Predicciones a largo plazo vs. a corto plazo en Machine Learning

Al construir un modelo de machine learning, una de las preguntas más comunes es si optar por predicciones a largo plazo o a corto plazo. En otras palabras, ¿deberías construir un modelo que prediga un evento mañana o dentro de un mes?

Nuestro artículo desmitificará este proceso crítico de toma de decisiones. Te guiaremos a través de un enfoque estratégico que simplificará el desafío de seleccionar el horizonte de predicción ideal, que es crucial para determinar la precisión del pronóstico en modelos de ML.

¿Hasta cuándo debe llegar tu capacidad de predicción?

Al adentrarse en el pronóstico de modelos de machine learning, la primera pregunta que surge es: "¿Hacia cuánto tiempo en el futuro deben dirigirse mis pronósticos?" Por ejemplo, si estás prediciendo la demanda de ciertos productos, ¿deberías pronosticar la demanda para la próxima semana, trimestre o año?

La respuesta es simple: tendemos a ser mejores prediciendo eventos a corto plazo que eventos que ocurren demasiado lejos en el futuro. Esto sucede porque a medida que ampliamos nuestras ventanas de predicción, introducimos más incertidumbre e incógnitas, que se traducen en una calidad predictiva más baja.

Compensación entre predicciones a largo plazo y a corto plazo

Cuando decides hasta cuánto tiempo adelante hacer predicciones con tu modelo de machine learning, es importante considerar la compensación entre capacidad de acción y precisión.

Déjanos desglosarlo.

A medida que aumenta la ventana de predicción, aumenta la capacidad de acción del modelo. Por ejemplo, si estás pronosticando la demanda dentro de un año, y tu ciclo de producción dura un mes, puedes hacer una amplia variedad de cosas, desde fijar precios con tus proveedores hasta dimensionar adecuadamente tu equipo operativo.

Pero aquí está el inconveniente: este aumento en la capacidad de acción se produce a costa de la potencia predictiva, ya que generalmente somos malos prediciendo eventos a largo plazo. Además, para hacer estas predicciones a largo plazo, necesitarías una gran cantidad de datos. Para una predicción anual, necesitarías datos de al menos el año anterior.

Si crees que tu empresa tiene un modelo de AI menos que perfecto en un entorno empresarial, considera leer este artículo sobre Cómo rentabilizar modelos de IA mediocres: una guía para tomadores de decisiones empresariales

Entonces, ¿cuál es el horizonte de predicción ideal para tu modelo?

El horizonte de predicción ideal es aquél con la ventana de predicción más corta donde aún tienes una alta capacidad de acción.

Empieza preguntándote: ¿cuál es el período más corto dentro del cual las predicciones pueden aún impactar significativamente tus decisiones empresariales? Por ejemplo, un pronóstico a un mes es tu ventana ideal si tu proceso de producción dura un mes. Te proporciona tiempo suficiente para ajustar tu estrategia en función de la predicción, sin aventurarte demasiado en el futuro incierto.

Este concepto de predicciones a largo plazo vs. a corto plazo no es exclusivo del tiempo, sino que también aplica a cuán directa o indirecta es la acción que estás prediciendo. Por ejemplo, si estás construyendo un sistema de recomendación en un sitio web de comercio electrónico, tus predicciones podrían incluir acciones inmediatas como que un usuario haga clic en un producto o lo añada a su carrito.

Conclusión

En resumen, la compensación entre capacidad de acción y potencia predictiva es crucial cuando te decides entre predicciones a largo plazo y a corto plazo en los pronósticos de machine learning.

¿Nuestro consejo? Siempre elige la ventana de predicción más corta que te permita tomar decisiones significativas. Este enfoque te ayudará a aprovechar al máximo tu modelo de machine learning y contribuirá a la toma de decisiones informada y a un impacto empresarial positivo de los pronósticos de ML.

eBook GRATUITO: Cómo transformar tu empresa con IA

Descarga nuestro eBook y descubre las dificultades más comunes al implementar proyectos de IA y cómo evitarlas.

Envíame el eBook

¡Consigue contenido adicional!

Nombre (Obligatorio)

Correo electrónico (Obligatorio)

Al enviar este formulario acepto la política (Obligatorio)

Al enviar este formulario acepto los Términos y Política de Privacidad.

Correo electrónico

Este campo es para propósitos de validación y debe dejarse sin cambios.

¡Envíalo ahora!