Acerca de las previsiones

En este documento, las previsiones implican una predicción de los valores futuros de una serie temporal: los valores de entrada y salida de un problema tienen una naturaleza temporal.

Sistema de previsión

Un sistema de previsión incluye un conjunto de usuarios diverso:

• Los usuarios finales, que consultan la previsión de un producto específico y deciden cuántas unidades comprar; pueden tratarse de una persona o un sistema automatizado.

• Los analistas de negocios/inteligencia empresarial, que ayudan a los usuarios finales, ejecutan y organizan informes agregados.

• Los científicos de datos, que analizan de forma iterativa los patrones de demanda, los efectos causales y añaden nuevas funciones para proponer mejoras graduales al modelo o mejorar el modelo de previsión.

• Los ingenieros, que configuran la infraestructura de recopilación de datos y garantizan la disponibilidad de los datos de entrada en el sistema.

Amazon Forecast facilita el trabajo de los ingenieros de software y permite a las empresas con capacidades de ciencia de datos limitadas aprovechar la tecnología de previsión más avanzada. Para las empresas con capacidades de ciencia de datos, se incluyen una serie de funciones de diagnóstico para que Amazon Forecast aborde correctamente los problemas de previsión.

¿Dónde se producen los problemas de previsión?

Los problemas de previsión se producen en muchas de las áreas que producen datos de series temporales de forma natural. Entre ellos se incluyen las ventas minoristas, el análisis médico, la planificación de la capacidad, la supervisión de redes de sensores, el análisis financiero, la minería de actividades en redes sociales y los sistemas de bases de datos. Por ejemplo, la previsión desempeña un papel clave en la automatización y optimización de los procesos operativos en la mayoría de las empresas, lo que permite la toma de decisiones basada en datos. Las previsiones de la oferta y la demanda de productos se pueden utilizar para una gestión óptima del inventario, la programación del personal y la planificación de la topología y, en términos más generales, suponen una tecnología crucial para la mayoría de los aspectos de la optimización de la cadena de suministro.

La siguiente figura contiene un resumen de los problemas que puede plantear la previsión cuando se basa en una serie temporal observada que muestra un patrón (en este ejemplo, la estacionalidad) y se crea una previsión para un período específico. El eje horizontal representa el tiempo, y avanza desde el pasado (izquierda) hacia el futuro (derecha). El eje vertical representa las unidades medidas. Teniendo en cuenta los datos del pasado (en azul) hasta la línea negra vertical, la tarea de previsión consiste en identificar los datos del futuro (en rojo).

Descripción general de la tarea de previsión

Consideraciones antes de intentar resolver un problema de previsión

Las preguntas más importantes que hay que entender antes de resolver problemas de previsión son:

• ¿Es necesario resolver un problema de previsión?

• ¿Por qué se quiere resolver el problema de previsión?

Como consecuencia de la ubicuidad de los datos de las series temporales, es fácil encontrar problemas de previsión en todas partes. Sin embargo, una pregunta clave es plantearse si realmente es necesario resolver un problema de previsión o si puede evitarse por completo sin sacrificar la eficiencia en la toma de decisiones de la empresa. Plantear esta pregunta es importante porque, desde el punto de vista científico, la predicción es uno de los problemas más difíciles para el ámbito del machine learning.

Por ejemplo, piense en las recomendaciones de productos para un vendedor minorista en línea. La recomendación de productos puede enmarcarse como un problema de previsión en el que, para cada par de unidades de mantenimiento de existencias (SKU) del cliente, se prevé la cantidad de unidades de un producto específico que podría comprar este cliente en particular. La formulación de este problema tiene una serie de ventajas. Una de ellas es que el componente temporal se tiene en cuenta de forma explícita, por lo que es posible recomendar productos en función de los patrones de compra de los clientes.

Sin embargo, los problemas de recomendación de productos rara vez se formulan como un problema de previsión, ya que resolver este problema de previsión es mucho más difícil (debido, por ejemplo, a la escasez de información en el nivel SKU-cliente y a la magnitud del problema) que resolver directamente el problema de la recomendación. Por lo tanto, al pensar en una aplicación de previsión, es importante tener en cuenta el uso que se le va a dar posteriormente a la previsión y si es posible abordar este problema mediante un enfoque alternativo.

Amazon Personalize puede ser de ayuda en estos casos. Amazon Personalize es un servicio de machine learning que facilita a los desarrolladores la tarea de crear recomendaciones individualizadas para los clientes que utilicen sus aplicaciones.

Después de determinar que necesita resolver un problema de previsión, la siguiente pregunta que debe hacerse es: ¿por qué quiere resolver el problema de previsión? En muchos entornos empresariales, la previsión suele ser simplemente un medio para lograr un fin. Por ejemplo, para la previsión de la demanda en un contexto de venta minorista, la previsión se puede utilizar para tomar decisiones de gestión del inventario. El problema de previsión suele servir de punto de partida para un problema de decisión, que a su vez puede modelarse como un problema de optimización.

Algunos ejemplos de estos problemas de decisión pueden ser plantearse qué número de unidades se van a comprar o cuál es el mejor enfoque para gestionar el inventario existente. Otros problemas de previsión empresarial podrían ser la previsión de la capacidad del servidor o la previsión de la demanda de materias primas o piezas en un contexto de fabricación. Estas previsiones se pueden utilizar como puntos de partida para otros procesos, ya sea para problemas de decisión (como los anteriores) o para simulaciones de escenarios, que luego se utilizan para planificar sin modelos explícitos. Hay excepciones esta regla de que la previsión no es un fin en sí misma. En la previsión financiera, por ejemplo, la previsión se utiliza directamente para acumular reservas financieras o para presentársela a los inversores.

Para entender el propósito de la previsión, plantéese las siguientes preguntas:

• ¿Hasta qué punto en el futuro debería llegar la previsión?

• ¿Con qué frecuencia necesita generar previsiones?

• ¿Hay aspectos específicos de las previsiones en los que debería profundizar?