{"id":1956,"date":"2021-04-14T10:11:37","date_gmt":"2021-04-14T10:11:37","guid":{"rendered":"https:\/\/keepler.io\/2021\/04\/14\/evolucion-del-forecasting\/"},"modified":"2023-09-12T13:08:40","modified_gmt":"2023-09-12T13:08:40","slug":"evolucion-del-forecasting","status":"publish","type":"post","link":"https:\/\/keepler.io\/es\/2021\/04\/14\/evolucion-del-forecasting\/","title":{"rendered":"Evoluci\u00f3n del forecasting"},"content":{"rendered":"

Las series temporales siguen siendo uno de los casos de uso m\u00e1s comunes que encontramos hoy en d\u00eda en el mundo de los datos. Analizar el impacto de una campa\u00f1a publicitaria, predecir la demanda de un producto en el mercado o detectar posibles anomal\u00edas en un sensor son algunos de los problemas m\u00e1s frecuentes que requieren de un hist\u00f3rico generado con mediciones peri\u00f3dicas. Uno de los recursos que nos permiten las series temporales es el <\/span>forecasting<\/span><\/i>,<\/span> que consiste en <\/span>predecir que va a ocurrir en momentos futuros utilizando la informaci\u00f3n de los instantes de tiempo pasados<\/b>.<\/span><\/p>\n

\"\"

Figura 1: Definici\u00f3n de Forecast. Elaboraci\u00f3n propia.<\/p><\/div>\n

<\/h3>\n

Primeros an\u00e1lisis y modelos de forecasting<\/i><\/strong><\/h3>\n

Aunque las series temporales han sido objeto de estudio durante varios siglos atr\u00e1s y en diversos \u00e1mbitos como en medicina, econom\u00eda o el cl\u00e1sico problema de predecir qu\u00e9 tiempo har\u00e1 ma\u00f1ana, no es hasta la d\u00e9cada de 1920-1930 (<\/span>este art\u00edculo, por ejemplo<\/span><\/a>) donde se empiezan a realizar los primeros an\u00e1lisis de series temporales en el sentido m\u00e1s estad\u00edstico, como lo entendemos hoy en d\u00eda al trabajar con datos.\u00a0<\/span><\/p>\n

En estos a\u00f1os aparece la primera t\u00e9cnica de modelado para hacer <\/span>forecasting<\/span><\/i>, los <\/span>modelos autorregresivos<\/b>, que se basan en aprender de los instantes inmediatamente anteriores para construir el instante siguiente. Paralelamente, tambi\u00e9n se desarrollaron <\/span>modelos de media m\u00f3vil<\/b>, que se construyen aprendiendo de los errores anteriores (ruido blanco) para construir la predicci\u00f3n. Ambas formulaciones tienen mucha similitud a los modelos de regresi\u00f3n lineales cl\u00e1sicos.<\/span><\/p>\n

Limitaciones para simular el comportamiento de la serie<\/strong><\/h3>\n

Debido a la falta de recursos en cuanto a computaci\u00f3n se refiere, estos modelos no pod\u00edan implementarse en un tiempo aceptable si la serie era lo suficientemente complicada. En consecuencia, se adopt\u00f3 un enfoque m\u00e1s simple que, en lugar de buscar predecir la serie completa, se trat\u00f3 de predecir partes de la misma para posteriormente unificarlas.\u00a0<\/span><\/p>\n

Las series temporales se pueden clasificar de dos formas distintas, <\/span>aditivas o multiplicativas<\/b>, y se descomponen en cuatro partes:<\/span><\/p>\n

Serie temporal = Tendencia + Ciclos + Estacionalidad + Residuos (versi\u00f3n aditiva)<\/span><\/p>\n

Serie temporal = Tendencia * Ciclos * Estacionalidad * Residuos (versi\u00f3n multiplicativa)<\/span><\/p>\n

De manera intuitiva, <\/span>una serie es multiplicativa si se pueden observar diferencias en la amplitud de los picos y los valles de la serie<\/b>. En cualquier otro caso, la serie ser\u00e1 aditiva, ya que consideramos que existe independencia entre los t\u00e9rminos de su descomposici\u00f3n, como si fuera un modelo de regresi\u00f3n simple. Podemos ver un ejemplo de cada tipo de serie en la figura 2:<\/span><\/p>\n

\"\"

Figura 2: Clasificaci\u00f3n de series temporales. Elaboraci\u00f3n propia.<\/p><\/div>\n

 <\/p>\n

Estas cuatro partes mencionadas anteriormente se definen brevemente de la siguiente manera:<\/span><\/p>\n