Guía de métodos de análisis de series temporales

El análisis de series temporales consiste en encontrarle sentido a los datos recogidos a lo largo del tiempo. No se trata de observar una lista aleatoria de números, sino de encontrar la historia escondida dentro de una secuencia cronológica. El objetivo es detectar patrones como tendencias o ciclos estacionales para entender qué ocurrió en el pasado y, más importante aún, qué podría ocurrir después.

Descifrar los patrones en tus datos

Imagina que tienes una pequeña cafetería y llevas un registro diario del número de clientes. A primera vista, los números pueden parecer caóticos. Pero el análisis de series temporales es como ponerse unas gafas especiales que de repente hacen que los patrones ocultos salten a la vista.

Puede que veas una clara tendencia ascendente: ¡buenas noticias, tu local es cada vez más popular mes a mes! También detectarías la estacionalidad, como ese aumento predecible cada mañana entre semana cuando la gente va al trabajo, seguido de una tarde más tranquila el fin de semana. Estos métodos están diseñados para identificar matemáticamente estos distintos componentes y separarlos.

Este proceso te ayuda a responder preguntas concretas sobre tu negocio:

• Previsión: ¿Cuántos baristas necesito para el pico de la próxima semana por la mañana?

• Fijación de objetivos: Dado nuestro crecimiento, ¿cuál es un objetivo de ventas realista para el próximo trimestre?

• Detección de anomalías: ¿Qué pasó el martes pasado? ¿Por qué hubo una caída repentina e inesperada de clientes?

Los dos grandes enfoques del análisis

El mundo del análisis de series temporales se divide en dos grandes corrientes. Entender la diferencia entre ellas es el primer paso para elegir la herramienta adecuada.

1. Métodos estadísticos tradicionales: Son los clásicos, los caballos de batalla del sector. Funcionan muy bien cuando los datos se comportan de forma predecible y se apoyan en un conjunto de supuestos estadísticos sobre la estructura de los datos.

2. Métodos modernos de aprendizaje automático: Esta familia más reciente de modelos es mucho más flexible y, a menudo, más potente. Son como chefs capaces de improvisar una receta sobre la marcha, lo que los hace excelentes para descubrir relaciones complejas y no lineales, e incluso para incorporar influencias externas.

Bajo estas categorías caben muchas técnicas, desde medias móviles simples y suavizado exponencial hasta métodos más elaborados como la autorregresión. Una técnica especialmente útil es la descomposición, que divide los datos en sus componentes fundamentales: tendencia, estacionalidad y ruido residual. Esto supone un cambio radical en áreas como la previsión de la demanda, donde las variaciones estacionales pueden provocar fluctuaciones de ventas de hasta el 40%.

Para verlo con más claridad, comparemos los dos enfoques.

Métodos estadísticos frente a métodos de aprendizaje automático: una comparativa rápida

Aquí tienes una comparación rápida para entender las diferencias clave entre estos dos enfoques.

• Principio fundamental: Métodos estadísticos: se basan en fórmulas matemáticas y supuestos estadísticos sobre los datos. Métodos de aprendizaje automático: aprenden los patrones directamente de los datos sin asumir condiciones previas estrictas.

• Complejidad: Métodos estadísticos: en general más simples y fáciles de interpretar; el "por qué" suele estar claro. Métodos de aprendizaje automático: pueden ser más complejos y a veces funcionan como una "caja negra", lo que dificulta la interpretación.

• Más adecuados para: Métodos estadísticos: datos con tendencias y patrones estacionales claros y estables (por ejemplo, ventas minoristas mensuales). Métodos de aprendizaje automático: datos complejos y volátiles con patrones no lineales o múltiples factores de influencia.

• Necesidades de datos: Métodos estadísticos: suelen funcionar bien con conjuntos de datos más pequeños y limpios. Métodos de aprendizaje automático: normalmente requieren grandes volúmenes de datos para aprender de forma efectiva.

La evolución de la previsión moderna

Para apreciar de verdad los potentes métodos de series temporales que tenemos hoy, conviene mirar atrás y ver de dónde vienen. La previsión moderna no apareció de la noche a la mañana. Sus raíces son profundas, y los años 70 destacan como una década realmente decisiva. Antes de entonces, la previsión era a menudo bastante intuitiva, pero varios avances clave sentaron las bases de todo lo que hacemos ahora.

Fue la época en que la previsión empezó a madurar, pasando de ser un interés académico de nicho a una herramienta práctica en la que las empresas podían confiar de verdad. El mayor salto adelante fue la metodología de Box-Jenkins.

No era un modelo más. Era un manual completo, una guía paso a paso para identificar, ajustar y verificar modelos con datos del mundo real. Hizo que el análisis sofisticado fuera accesible para un público mucho más amplio.

Este nuevo enfoque estructurado popularizó modelos que siguen siendo pilares fundamentales en la previsión actual.

La revolución ARIMA

Cuando Box y Jenkins publicaron su influyente libro en los años 70, pusieron en marcha una revolución. Introdujeron una forma integral de abordar la previsión y el control, centrada en el modelo ARIMA (AutoRegressive Integrated Moving Average, o media móvil integrada autorregresiva). Era un marco sólido que por fin podía domar los datos empresariales más desordenados.

Antes de Box y Jenkins, los analistas carecían de un proceso estandarizado. Su método proporcionó un flujo de trabajo claro y reproducible que permitía resolver problemas del mundo real, como predecir las necesidades de inventario o interpretar datos económicos volátiles, con mucha más confianza. Fue un paso enorme para convertir el análisis de series temporales en una disciplina empresarial fiable. Estas ideas centrales siguen siendo el núcleo de muchas técnicas modernas de previsión de ventas.

Hacer manejable el big data

Al mismo tiempo, otra innovación discreta pero crucial ganaba terreno: el algoritmo de la Transformada Rápida de Fourier (FFT). Las matemáticas detrás son bastante complejas, pero lo que aportó a la previsión fue sencillo y profundo: hizo posible analizar enormes conjuntos de datos sin tener que esperar eternamente a que el ordenador terminara.

Imagina intentar detectar un ciclo semanal de ventas escondido en años de transacciones diarias. La FFT era como un atajo superpotente que permitía a los ordenadores recorrer los datos a toda velocidad para encontrar esos patrones repetitivos y componentes cíclicos.

Esta nueva eficiencia supuso un cambio de juego en múltiples ámbitos:

• Procesamiento de señales: El análisis de ondas de audio y radio se volvió extraordinariamente rápido.

• Economía: Los economistas podían detectar ciclos económicos en grandes conjuntos de datos con facilidad.

• Ingeniería: Se convirtió en una herramienta indispensable para analizar vibraciones y otros fenómenos físicos.

Estos dos avances, un sistema de modelado estructurado y un algoritmo de alta velocidad, fueron los dos motores que impulsaron la previsión moderna hacia el futuro. Construyeron los cimientos sobre los que se apoyan tanto los métodos estadísticos clásicos como los modelos avanzados de aprendizaje automático actuales. Conocer esta historia te da una perspectiva mucho más rica sobre las herramientas que tenemos hoy a nuestra disposición.

Los métodos estadísticos clásicos a fondo

Tras echar un vistazo a la historia de la previsión, es hora de arremangarse y entrar en los métodos de análisis de series temporales estadísticos clásicos. Son la base del campo: herramientas fiables y contrastadas a las que volverás una y otra vez. Se apoyan en principios matemáticos sólidos y funcionan muy bien con datos que tienen tendencias y patrones estacionales predecibles.

Piensa en estos métodos como en la caja de herramientas esencial de un carpintero experto. No siempre necesitas una sierra de última generación con guía láser. A veces, un buen serrucho de toda la vida es exactamente lo que necesitas. Empezaremos por las ideas más sencillas e iremos avanzando hacia los modelos más potentes.

Suavizar el ruido con medias móviles

La forma más sencilla de detectar la dirección subyacente en tus datos es la media móvil. Imagina que tus datos de ventas diarias forman un camino irregular y pedregoso. Con todos esos altibajos, es difícil saber si en general estás subiendo o bajando. Una media móvil es como colocar una tabla lisa y plana sobre ese camino.

Funciona calculando el promedio de un número determinado de datos recientes, por ejemplo los últimos siete días de ventas, y representando ese promedio como un único punto. Cuando llega el dato del nuevo día, simplemente se descarta el más antiguo y se recalcula. Este proceso suaviza todo el ruido diario aleatorio y deja que la tendencia real a largo plazo se vea con claridad.

Este método es muy útil para:

• Identificar tendencias: Ver rápidamente si tus ventas van generalmente hacia arriba, hacia abajo o se mantienen estables.

• Reducir el ruido: Filtra esos picos y caídas aleatorios a corto plazo que pueden resultar confusos.

• Simplicidad: Es muy fácil de entender, calcular y explicar a personas que no son científicos de datos.

Pero las medias móviles tienen una gran debilidad: van con retraso. Al basarse en datos pasados, reaccionan lentamente ante cambios repentinos o nuevas tendencias. En un mercado que se mueve rápido, eso puede ser un problema real.

Dar más peso al presente con el suavizado exponencial

¿Y si los datos recientes fueran más importantes que los antiguos? Esa es la idea simple pero poderosa detrás del suavizado exponencial. Es un paso adelante respecto a la media móvil simple porque asigna pesos decrecientes a las observaciones más antiguas. El dato más reciente tiene el mayor peso, y su influencia se desvanece de forma exponencial cuanto más atrás en el tiempo.

Piénsalo así: si quieres predecir el tiempo de mañana, le darías mucho más peso al tiempo de hoy que al de hace un mes. El suavizado exponencial hace exactamente lo mismo con tus datos.

Existen varias variantes principales de este método:

• Suavizado exponencial simple (SES): Ideal para datos sin tendencia ni patrón estacional claro.

• Método de tendencia lineal de Holt: Una versión más elaborada que tiene en cuenta específicamente las tendencias en los datos.

• Método estacional de Holt-Winters: El paquete completo. Este maneja tanto la tendencia como la estacionalidad, perfecto para un negocio con picos de ventas semanales o el frenesí de las fiestas anuales.

Desenredar patrones complejos con ARIMA

Llegamos ahora a uno de los grandes referentes de los métodos estadísticos clásicos: ARIMA. El nombre viene de AutoRegressive Integrated Moving Average, que puede sonar complicado, pero podemos desglosarlo.

Un modelo ARIMA es como un detective que rastrea pistas en el pasado de los propios datos. Combina información sobre valores pasados, errores de previsión anteriores y la estabilidad general de los datos para construir predicciones sorprendentemente precisas.

Las tres partes de un modelo ARIMA trabajan juntas, cada una abordando un aspecto diferente del comportamiento de los datos:

1. Autorregresivo (AR): Esta parte parte del supuesto de que los valores futuros están directamente relacionados con los valores pasados. Es como decir: "Si las ventas fueron altas ayer, probablemente serán altas hoy."

2. Integrado (I): Esta pieza se encarga de estabilizar los datos. Muchos modelos estadísticos necesitan que los datos sean "estacionarios", es decir, que su media y varianza no varíen con el tiempo. Si lo hacen, este paso utiliza una técnica llamada diferenciación (restar un valor anterior al actual) para nivelarlos.

3. Media móvil (MA): Esta parte analiza los errores de previsión pasados. La idea es que podemos mejorar las predicciones futuras aprendiendo de nuestros errores anteriores y corrigiéndolos.

Combinar estos tres elementos hace que ARIMA sea increíblemente flexible y potente. De hecho, entre los métodos clásicos, ARIMA y sus variantes destacan por su precisión. En la previsión financiera, un modelo ARIMA bien ajustado puede alcanzar errores absolutos porcentuales medios (MAPE) de entre el 5% y el 15%, lo que es un claro testimonio de su potencia cuando se aplica al tipo de datos adecuado.

Estos métodos estadísticos clásicos te dan una base sólida para cualquier proyecto de previsión. Entender cómo suavizar datos, tener en cuenta las tendencias y modelar dependencias del pasado te proporciona un conjunto de herramientas prácticas para darle sentido a tus series temporales.

El auge del aprendizaje automático en la previsión

Los métodos estadísticos clásicos son los caballos de batalla fiables de la previsión, pero a veces necesitas un coche de carreras de alto rendimiento. Ahí es donde entra el aprendizaje automático (ML), que representa un salto enorme en nuestra capacidad de predecir el futuro. Estos métodos modernos de análisis de series temporales no se limitan a seguir una fórmula fija: aprenden directamente de tus datos, y a menudo encuentran patrones sutiles y complejos que los modelos más antiguos pasarían por alto.

Piénsalo así. Un modelo clásico como ARIMA es excelente para predecir las ventas de helados del mes que viene porque reconoce el claro repunte repetitivo cada verano. Pero ¿qué ocurre cuando una ola de calor inesperada, un nuevo competidor y una campaña de marketing viral coinciden al mismo tiempo? Un modelo simple probablemente se vería superado. Los modelos de aprendizaje automático, en cambio, están diseñados precisamente para este tipo de caos.

Por qué el aprendizaje automático cambia las reglas en previsiones complejas

La verdadera magia de los modelos de aprendizaje automático es su capacidad para incorporar un gran número de variables externas, que llamamos características exógenas. No están limitados a observar los valores pasados de lo que intentan predecir.

En su lugar, pueden aprender de decenas, o incluso cientos, de otras fuentes de datos a la vez. Para un servicio de streaming que quiere predecir la audiencia, esto supone una ventaja enorme. Su modelo podría analizar simultáneamente:

• Eventos promocionales: ¿Funcionó realmente esa gran campaña de marketing?

• Calendarios festivos: ¿Cómo cambian los hábitos de consumo en un fin de semana largo?

• Lanzamientos de nuevo contenido: ¿Qué efecto tiene estrenar una gran serie nueva?

• Actividad en redes sociales: ¿Toda esa conversación online se traduce en más espectadores?

Esta capacidad para manejar múltiples influencias es lo que da al aprendizaje automático su potencia predictiva. Convierte la previsión de un problema unidimensional en un análisis rico y multifacético que ofrece una visión mucho más clara de lo que realmente impulsa el cambio. Este enfoque es fundamental en proyectos complejos como la optimización de la movilidad urbana, donde eventos públicos y patrones meteorológicos influyen enormemente en las necesidades de transporte. Puedes ver cómo abordamos un reto similar en nuestro artículo sobre soluciones de movilidad urbana.

Los grandes referentes del ML en previsión

Aunque el mundo del ML es vasto, algunos modelos se han convertido en las opciones preferidas para la previsión de series temporales. Cada uno tiene una fortaleza particular que los hace más adecuados para diferentes tipos de problemas.

XGBoost: la potencia del gradient boosting

Hay una buena razón por la que los científicos de datos adoran XGBoost (Extreme Gradient Boosting). Es un algoritmo que utiliza árboles de decisión con un enfoque muy inteligente. Construye un árbol, identifica dónde se equivocó y luego construye un segundo árbol específicamente para corregir esos errores. Lo hace una y otra vez, a veces cientos de veces, con cada nuevo árbol aprendiendo de los fallos del anterior.

Este método de "conjunto" hace que XGBoost sea increíblemente robusto y preciso. Para una empresa de comercio electrónico, podría construir una previsión que aprenda de los datos de ventas, los niveles de inventario actuales, los calendarios de promociones e incluso los informes meteorológicos locales para generar una predicción muy precisa.

LSTM: los maestros de la memoria

Las redes neuronales recurrentes (RNN) son un tipo de modelo de aprendizaje profundo diseñado para trabajar con secuencias de datos. Las redes LSTM (Long Short-Term Memory) son una versión potenciada de las RNN con un truco especial: la memoria.

Las LSTM están diseñadas para recordar información importante durante largos periodos y olvidar lo que no es relevante. Esto las hace especialmente buenas para detectar conexiones de largo alcance en los datos que otros modelos pasarían completamente por alto.

Imagina que intentas predecir el mercado de valores. El precio de una acción hoy podría seguir notando los efectos de un informe de resultados publicado hace tres meses. Una LSTM puede "recordar" ese evento pasado e incorporarlo a su predicción actual, lo que le da una gran ventaja cuando trabaja con datos que tienen una memoria larga y compleja.

¿Cuándo tiene sentido actualizar tu conjunto de herramientas analíticas?

¿Cuándo merece la pena ir más allá de los modelos clásicos e incorporar el aprendizaje automático? Todo depende de la complejidad y la riqueza de tus datos.

Deberías plantearte seriamente el aprendizaje automático cuando:

• Múltiples factores influyen en los resultados: Lo que intentas predecir está influenciado por muchas fuerzas externas diferentes.

• Los patrones son no lineales: Las relaciones en tus datos no son líneas rectas simples.

• Tienes muchos datos: Los modelos de ML necesitan datos; sin ellos no pueden aprender de forma efectiva.

• La precisión es prioritaria: Incluso una pequeña mejora en tu previsión puede traducirse en un valor empresarial significativo.

Cierto, requieren más datos y capacidad de cómputo, pero el beneficio de usar aprendizaje automático en tus métodos de análisis de series temporales puede ser enorme. Te dan acceso a una precisión mucho mayor y a una comprensión más profunda del mundo complejo e interconectado en el que operan nuestros negocios.

Cómo elegir el método de análisis adecuado

Elegir el método correcto de análisis de series temporales puede resultar abrumador, como mirar una caja de herramientas enorme sin saber si necesitas una llave inglesa sencilla o un láser de alta potencia. La realidad es que la herramienta adecuada depende completamente del trabajo. La mejor elección se reduce a dos cosas: entender las características particulares de tus datos y saber exactamente qué quieres conseguir.

No se trata de encontrar el método "mejor" que sirva para todo. Se trata de encontrar el que mejor encaje con tu problema concreto. En el fondo, todo se reduce a hacerse unas pocas preguntas clave.

Evalúa las características de tus datos

Lo primero es conocer bien tus datos. ¿Son estables y predecibles, o son un caos que parece tener vida propia? La naturaleza de tu serie temporal es tu mayor pista.

Esto es lo que debes buscar:

• ¿Hay una tendencia clara? ¿Los datos se mueven consistentemente hacia arriba o hacia abajo con el tiempo, como el crecimiento de usuarios de una startup?

• ¿Hay estacionalidad? ¿Ves ciclos predecibles y repetitivos? Piensa en las ventas de helados que se disparan cada verano.

• ¿Cuánto ruido hay? ¿Los datos son relativamente limpios y suaves, o están llenos de fluctuaciones aleatorias e impredecibles?

• ¿Hay factores externos que influyen? ¿Necesitas tener en cuenta influencias externas? Por ejemplo, una gran campaña de marketing o un cambio en los tipos de interés podría afectar drásticamente a tus cifras de ventas.

Este útil visual a continuación te guía por el proceso de toma de decisiones para una de las familias estadísticas más comunes, el suavizado exponencial, basándose únicamente en la tendencia y la estacionalidad.

Como puedes ver, la presencia de estos patrones te lleva directamente a la técnica adecuada.

Si tus datos tienen una tendencia ascendente estable y un patrón estacional claro, algo como el modelo Holt-Winters es lo que buscas. Pero si tus datos son bastante planos y sin patrones obvios, probablemente el suavizado exponencial simple sea todo lo que necesitas. Esta idea de ajustar la complejidad del modelo a la complejidad de los datos es una regla de oro en este campo.

Define tus objetivos de previsión

Una vez que tienes claro tu conjunto de datos, necesitas definir con precisión qué quieres lograr. El "para qué" es tan importante como el "qué". Distintos objetivos empresariales requieren enfoques diferentes.

Ten en cuenta estos factores:

• Horizonte de previsión: ¿Intentas predecir lo que pasará la semana que viene o el año que viene? Los modelos simples funcionan bien a corto plazo, pero para previsiones a largo plazo probablemente necesitarás más potencia.

• Interpretabilidad frente a precisión: ¿Es más importante entender por qué el modelo hace una determinada predicción, o simplemente necesitas el número más preciso posible? Los modelos estadísticos son en general más fáciles de explicar, mientras que algunos modelos de aprendizaje automático son "cajas negras" que priorizan la precisión pura.

• Datos disponibles: ¿Cuánto historial tienes para trabajar? Los modelos de aprendizaje automático necesitan grandes conjuntos de datos para aprender de forma efectiva. Muchos métodos estadísticos, en cambio, pueden funcionar bien con menos.

En definitiva, elegir el modelo adecuado es una parte fundamental de una buena toma de decisiones basada en datos. Una elección acertada te da algo más que un número: te ofrece un conocimiento fiable que puede dar forma real a tu estrategia.

Elegir un modelo siempre implica una compensación. Un modelo simple e interpretable como ARIMA puede ser perfecto para la previsión estable de inventarios. Pero para un problema muy volátil como predecir precios de acciones a partir de titulares de noticias, casi con toda seguridad necesitarás un enfoque de aprendizaje automático más potente como una LSTM.

Guía rápida para elegir el método

Para hacerlo todavía más práctico, aquí tienes una guía rápida como punto de partida para orientarte hacia el método más adecuado según tu situación.

• Datos estables con estacionalidad/tendencia claras: Mejor método estadístico: Holt-Winters / SARIMA; Mejor método de aprendizaje automático: Prophet; Consideración clave: los modelos estadísticos suelen ser más rápidos e interpretables en este caso.

• Datos volátiles y ruidosos sin patrones claros: Mejor método estadístico: Media móvil simple; Mejor método de aprendizaje automático: LSTM / GRU; Consideración clave: los modelos de ML son mejores para encontrar patrones complejos ocultos en el ruido.

• Necesidad de incluir factores externos (promociones, festivos, etc.): Mejor método estadístico: ARIMAX / SARIMAX; Mejor método de aprendizaje automático: XGBoost / Random Forest; Consideración clave: estos modelos pueden incorporar explícitamente esas variables "exógenas".

• Previsión a muy largo plazo (varios años): Mejor método estadístico: Modelos de descomposición; Mejor método de aprendizaje automático: Transformers / N-BEATS; Consideración clave: las arquitecturas avanzadas de ML están diseñadas para capturar dependencias de largo alcance.

• Pocos datos históricos disponibles: Mejor método estadístico: Suavizado exponencial / ARIMA; Mejor método de aprendizaje automático: Red neuronal feedforward simple; Consideración clave: los métodos estadísticos son en general más robustos con conjuntos de datos pequeños.

• La explicabilidad es la prioridad: Mejor método estadístico: ARIMA / Regresión lineal; Mejor método de aprendizaje automático: Árboles de decisión; Consideración clave: estos modelos tienen una lógica de funcionamiento más transparente.

Esta lista no es un conjunto de reglas rígidas, pero sí una buena guía para orientarte en la dirección correcta. Analizando con cuidado tus datos y tus objetivos, puedes moverte con confianza por el mundo de los métodos de análisis de series temporales y elegir el que realmente aporte valor.

Un ejemplo real para atar cabos

La teoría está muy bien, pero seamos honestos: no acaba de calar hasta que la ves en acción. Así que vamos a recorrer un problema empresarial habitual para ver cómo funcionan realmente estos métodos de análisis de series temporales.

Imagina que tienes una tienda de comercio electrónico y necesitas calcular cuánto stock pedir de tu producto más vendido. Si pides demasiado, el dinero se queda inmovilizado en inventario. Si pides de menos, dejas dinero sobre la mesa.

El punto de partida es una hoja de cálculo en bruto con datos de ventas diarias de los últimos tres años. Lo primero es mancharse las manos con la preparación de los datos. Los limpiaremos, rellenaremos los días que falten y los representaremos en una gráfica. Enseguida probablemente detectaremos varias cosas: una bonita tendencia ascendente a medida que el producto gana popularidad, y fuertes picos estacionales en torno a las fiestas. Esta primera exploración es de gran valor; es nuestra primera conversación real con los datos.

El enfoque clásico: poniendo en marcha un modelo ARIMA

Con los datos ya limpios, empezaremos con un método estadístico de probada eficacia: ARIMA. Como vimos antes, ARIMA tiene un requisito importante: necesita datos estacionarios. Nuestros datos de ventas no lo son; tienen esa tendencia ascendente y esos picos festivos.

Así que primero hay que estabilizarlos. Usaremos la diferenciación para aplanar la tendencia de crecimiento y luego aplicaremos un ajuste estacional para moderar la variación anual de las fiestas. Una vez que los datos son estacionarios, analizamos los gráficos ACF y PACF para encontrar los parámetros (p, d, q) correctos. Esta parte recuerda a sintonizar una radio analógica: buscas esa señal perfecta y clara.

Una vez fijados los parámetros, entrenamos el modelo ARIMA con los primeros dos años y medio de historial de ventas. El modelo procesa estos datos y aprende los patrones autorregresivos y de media móvil subyacentes. Luego le pedimos que prediga los próximos seis meses. Lo que obtenemos es una previsión limpia y razonable que sigue la tendencia general y anticipa el próximo repunte festivo. Es una base sólida y fiable para nuestro plan de inventario.

El enfoque de aprendizaje automático: construyendo un modelo LSTM

Ahora abordemos el mismo problema con una herramienta más moderna: una red LSTM. Todo el proceso se siente diferente desde el principio. En lugar de alimentarla solo con cifras de ventas pasadas, podemos darle mucho más contexto. Podemos incorporar otros datos que podrían influir en las ventas, como:

• Cuánto hemos invertido en campañas de marketing recientemente
• Qué días hubo promociones activas
• Cifras diarias de tráfico web

La magia de una LSTM es que puede aprender las conexiones complejas y no obvias entre todos estos factores distintos. ARIMA se centra principalmente en los valores de ventas pasados, pero la LSTM está diseñada para recordar patrones a largo plazo sin dejar de prestar atención a eventos recientes, como una venta flash de la semana pasada.

Hay que formatear los datos en secuencias, que es como les gusta recibirlos a las LSTM, y luego comenzar el entrenamiento. Esto requiere mucha más capacidad de cómputo porque la red ajusta constantemente sus conexiones internas para mejorar cada vez más en la predicción.

Una vez entrenada, le pedimos la misma previsión de seis meses. La predicción de la LSTM suele ser más detallada. Puede captar cambios sutiles que la previsión más suavizada de ARIMA pasaría por alto, especialmente si ha aprendido que una gran inversión en marketing genera de forma sistemática un pico de ventas tres días después.

Comparar las dos previsiones pone de relieve el equilibrio entre ambas. ARIMA ofrece una predicción fiable y fácil de entender basada únicamente en los patrones de ventas pasados. La LSTM, en cambio, puede ofrecer una previsión potencialmente más afinada y dinámica al aprender de una imagen mucho más rica de lo que realmente mueve el negocio.

Preguntas frecuentes

¿Cuántos datos históricos necesito?

Es la pregunta clásica de "depende", pero aquí tienes una buena regla general: piensa en los patrones que quieres detectar. Si quieres identificar tendencias anuales, necesitarás al menos dos o tres años completos de datos. Con menos, el modelo tendrá dificultades para confirmar el patrón.

En general, más datos casi siempre es mejor. Aunque los métodos estadísticos más simples a veces pueden arreglárselas con menos, los modelos de aprendizaje automático necesitan un buen volumen de historial del que aprender.

¿Cuál es la mejor forma de gestionar los valores faltantes?

Pase lo que pase, no elimines simplemente las filas con datos faltantes. Eso rompe completamente la línea temporal, que es precisamente la esencia del análisis de series temporales.

Una opción mucho mejor es rellenar los huecos. Puedes usar técnicas sencillas como el relleno hacia adelante (trasladar el último valor conocido) o un enfoque más matemático como la interpolación para estimar el punto faltante a partir de sus vecinos. Si quieres afinar más, incluso puedes usar un modelo auxiliar más simple para predecir cuáles deberían ser esos valores faltantes.

¿La estacionariedad es siempre necesaria para hacer previsiones?

No siempre, pero es un factor muy importante para los modelos estadísticos clásicos. Para algo como ARIMA, la estacionariedad es un supuesto irrenunciable. Básicamente significa que las propiedades estadísticas de tus datos, como la media y la varianza, no cambian con el tiempo. Si lo hacen, primero tendrás que transformar los datos.

Una de las mayores ventajas de muchos modelos de aprendizaje automático es que no requieren estrictamente la estacionariedad. Esto los hace más flexibles para conjuntos de datos complejos y volátiles donde las propiedades estadísticas cambian con el tiempo.

En NILG.AI ayudamos a las empresas a convertir ideas como estas en resultados prácticos y medibles con IA y datos. Si quieres explorar cómo aplicar esto a tu negocio, ponte en contacto con nuestro equipo.