Todo proyecto de monitorización de precios empieza con la misma pregunta: ¿con qué frecuencia hay que comprobar los precios? Comprobarlo con poca frecuencia hace que se pierdan los cambios que se paga por ver. Comprobarlo con demasiada frecuencia supone gastar dinero en registrar precios que no se han movido.
La respuesta depende de la rapidez con la que cambian realmente los precios, y eso se ha medido con detalle. Los economistas llevan dos décadas haciendo scraping de precios online a gran escala para estudiar la inflación, y sus artículos contienen las cifras más fiables disponibles sobre la frecuencia con la que los minoristas cambian los precios, cómo ha cambiado esa frecuencia con el tiempo, y cómo la forma de muestrear distorsiona lo que se observa.
Este estudio reúne esas cifras. Cada número que aparece a continuación procede del texto o las tablas originales de los artículos; las fuentes se detallan al final.
Conclusiones clave
- Los precios online cambian más rápido que antes. En grandes minoristas multicanal de EE. UU., la frecuencia mensual de cambios en el precio regular pasó del 15,4% en 2008-2010 al 27,4% en 2014-2017. El precio regular típico pasó de durar unos seis meses y medio a menos de cuatro.
- Los marketplaces son un mundo distinto. En un conjunto de los más vendidos de Amazon seguidos durante seis semanas, solo el 13% de los productos mantuvo el mismo precio en el Buy Box, y la mitad cambió más de 14 veces.
- El repunte de inflación de 2022-2023 más que duplicó la frecuencia de los cambios de precio online en todos los sectores y países, tras años de comportamiento estable.
- Las comprobaciones diarias y semanales detectan casi los mismos cambios en los minoristas. Las comprobaciones mensuales pasan por alto muchos de ellos, y promediar los precios a lo largo de una semana inventa pequeños cambios que nunca ocurrieron.
- La cadencia adecuada depende del canal: de semanal a diaria para webs de minoristas, de cada hora o más rápido para anuncios de marketplace muy disputados.
Cómo se miden los cambios de precio
Dos medidas aparecen a lo largo de toda la investigación.
- La frecuencia es la proporción de observaciones en las que el precio de un producto difiere de la observación anterior. Una frecuencia mensual del 20% significa que uno de cada cinco productos cambia de precio en un mes típico.
- La duración implícita convierte la frecuencia en cuánto suele durar un precio. La mayoría de los artículos usan la fórmula -1/ln(1 - f), que asume una probabilidad constante de cambio en cada periodo; algunos usan la más simple 1/f. Las dos dan números distintos para la misma frecuencia, así que las duraciones solo deben compararse dentro de un mismo artículo.
La investigación también distingue entre precios publicados, que incluyen las rebajas temporales, y precios regulares, que filtran las rebajas. Un producto que baja de precio por una oferta de fin de semana y vuelve a su precio anterior cuenta como dos cambios en los precios publicados y ninguno en los precios regulares.
Qué hacen los precios de los minoristas
La evidencia más detallada procede del trabajo de Alberto Cavallo en el MIT y del Billion Prices Project, que en 2010 ya recopilaba cinco millones de precios al día de más de 300 minoristas en 50 países. Su estudio de 2018 sobre grandes minoristas multicanal de EE. UU., que usa datos diarios agregados a frecuencias mensuales, muestra cuánto más rápida se volvió la fijación de precios en una década:
| Periodo | Frecuencia mensual de cambios en el precio regular | Duración implícita | Subidas de precio | Bajadas de precio | Tamaño medio de un cambio |
|---|---|---|---|---|---|
| 2008-2010 | 15,4% | 6,5 meses | 6,9% | 8,9% | 17,5% |
| 2011-2013 | 22,4% | 4,5 meses | 10,3% | 12,1% | 16,2% |
| 2014-2017 | 27,4% | 3,7 meses | 12,5% | 15,0% | 15,0% |
Fuente: Cavallo (2018), “More Amazon Effects”, Tabla 1. Las duraciones usan 1/f.
Incluyendo las rebajas, la frecuencia mensual pasó del 21% a más del 31% en el mismo periodo. Los cambios se volvieron más frecuentes y algo más pequeños.
La aceleración no fue uniforme entre categorías. La duración de los precios regulares en ocio y electrónica cayó de 13,1 a 5,5 meses, y en mobiliario y artículos del hogar de 14,2 a 5,9 meses. La alimentación y las bebidas no alcohólicas se mantuvieron estables en 6,4 meses. Las categorías que cambiaron más rápido son aquellas en las que más creció la competencia online.
La competencia también se manifiesta a nivel de producto. Para unos 50.000 productos de Walmart seguidos a diario entre 2016 y 2018, los que también se vendían en Amazon tenían precios que duraban en torno a un 20% menos que el resto. En ropa y calzado, la diferencia era mucho mayor.
Los precios online y los de tienda física se mueven juntos más de lo que muchos suponen. En un estudio aparte sobre 56 grandes minoristas multicanal en 10 países, el precio online coincidía con el precio en tienda el 72% de las veces, y la frecuencia semanal de cambios de precio online (7,6%) no era significativamente distinta de la offline (6,8%). Para los minoristas que venden por ambas vías, el sitio web suele ser un reflejo fiable del lineal. Nuestra guía sobre cómo detectar precios geopersonalizados y dinámicos cubre los casos en los que no lo es.
Qué hacen los precios de los marketplaces
Los marketplaces son donde se da la fijación de precios más rápida. Un estudio de 2016 de investigadores de la Northeastern University siguió a 1.641 de los más vendidos de Amazon, registrando a los 20 vendedores principales de cada producto cada 25 minutos. A lo largo de seis semanas:
| Medida | Resultado |
|---|---|
| Productos cuyo precio del Buy Box nunca cambió | 13% |
| Productos con más de 14 cambios de precio en el Buy Box | 50% |
| Productos cuyo ganador del Buy Box nunca cambió | 31% |
| Vendedores detectados usando fijación de precios algorítmica | 543, es decir, el 2,4% de todos los vendedores |
| Proporción de vendedores con 20 o más cambios de precio en un producto que eran algorítmicos | 38% |
Fuente: Chen, Mislove y Wilson (2016).
Algunos productos registraron cientos de cambios en el Buy Box en seis semanas, muchos más de uno al día, mientras que la mayoría de los vendedores individuales nunca cambiaron su precio en absoluto. Un pequeño grupo de vendedores algorítmicos impulsa la mayor parte del movimiento. Los productos con vendedores algorítmicos casi nunca mantuvieron un precio de Buy Box estático (2%), frente al 20% de los productos sin ellos.
Las herramientas de reajuste de precios son hoy comunes mucho más allá de Amazon. En la investigación sectorial de comercio electrónico de 2017 de la Comisión Europea, el 53% de los minoristas dijo que hacía seguimiento de los precios online de sus competidores. Dos tercios de ellos usaban software para hacerlo, y el 78% de los minoristas que usaban software ajustaban después sus propios precios en respuesta. Para ver cómo se traduce esto en la práctica, consulta nuestra guía sobre cómo construir un feed de precios competitivo en tiempo real.
Qué ocurrió durante el repunte de inflación
La fijación de precios no es algo fijo. Usando precios diarios obtenidos mediante scraping en EE. UU. y varios países europeos, Cavallo, Lippi y Miyahara descubrieron que la frecuencia de los cambios de precio online se mantuvo en general estable hasta 2021 y luego “aumentó de forma significativa en 2022 y 2023, más que duplicándose en todos los sectores y países”.
El punto de partida era lento. Antes del repunte, en 2019-2021, los minoristas de alimentación y bebidas cambiaban sus precios regulares una media de unas 1,9 veces al año, desde 0,8 veces en el Reino Unido hasta 2,3 en los Países Bajos.
El mismo patrón aparece en los datos oficiales de precios al consumo, que cubren principalmente tiendas físicas:
- Estados Unidos: la frecuencia mensual de cambios de precio excluyendo rebajas pasó de en torno al 10% antes de la pandemia a un máximo algo superior al 20% a principios de 2022, y volvió a situarse en torno al 13% en 2024 (Federal Reserve Board, 2025).
- Zona euro: la frecuencia mensual pasó de una media del 8% en 2010-2019 al 12% en 2022, y luego retrocedió en 2023 y 2024 (Banca d’Italia, 2026). El mismo estudio encontró que, en los datos alemanes, los precios online tienden a cambiar con más frecuencia que los offline.
Una cadencia de monitorización suficiente en 2019 no lo era en 2022. La cadencia debe revisarse cuando cambia el mercado, no fijarse una sola vez.
Lo online frente al patrón de referencia offline
Como contexto, los estudios clásicos sobre los datos de precios al consumo de EE. UU. sitúan la duración mediana de un precio en 4,3 meses incluyendo rebajas y 5,5 meses excluyéndolas (Bils y Klenow, 2004). Para los precios regulares únicamente, la mediana fue de 8 a 11 meses en el periodo 1988-2005 (Nakamura y Steinsson, 2008).
Frente a ese patrón de referencia, la duración de 3,7 meses del precio regular en grandes minoristas online de EE. UU. en 2014-2017 es aproximadamente de dos a tres veces más rápida. Ambos usan datos y métodos distintos, así que la comparación es aproximada, pero la dirección es clara.
Qué implica esto para la cadencia de monitorización
El hallazgo más útil para los equipos de monitorización procede del estudio de Cavallo de 2018, que compara los mismos datos obtenidos mediante scraping muestreados a distintos intervalos:
| Muestreo | Duración implícita en EE. UU. | Qué ocurre |
|---|---|---|
| Diario | 2,68 meses | Referencia base |
| Semanal | 2,91 meses | Casi idéntico: “pocos productos tienen más de un cambio de precio por semana” |
| Mensual | 4,7 meses | ”Muchos cambios de precio dentro del mes no se observan” |
| Promedios semanales | Alrededor de la mitad de la duración de los precios semanales | Promediar crea cambios pequeños y falsos |
Fuente: Cavallo (2018), “Scraped Data and Sticky Prices”, versión publicada.
De aquí se derivan cuatro reglas prácticas.
- En las webs de minoristas, la frecuencia semanal captura la mayoría de los cambios y la diaria capta casi todos. Pasar de semanal a diaria apenas cambia lo que se mide. Pasar de semanal a mensual sí lo cambia, y mucho.
- Nunca promediar los precios antes de medir los cambios. Los promedios semanales reducen a la mitad tanto la duración medida como el tamaño medido de los cambios, porque un único recorte de precio a mitad de semana se convierte en dos pasos más pequeños. Guarda cada precio observado.
- En los marketplaces, los minutos y las horas importan. Los precios de Buy Box muy disputados pueden cambiar varias veces al día. El equipo de Northeastern se decantó por 25 minutos tras descubrir que el rastreo cada minuto captaba sobre todo breves oscilaciones de los propios sistemas del marketplace, más que reajustes reales.
- Registra la disponibilidad además del precio. En los datos diarios de Cavallo, entre el 22% y el 37% de las observaciones diarias faltaban porque el producto estaba agotado o la página no pudo recopilarse, y las roturas de stock resultaron ser por sí mismas una señal útil: se dispararon durante la pandemia, pasando de en torno al 14% a más del 35% en EE. UU. Un hueco en los datos es información, no solo ruido.
| Canal | Cadencia inicial sugerida |
|---|---|
| Webs de minoristas, categorías estables (alimentación, hogar) | Semanal, diaria alrededor de promociones |
| Webs de minoristas, categorías rápidas (electrónica, artículos del hogar) | Diaria |
| Anuncios de marketplace con varios vendedores | Cada hora, más rápido para los más vendidos |
| Tarifas de viajes y precios de hotel | Diaria por fecha de salida o estancia, con más frecuencia cerca de la fecha |
Medirlo con tus propios datos
Si ya recopilas precios, puedes medir la volatilidad de tu propio mercado en lugar de depender de promedios obtenidos de muestras ajenas. La función siguiente calcula la frecuencia, la duración implícita, la proporción de subidas y el tamaño mediano de un cambio a partir de observaciones diarias:
import math
from collections import defaultdict
def change_stats(observations, min_change=0.0):
"""observations: (product_id, day, price) tuples from a daily scrape.
Compares each price with the product's previous observed price on the day
before. Gaps are skipped, not filled: a price carried across a missing day
would hide changes, and an interpolated one would invent small ones.
"""
by_product = defaultdict(dict)
for product, day, price in observations:
by_product[product][day] = price
pairs = changes = increases = 0
sizes = []
for prices in by_product.values():
for day in sorted(prices):
previous = prices.get(day - 1)
if previous is None:
continue
pairs += 1
change = (prices[day] - previous) / previous
if abs(change) > min_change:
changes += 1
increases += change > 0
sizes.append(abs(change))
frequency = changes / pairs if pairs else 0.0
sizes.sort()
return {
"daily_pairs": pairs,
"frequency": round(frequency, 4),
# Mean days between changes if each day were an independent draw.
"implied_duration_days": round(-1 / math.log(1 - frequency), 1) if 0 < frequency < 1 else None,
"share_increases": round(increases / changes, 3) if changes else None,
"median_abs_change": round(sizes[len(sizes) // 2], 4) if sizes else None,
}Compara cada precio únicamente con el precio del día anterior. Un hueco se omite en lugar de rellenarse, porque arrastrar el último precio oculta cambios y rellenar el hueco con una estimación inventa otros pequeños. Es la misma distorsión que la investigación encontró en los datos promediados.
Un pequeño ejemplo:
from price_changes import change_stats
observations = [
("sku-1", 1, 19.99), ("sku-1", 2, 19.99), ("sku-1", 3, 17.99), ("sku-1", 4, 17.99),
("sku-2", 1, 5.49), ("sku-2", 2, 5.49), ("sku-2", 4, 5.79), ("sku-2", 5, 5.79),
("sku-3", 1, 249.00), ("sku-3", 2, 239.00), ("sku-3", 3, 249.00), ("sku-3", 4, 249.00),
]
print(change_stats(observations)){'daily_pairs': 8, 'frequency': 0.375, 'implied_duration_days': 2.1, 'share_increases': 0.333, 'median_abs_change': 0.0418}El precio del segundo producto subió de 5,49 a 5,79 a lo largo de un día sin datos, así que ese cambio no se contabiliza. Con datos reales, los días sin datos son los días de rotura de stock y de fallos en la recopilación, y conviene informar de cuántos hubo junto con el resultado. Recopilar de forma limpia desde el principio ayuda: una observación ausente causada por un bloqueo tiene el mismo aspecto que una causada por una rotura de stock. Nuestra guía sobre el coste por registro limpio explica cómo las tasas de fallo repercuten en los presupuestos de monitorización.
Ejecuta la función por categoría y por competidor. Una categoría cuya duración implícita sea de unos pocos días necesita una recopilación diaria o más rápida. Una medida en meses puede comprobarse semanalmente sin perder nada.
Preguntas frecuentes
¿Con qué frecuencia cambian los precios online?
En grandes minoristas multicanal de EE. UU., en torno al 27% de los productos cambió su precio regular en un mes típico en 2014-2017, por lo que un precio regular duraba unos cuatro meses. Los precios de marketplace cambian mucho más rápido: la mitad de los más vendidos de Amazon en un estudio cambiaron su precio de Buy Box más de 14 veces en seis semanas.
¿Es necesaria la monitorización diaria de precios?
En la mayoría de las webs de minoristas, la monitorización semanal captura la mayoría de los cambios, y la investigación que compara el muestreo diario y semanal encontró resultados casi idénticos. La monitorización diaria importa en categorías rápidas, promociones y marketplaces. La monitorización mensual pasa por alto muchos cambios.
¿Cambian los precios online más a menudo que los precios en tienda física?
En los minoristas que venden tanto online como en tienda física, los precios son idénticos alrededor del 72% de las veces y cambian a ritmos similares. La competencia exclusivamente online, especialmente en los marketplaces, es donde los precios cambian con más frecuencia.
¿Cambió la inflación la frecuencia con la que cambian los precios?
Sí. La frecuencia de los cambios de precio online más que se duplicó en 2022 y 2023, y los datos oficiales de precios en EE. UU. y la zona euro muestran subidas similares, seguidas de un regreso parcial a los niveles anteriores.
Conclusión
Los precios online cambian más rápido que hace una década, mucho más rápido en los marketplaces que en las webs de minoristas, y aún más rápido cuando sube la inflación. La investigación ofrece una regla clara para la monitorización: en las webs de minoristas, la recopilación semanal captura la mayor parte de lo que capta la diaria, la recopilación mensual pasa por alto mucho, y los datos promediados distorsionan el panorama. Mide tus propias categorías, fija la cadencia según la rapidez con la que realmente se mueven, y revísala cuando cambie el mercado.
Fuentes y referencias
- Cavallo, A. (2018). More Amazon Effects: Online Competition and Pricing Behaviors. NBER Working Paper 25138.
- Cavallo, A. (2018). Scraped Data and Sticky Prices. Review of Economics and Statistics 100(1).
- Cavallo, A. (2017). Are Online and Offline Prices Similar? Evidence from Large Multi-Channel Retailers. American Economic Review 107(1).
- Cavallo, A. y Rigobon, R. (2016). The Billion Prices Project: Using Online Prices for Measurement and Research. NBER Working Paper 22111, publicado en el Journal of Economic Perspectives 30(2).
- Cavallo, A., Lippi, F. y Miyahara, K. (2023). Large Shocks Travel Fast. NBER Working Paper 31659.
- Cavallo, A. y Kryvtsov, O. (2023). What Can Stockouts Tell Us About Inflation? Evidence from Online Micro Data. NBER Working Paper 29209.
- Chen, L., Mislove, A. y Wilson, C. (2016). An Empirical Analysis of Algorithmic Pricing on Amazon Marketplace. WWW 2016.
- European Commission (2017). Final report on the E-commerce Sector Inquiry y staff working document.
- Montag, H. y Villar, D. (2025). Post-Pandemic Price Flexibility in the U.S. Federal Reserve Board, FEDS 2025-024.
- Gautier, E. et al. (2026). Consumer price stickiness in the euro area during an inflation surge. Banca d’Italia, Temi di discussione 1524.
- Bils, M. y Klenow, P. (2004). Some Evidence on the Importance of Sticky Prices. Journal of Political Economy 112(5).
- Nakamura, E. y Steinsson, J. (2008). Five Facts About Prices: A Reevaluation of Menu Cost Models. Quarterly Journal of Economics 123(4).
Varios de los estudios de Cavallo usan datos de PriceStats, empresa que él cofundó; los artículos lo declaran así.