Series de tiempo

Introducción al Pronóstico de Series de Tiempo

Conceptos Básicos del Modelo

• Se presenta un nuevo modelo de pronóstico llamado "pronóstico de series de tiempo", que se basa en la descomposición de datos históricos.

• Este modelo busca identificar la línea base, tendencia y estacionalidad dentro de una serie histórica para optimizar el pronóstico.

• Se aplica un proceso retrospectivo para encontrar el mejor ajuste a los datos históricos y minimizar el error del pronóstico.

Supuestos del Modelo

• Se asume que los componentes principales de la serie histórica presentan una línea base, tendencia y estacionalidad.

• La volatilidad baja en los datos indica una tendencia estable; cambios estructurales pueden afectar esta tendencia.

Implementación Práctica del Pronóstico

Proceso en Excel

• El pronóstico se aplicará al nivel de ventas de una empresa utilizando herramientas en Excel.

• Se seleccionan opciones como distribución y métodos (promedio móvil simple, suavizado exponencial), permitiendo que el software escoja automáticamente.

Configuración del Pronóstico

• Se establece la estacionalidad en cuatro trimestres y se planea pronosticar otros cuatro períodos futuros.

• El tiempo máximo para ejecutar el análisis se configura por defecto a 300 segundos.

Métodos Multiplicativos y Aditivos

Descomposición con H Winter

• El método multiplicativo de H Winter descompone los datos en tres factores: alfa (nivel base), beta (tendencia), y gama (estacionalidad).

• Existen dos modelos: multiplicativo (descompone elementos por separado) y aditivo (los suma).

Análisis Metodológico

• El software analiza la distribución histórica para determinar qué metodologías son más adecuadas para los datos disponibles.

• Los resultados indican que el mejor modelo es el multiplicativo Hold Winter, seguido por otros modelos menos efectivos.

Resultados del Pronóstico

Parámetros Utilizados

• Los valores utilizados para realizar el pronóstico incluyen parámetros específicos como Alfa 0.24, Beta 1.00, entre otros.

Visualización y Ajustes Finales

Medidas del Error en Pronósticos

Conceptos Clave sobre el Error

• Se menciona la raíz del error cuadrático medio (RMSE), que calcula la raíz cuadrada de la desviación entre los datos pronosticados y los datos reales.

• También se introduce el MAPE (Mean Absolute Percentage Error), que mide el error absoluto relativo como un porcentaje promedio, siendo útil cuando los costos de errores están relacionados con porcentajes.

• Se discute la estadística U de Tail, que evalúa la credibilidad del pronóstico. Si esta estadística es menor a uno, indica que el método de pronóstico es más preciso que simplemente adivinar.

Comparación entre Pronósticos y Datos Reales

• Se presenta una gráfica donde se compara la serie real (en azul) con el pronóstico realizado por el software (en rosado), mostrando un ajuste bastante cercano entre ambos.