Inestabilidad en los pronósticos clásicos

La estadística es una ciencia contraintuitiva. Por lo tanto, como aplicación web estadística, el motor de pronóstico de Lokad tiende a entregar resultados que pueden parecer confusos. En este artículo, intentamos aclarar algunos conceptos sobre los pronósticos clásicos, es decir, los pronósticos diarios, semanales o mensuales.

Primeros pasos

En este punto, suponemos que ha logrado dar los primeros pasos y ya ha generado su primer reporte de Microsoft Excel con Lokad. Si se está preguntando acerca de cómo se deben interpretar ciertas columnas, puede consultar la documentación. Le recomendamos que verifique que los datos de entrada sean correctos, generalmente comparando los valores históricos reportados en Lokad con los valores que obtiene de los sistemas ya existentes de su compañía.

Análisis retrospectivo y selección de modelo

Antes de discutir acerca de los pronósticos propiamente dichos, repasemos brevemente cómo Lokad elabora esos pronósticos. Nuestro motor de pronóstico incluye una amplia librería de modelos de pronóstico, que van desde modelos simples hasta muy complejos. Para cada serie de tiempo, Lokad realiza un análisis retrospectivo (backtesting), es decir, revisamos la información pasada, truncamos los datos, generamos los pronósticos utilizando solo estos datos truncados y medimos la precisión del resultado. Luego, este proceso se repite para cada día, semana o mes —de acuerdo con el período— aplicable para los datos históricos dados.

Al final, para cada serie de tiempo y para cada modelo, el motor de pronóstico ha recopilado un conjunto de mediciones de precisión que permiten elegir el modelo de pronóstico más preciso.

Este mecanismo de selección está estrictamente definido por el rendimiento. La lógica no dice, por ejemplo, que un modelo estacional deba ser aplicado para el Producto X; los modelos estacionales simplemente están presentes en el motor de pronóstico, y son seleccionados solo cuando superan a los otros modelos posibles.

Pronósticos planos e historial irregular

La mayor parte del tiempo, los datos históricos tienden a ser relativamente irregulares, especialmente cuando se observan niveles muy desagregados, como SKU o productos. La línea azul en el gráfico a continuación ilustra una serie de tiempo de ejemplo. La línea roja representa un pronóstico tentativo de esta serie de tiempo.



Este pronóstico, a nivel visual, se ve bien porque reproduce la clase de fluctuaciones que se han observado en el pasado. Sin embargo, desde un punto de vista estadístico, este pronósticos es muy impreciso. De hecho, la serie de tiempo en realidad se conforma de valores aleatorios tomados entre 0 y 1. No existe un patrón por identificar, solo ruido.



Aquí arriba tenemos el pronóstico revisado: ahora es una línea plana en 0,5. Visualmente, este pronóstico parece diferir del historial: presenta una regularidad que jamás se ha observado en los datos. Aún así, desde un punto de vista estadístico, este pronóstico es mucho más preciso que el anterior.

Esta idea es en realidad un aspecto general (si bien no muy intuitivo) de la estadística: cuanto más irregular es el historial de demanda, más regulares son los pronósticos. Cualquier sistema de pronóstico que se comportara de modo diferente sería en realidad mucho menos preciso.

Modelos de pronóstico simples pero eficaces

Si bien el motor de pronóstico contiene modelos muy complejos, en ciertos tipos de conjuntos de datos se tienden a aplicar modelos simples (cuando estos superan a los anteriores durante el proceso de selección).

Entre muchos otros ejemplos, tenemos modelos como:

• Plano último período (pronósticos semanales o mensuales): Los pronósticos repiten de modo uniforme el valor observado durante la última semana o el último mes.
• Estacional un año (pronósticos semanales o mensuales): Los pronósticos repiten los valores observados exactamente un año antes (12 meses o 52 semanas respectivamente).
• Cíclico una semana (pronósticos diarios): Los pronósticos repiten los valores observados exactamente una semana antes, combinando el patrón "día de la semana".
• Plano media anual (pronósticos semanales o mensuales): Los pronósticos repiten de modo uniforme la demanda histórica como ha sido promediada en el último año.
  

No existe ningún problema per se en utilizar cualquiera de estos modelos para elaborar un pronóstico. El desafío reside en saber exactamente cuándo debería preferirse un modelo más complejo a los más simples, y es este el motivo por el que el análisis retrospectivo de Lokad es tan importante.

No obstante, desde la óptica del cliente, los pronósticos planos —especialmente aquellos a 12 meses— a menudo resultan decepcionantes, por ejemplo, cuando el patrón estacional esperado por los expertos comerciales no se encuentra en los valores arrojados por Lokad. No obstante, nuestro motor de pronóstico tiene muchos modelos estacionales disponibles y esos modelos se evalúan cada vez. Por lo tanto, cuando se selecciona un modelo no estacional, significa que ese modelo ha superado cuantitativamente a todos los estacionales. Intentar forzar un patrón estacional en una situación así solo acabaría por socavar la precisión. Una vez más, debemos admitir que esto no resulta muy intuitivo.

La columna de precisión

La columna precisión es opcional y no está activada por defecto. Representa, en los pronósticos clásicos, la tasa de error de pronóstico anticipada. Como si fuera un sistema de autodiagnóstico. Sin entrar en los detalles técnicos de la definición real de este indicador de precisión, digamos que es un porcentaje: 100 % equivale a un pronóstico totalmente preciso, mientras que 0 % equivale a un pronóstico totalmente impreciso.

La precisión del 100 % no es una expectativa realista para un proceso de pronóstico (ya sea estadístico o de cualquier otra clase). Especialmente cuando se observan volúmenes de ventas bajos, un pequeño error de +1 o -1 puede reducir la precisión expresada en porcentaje a un nivel inferior al 50 %. Al contrario de lo que dictaría la intuición, el nivel de precisión total no es una consecuencia del método de pronóstico, sino del nivel de agregación de los datos mismos.

Por ejemplo, si se pronostica el consumo nacional diario de electricidad de un día para otro, un pronóstico con un 99,5 % de precisión podría ser considerado de mala calidad, mientras que al pronosticar las ventas promocionales de un producto comestible, un 30 % de precisión podría ser considerado un logro significativo. Aún así, esto no significa que una mejor solución de pronóstico no pueda mejorar la situación.

Cuando se trata de pronósticos, no existen pronósticos buenos o malos en términos absolutos, lo único que importa es cuán buenos son esos pronósticos comparados con el status quo o con las alternativas.