecen en dos notaciones distintas:
| Campo | Ejemplo de la documentación | Significado real |
|---|---|---|
totalUnitsRatio | 0.4478 | Fracción, es decir 44,78% |
totalRevenueRatio | 0.3052 | Fracción, es decir 30,52% |
newProductProportion | 67 | Porcentaje, es decir 67% |
newUnitsRatio | 4.3 | Porcentaje, es decir 4,3% |
Conviven fracciones y porcentajes. Si lees el 67 de newProductProportion como fracción, la proporción de productos nuevos pasa a ser 6700%. Si lees el 0.4478 de totalUnitsRatio como porcentaje, la cuota de una marca líder encoge de 44,78% a 0,45%. El segundo error es el peligroso, porque 0,45% parece perfectamente plausible y no dispara ninguna alarma.
Al integrar, anota la unidad de forma explícita en cada campo de ratio en vez de deducirla del nombre: ambas notaciones terminan en Ratio. Lo seguro es normalizarlo todo a fracciones en la capa de parseo y registrar en el log cualquier ratio superior a 1, porque eso indica la notación en porcentaje.
Estos desajustes de unidad se amplifican en cuanto las cifras entran en un informe periódico; cómo tratarlos se explica en cómo hacer un informe de datos de Amazon.
La cuota en unidades y la cuota en dinero no son lo mismo
El tamaño de mercado es solo un total. Lo que decide si puedes entrar es cómo se reparte ese total.
El endpoint de concentración de marcas devuelve la cuota por marca. Las dos primeras del ejemplo documentado:
| Marca | totalUnitsRatio | totalRevenueRatio | avgPrice |
|---|---|---|---|
| POCOCO | 0.4449 | 0.6605 | 41,71 |
| Accecraft | 0.1289 | 0.1276 | 35,99 |
En la segunda las dos cuotas son casi iguales (12,89% / 12,76%). En la primera se separan 22 puntos: vende el 44% de las unidades y se lleva el 66% del dinero.
La causa es el precio: 41,71 frente a 35,99. Un precio medio más alto convierte la ventaja en unidades del líder en una ventaja en dinero mucho mayor.
Esa diferencia cambia la conclusión. Mirando solo el tamaño total, parece que queda un 55% de las unidades por disputar; en dinero, solo queda un 34%. En un mercado medido en dinero, la cabecera es más fuerte de lo que sugieren las unidades.
Por eso hay que leer los dos ratios juntos:
- Cuota en unidades > cuota en dinero → compite por volumen a precio bajo, y puede quedar espacio en las bandas media y alta
- Cuota en dinero > cuota en unidades → vive de una prima, y entrar barato no garantiza quitarle ese dinero
- Las dos son parecidas → su precio es el precio medio del mercado y la diferencia de cuota es pura escala
Mira la misma categoría tres veces: por marca, por vendedor y por producto
La concentración no es una cifra sino tres perspectivas, y los tres endpoints comparten prácticamente la misma estructura de respuesta, así que un único parseo sirve para los tres:
| Perspectiva | Documentación | Diferencia clave |
|---|---|---|
| Marca | Concentración de marcas | Devuelve brand y asins; mide la fuerza de las marcas |
| Vendedor | Concentración de vendedores | Devuelve name y asinSet; mide la fuerza de las tiendas |
| Producto | Concentración de productos | Devuelve asin, sellerType y shelfDate; baja hasta el listing concreto |
Las tres perspectivas suelen dar respuestas distintas. Alta concentración de marcas con vendedores dispersos describe un mercado donde marcas autorizadas distribuyen a través de muchas tiendas. Marcas dispersas con vendedores concentrados significa que grandes vendedores llevan varias marcas a la vez. En el primer caso tu competidor es una marca; en el segundo, un puñado de tiendas.
La perspectiva de producto devuelve además sellerType y shelfDate, así que se ve directamente si los listings de cabecera son FBA o FBM y cuánto llevan publicados. Las tres devuelven ASIN concretos (asins / asinSet / asin), de modo que el juicio a nivel de mercado baja directamente al nivel de producto: lleva esos ASIN al análisis de competencia en vez de volver a buscarlos.
La estructura interna de una categoría —cómo se reparten antigüedad del listing, tipo de vendedor y banda de precio— viene de otro grupo de endpoints, tratado en cuatro distribuciones que deciden si una categoría sigue abierta. Llevar el mismo análisis a otro marketplace obliga a rehacer importes, palabras clave y rutas de categoría por marketplace; ver investigación de productos por marketplace.
Dos cosas que el tamaño de mercado no responde
Tamaño y concentración son ambos estáticos. Hay dos métricas más que deciden si el negocio es llevadero, y ninguna está contenida en la cifra de tamaño.
El endpoint de rendimiento de mercado devuelve dos pares:
| Campo | Ejemplo de la documentación | Campo de referencia | Valor de referencia |
|---|---|---|---|
returnRatio | 1.38 | avgReturnRatio | 2.72 |
searchToPurchaseRatio | 3.17875 | avgSearchToPurchaseRatio | 2.6 |
El endpoint aporta su propio marco de referencia. La tasa de devolución de esta categoría, 1,38, queda por debajo de la referencia 2,72, y su ratio de búsqueda a compra, 3,17875, queda por encima de la referencia 2,6: menos devoluciones y mejor conversión, un mercado más cómodo que la media.
La tasa de devolución es la que más importa, porque no aparece en ninguna cifra de tamaño. Una categoría que mueve un millón al mes con devoluciones muy por encima de la referencia deja mucho menos dinero del que sugiere su tamaño nominal, y esa diferencia es completamente invisible en la cifra de tamaño de mercado.
Ten en cuenta que asinCount y returnRatio están documentados como String, así que conviértelos de forma explícita en lugar de dar por hecho que llegan como números.
Tres cosas que estos datos no pueden hacer
No pueden darte un valor absoluto para un modelo financiero. Una muestra de cabecera más dos capas de estimación los convierten en una herramienta de comparación y ordenación, no de predicción. Usarlos para establecer que A supera a B, o que este año supera al anterior, es sólido. Usarlos para calcular «cuánto dinero puedo llevarme» no lo es.
No pueden decirte por qué el líder lidera. Los datos dicen que una marca tiene el 66% de los ingresos; no dicen si eso viene de la inversión en publicidad, del reconocimiento de marca o de una estructura de producto que no puedes reproducir. Ese razonamiento vive en sus reseñas y su estructura competitiva.
No pueden definir «el mercado» por ti. El nivel de nodo que elijas determina todas las cifras. El mismo producto puede ser un actor importante en un nodo de tercer nivel y no ser nada en el primero. nodeIdPath debe registrarse y mantenerse fijo; dos análisis hechos sobre nodos distintos no son comparables. De dónde viene todo el conjunto de datos y cuáles son sus límites se explica en de dónde vienen los datos de Amazon.
Preguntas frecuentes
¿Cuál es el error del tamaño de mercado? No hay una precisión publicada ni conviene suponer que la haya. Lo practicable es dejar de perseguir la precisión absoluta: fija el método y compara entre categorías y a lo largo del tiempo, donde buena parte del error se cancela. Cómo clasificar los campos para usarlos está en cómo hacer análisis de datos de Amazon.
¿Por qué distintas herramientas dan tamaños de mercado muy diferentes? Porque difieren tanto el rango de muestra como el modelo de estimación. Esa divergencia es justamente el argumento para no tomarse en serio los valores absolutos. Elige una fuente, quédate con ella y no mezcles.
¿Qué nivel de concentración cuenta como «cerrado»? No hay umbral universal. Es más útil leer la cuota en dinero que la cuota en unidades, y combinarla con la banda de precio: que la cabecera tenga el 66% del dinero en la banda alta no dice nada de las bandas bajas.
¿Sobre qué población se calcula la media de referencia del rendimiento de mercado? Tómala como la define el endpoint y no supongas que es una media de todo el sitio. Para comparar categorías, comparar la desviación de cada una respecto a su propia referencia es más robusto que comparar valores brutos.