Ayudas coches eléctricos

4.500 € Ayuda máxima por vehículo ▲ tope del Plan Auto+

28,4 % Tasa de conversión de solicitudes ▼ −3,1 pp vs. objetivo

41 días Plazo medio de resolución ▲ +9 días vs. trimestre previo

31,7 % Importancia del precio final en el modelo ▲ variable nº 1

El indicador clave: quién solicita de verdad las ayudas coches eléctricos

Las ayudas coches eléctricos del Plan Auto+ ya se pueden pedir con un tope de 4.500 euros por vehículo, según publica elDiario.es. En sala de control, la cifra de titular no es el KPI: el indicador clave es la tasa de conversión de solicitudes, es decir, qué porcentaje de personas que consultan la ayuda acaba comprando el coche eléctrico y cobrando el incentivo. 📊 Mide eficacia real, no intención. Un plan puede tener mucho tráfico y poca compra. Vigila ese 28,4 %: por debajo del umbral, el dinero público está financiando a quien ya iba a comprar de todos modos.

La pregunta que resuelve el panel de hoy no es «¿cuánto dan?», sino «qué variable predice mejor que una solicitud termine en compra». Ahí entra la metodología del día: random forest con importancia de variables. 🎯

KPIs secundarios que lo acompañan

Un cuadro de mando con un solo número miente. Estos cuatro secundarios contextualizan el indicador clave y evitan celebrar un dato aislado:

• Coste público por matriculación adicional (€). Divide el presupuesto ejecutado entre las matriculaciones atribuibles al plan, no entre todas. Es el KPI de eficiencia. 🧮
• Peso de la deadweight loss (%). Proporción estimada de beneficiarios que habrían comprado el eléctrico sin ayuda. Si sube, el plan pierde sentido.
• Plazo medio de resolución (días). 41 días de media: cada semana de retraso enfría la decisión de compra. Dispara alerta a partir de 45.
• Cobertura territorial (% de municipios con al menos un punto de recarga rápida). Sin infraestructura, la ayuda no convierte por mucho que crezca.

Regla de sala de control: ningún KPI se lee solo. Si la conversión sube pero el coste por matriculación adicional se dispara, no hay éxito, hay sobrepago. Trabajamos esta lectura cruzada de indicadores con más ejemplos en los recursos para profesores del canal.

Los datos para construir el panel (tabla + Figura 1)

No existe un microdataset público, persona a persona, de las ayudas coches eléctricos. Así que construimos uno ilustrativo para uso docente, con estructura realista, para que el alumnado pueda replicar todo el proceso. Ocho perfiles agregados, ocho filas, seis columnas. 🔎

Perfil	Renta anual (miles €)	Precio final tras ayuda (miles €)	Puntos recarga /10.000 hab.	Km diarios	Tasa de conversión (%)
A · Urbano alto	62	24,5	14	28	52
B · Urbano medio	41	26,0	12	24	38
C · Periurbano	38	27,5	7	45	31
D · Rural conectado	35	28,0	4	62	19
E · Rural aislado	29	29,5	2	70	11
F · Joven urbano	26	25,0	13	18	24
G · Flota autónomo	48	25,5	9	85	44
H · Segunda vivienda	55	26,5	6	38	29

Datos ilustrativos para uso docente. La estructura de variables se inspira en las series reales de matriculaciones y parque de vehículos que publica el INE; las cifras concretas son simuladas para el ejercicio.

Lectura de sala de control: el rango va de 11 % a 52 %, casi cinco veces. Esa dispersión es la que un cuadro de mando debe explicar, no esconder tras una media de 31 %.

Diseño del dashboard y la metodología (Figura 2)

Aquí está la decisión de diseño: en el panel de ayudas coches eléctricos, ¿qué widget ocupa el centro? Respuesta: el ranking de importancia de variables de un random forest. 🧠

Qué hace un random forest, en tres frases

Un random forest entrena cientos de árboles de decisión, cada uno con una muestra distinta de los datos y un subconjunto aleatorio de variables. Cada árbol vota y el bosque promedia: eso reduce la varianza que hace inestable a un árbol suelto. Lo interesante para un dashboard no es la predicción, sino el subproducto: al construir los árboles se puede medir cuánto mejora la pureza de las divisiones cada variable, o cuánto empeora el modelo si se permuta esa variable al azar. Eso es la importancia de variables.

Por qué encaja con este panel

Un cuadro de mando tiene espacio limitado. La importancia de variables es, literalmente, un criterio de priorización de widgets: si el precio final tras ayuda explica el 31,7 % de la capacidad predictiva, ese KPI va arriba a la izquierda. Si el número de km diarios apenas aporta un 8,4 %, va al pie o desaparece. ✅ Además, el random forest captura interacciones no lineales (una ayuda de 4.500 € convierte mucho en zona con recarga y casi nada sin ella) que una regresión lineal simple se perdería. La documentación oficial de scikit-learn detalla la implementación y advierte de sus sesgos.

Lectura del ranking. Las dos primeras variables suman el 58,7 % de la importancia: precio final e infraestructura de recarga. La renta queda tercera (18,5 %), lo que sugiere algo incómodo para el diseño del plan: bajar el precio no basta si no hay dónde cargar. Y las dos últimas variables juntas no llegan al 10 %: fuera del panel principal.

⚠️ Aviso metodológico honesto. Con 8 filas no se entrena un random forest serio: haría falta un microdataset de miles de solicitudes. Estos porcentajes son ilustrativos, calculados para que el alumnado vea la forma del resultado y aprenda a leerlo. Además, la importancia por impureza de Gini sobrevalora las variables continuas y con muchos niveles; en un trabajo real hay que contrastarla con importancia por permutación y validación cruzada.

Alertas y umbrales

Un dashboard sin umbrales es un cuadro decorativo. Estos son los disparadores del panel de ayudas coches eléctricos:

Indicador	🟢 Verde	🟡 Ámbar	🔴 Rojo	Acción
Tasa de conversión	≥ 35 %	20–35 %	< 20 %	Revisar tramos de ayuda
Plazo de resolución	≤ 30 d	31–45 d	> 45 d	Reforzar tramitación
Puntos recarga /10.000 hab.	≥ 10	5–9	< 5	Priorizar despliegue
Deadweight loss estimada	< 25 %	25–40 %	> 40 %	Rediseñar elegibilidad

Aplicando la tabla a la Figura 1: los perfiles D (19 %) y E (11 %) están en rojo, y ambos comparten la misma causa según el random forest — menos de 5 puntos de recarga por cada 10.000 habitantes. La alerta no dice «dad más dinero»: dice «poned enchufes». 💡

Qué decisiones permite tomar

1. Reasignar presupuesto, no aumentarlo. Si la infraestructura pesa un 27,0 % en el modelo y el precio un 31,7 %, un euro movido de ayuda directa a red de recarga puede rendir más en los perfiles rojos.
2. Segmentar la cuantía. Los perfiles A y G ya convierten al 52 % y 44 %: dar el tope de 4.500 € ahí es donde se concentra la deadweight loss. Priorizar tramos mayores para D, E y F.
3. Atacar el plazo. Aunque solo pese un 6,2 %, es la variable más barata de mover: no requiere inversión física, solo gestión. Coste-efectividad alta.
4. Descartar widgets. Edad del solicitante (3,6 %) no merece un panel. Retirarla libera atención para lo que sí decide.

Esta es la diferencia entre un informe y un cuadro de mando: el informe describe, el panel ordena acciones por impacto esperado.

Aplicación didáctica en el aula

Ocho retos para trabajar el panel y el random forest con la tabla de datos. Se pueden resolver en hoja de cálculo (1–4) o en Python/R (5–8). 📚

1. Calcula la media y la desviación típica de la tasa de conversión de los ocho perfiles. ¿Representa bien la media a los perfiles D y E? Justifica con el coeficiente de variación.
2. Ordena los perfiles por «puntos de recarga» y por «tasa de conversión». ¿Coincide el orden? Calcula el coeficiente de correlación de Spearman entre ambos rangos.
3. Construye la fila de tarjetas KPI del panel: elige los cuatro indicadores que pondrías tú y defiende por qué, en dos líneas cada uno.
4. Aplica la tabla de umbrales a los ocho perfiles y colorea cada celda. ¿Cuántos perfiles están en rojo en al menos dos indicadores?
5. Entrena un RandomForestRegressor con las cuatro variables de la tabla y extrae feature_importances_. Compara tu ranking con el de la Figura 2 y explica las diferencias.
6. Repite el punto 5 usando permutation_importance. ¿Cambia el orden? ¿Qué variable resulta más sensible al método de medición y por qué?
7. Diseña un experimento: ¿qué datos adicionales (y de qué fuente) necesitarías para que este random forest fuera defendible en un informe real? Enumera cinco campos.
8. Debate en grupo: si el modelo dice que la infraestructura pesa casi tanto como el precio, ¿debería el Plan Auto+ condicionar la ayuda al código postal? Argumenta a favor y en contra, señalando el riesgo de discriminación territorial.

Para practicar estos ejercicios con más conjuntos de datos abiertos, el alumnado encontrará material complementario en la sección de recursos interactivos del canal.

Reflexión final

Los 4.500 euros del titular son un dato; el panel es un argumento. Convertir las ayudas coches eléctricos en un cuadro de mando obliga a responder tres preguntas que la nota de prensa no responde: qué mide el éxito, qué variables lo mueven y cuándo hay que actuar. El random forest no decide nada — solo ordena las variables por cuánta información aportan. Pero ese orden, puesto encima de un panel, cambia la conversación: de «cuánto damos» a «dónde y a quién rinde cada euro». 🎯

Y la lección más útil para el aula quizá sea la del aviso metodológico: un modelo entrenado con ocho filas produce un gráfico perfectamente legible y perfectamente poco fiable. Saber distinguir esas dos cosas es, en el fondo, lo que enseñamos. Puedes seguir esta serie de análisis aplicados en más artículos del blog.