Un libro de texto legible y bien organizado podría ser invaluable para "ayudar a los pronosticadores corporativos en formación a comprender los conceptos básicos del pronóstico de series de tiempo", como señala Tom Willemain en la conclusión de esta revisión, publicada originalmente en Prospectiva: la revista internacional de pronóstico aplicado. Escrita principalmente para una audiencia académica, la revisión también sirve a los profesionales sin experiencia en planificación de la demanda al indicarles un recurso detallado.
Este librito pulcro tiene como objetivo "introducir al lector a la predicción cuantitativa de series de tiempo de una manera práctica". Para cierto tipo de lector, sin duda tendrá éxito, y lo hará con estilo.
El autor, el Dr. Galit Shmueli, es profesor presidido por SRITNE de análisis de datos y profesor asociado de estadísticas y sistemas de información en la Escuela de Negocios de la India, Hyderabad. Es autora o coautora de varios otros libros sobre estadística aplicada y análisis empresarial.
El libro está destinado a ser un texto para un curso de "mini-semestre" para estudiantes de posgrado o de nivel superior. Creo que sería una exageración creer que aquí hay suficiente material técnico para servir como base para un curso de posgrado, pero puedo verlo funcionando bien para los estudiantes universitarios en ingeniería industrial o administración que hayan tenido un curso previo de estadística (y por lo tanto lo harán). de hecho ser capaz de "recordar que un intervalo de predicción 95% para errores normalmente distribuidos es...").
Hay ejercicios de fin de capítulo de tamaño apropiado e incluso configuraciones para tres proyectos semestrales del mundo real, de modo que los instructores puedan usar el libro como lo imaginó el autor. El libro ilustra sus puntos usando XLMiner, un complemento de Excel, y los estudiantes pueden usar la versión de demostración gratuita para casi todos los ejercicios. Los conjuntos de datos de texto están disponibles en el sitio web del libro, que también proporciona una aplicación gratuita de "panel de control" de análisis de series de tiempo. El autor señala que se puede usar otro software en lugar de XLMiner y menciona Minitab, JMP y la biblioteca de pronósticos de Rob Hyndman en R.
Mientras leía este libro, me encantó su claridad. Habiendo pasado tiempo recientemente corrigiendo la prosa técnica de dos buenos estudiantes de posgrado, encontré que la escritura en este libro es un contraste refrescante, que hace que los conceptos técnicos sean comprensibles.
Otra virtud de este libro es su selección de temas. Los técnicos son razonablemente estándar (métodos de suavizado, regresión usando tendencias polinómicas y variables ficticias), pero también varían un poco hacia los más exóticos (regresión logística, redes neuronales, un poco de ARIMA). Más impresionante es la inclusión de lo que podría llamarse "meta-temas" relevantes para el pronóstico: evaluación del desempeño, una descripción general de enfoques técnicos alternativos y uno sobre el proceso de pronóstico, desde la definición de objetivos hasta formas de adaptar los informes de manera diferente para los gerentes y técnicos. audiencias Este es el tipo de sabiduría de pronóstico que encontramos en Libro de Chris Chatfield (2004), aunque presentado con menos acidez y con menos exposición matemática. Normalmente recomiendo el libro introductorio de Chatfield para lectores más técnicos interesados en entrar en series de tiempo; Recomendaría el libro de Shmueli para una audiencia más general.
Ninguna revisión está completa sin objeciones. Aquí hay algunos, demasiado pocos para deshacer mi opinión muy positiva de este librito impresionante:
• El texto es un buen caso para los gráficos “bien formateados y fáciles de leer” (p. 179). Pero encontré que muchas de las capturas de pantalla estaban mal impresas y eran difíciles de ver. Por lo demás, el libro es tan visualmente agradable que estos defectos parecen muy fuera de lugar. Utiliza lujosas cantidades de espacio en blanco y arte marginal caprichoso con gran efecto, produciendo una sensación muy "ligera" que seguramente debe ayudar a la comprensión.
• El autor afirma (p. 115) que los métodos de suavizado (p. ej., promedios móviles, suavizado exponencial) no pueden automatizarse por completo porque “el usuario debe especificar constantes de suavizado”. Por supuesto, esto no es así, ya que existen varios paquetes de software que hacen esto, y el texto posterior se contradice en este punto en la página 127.
• La discusión sobre la autocorrelación, por lo demás buena, induce a error cuando afirma (pág. 88) que la autocorrelación negativa de lag-1 significa que "los valores altos son seguidos inmediatamente por valores bajos y viceversa". Bueno, por lo general, pero no siempre.
Cuando terminé de leer este libro, me di cuenta inmediatamente de que hay otro público objetivo fuera del aula. Mi empresa a menudo realiza sesiones de capacitación sobre el uso de nuestro software, y estas incluyen algunos antecedentes generales sobre métodos y procesos de pronóstico. Si pudiéramos eliminar el material de XLMiner, e incluso si no pudiéramos, este texto sería un maravilloso "olvido" para ayudar a los pronosticadores corporativos en formación a comprender los conceptos básicos de la previsión de series de tiempo. El libro está tan bien escrito, bien organizado y bien diseñado que incluso podría leerse. Ciertamente podemos usarlo para ayudar a nuestros nuevos programadores a comprender las aplicaciones que están desarrollando. Y este libro podría incluso servir como lectura culpable para un estudiante de posgrado que realmente quiere “entender” lo que está pasando en Box, Jenkins y Reinsel (2008).
Thomas Willemain, PhD, cofundó Smart Software y actualmente se desempeña como vicepresidente sénior de investigación. El Dr. Willemain también se desempeña como Profesor Emérito de Ingeniería Industrial y de Sistemas en el Instituto Politécnico Rensselaer y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.
Artículos Relacionados
Buscando problemas en los datos de su inventario
En este video blog, la atención se centra en un aspecto crítico de la gestión de inventario: el análisis y la interpretación de los datos del inventario. La atención se centra específicamente en un conjunto de datos de una agencia de transporte público que detalla piezas de repuesto para autobuses.
¿Puede la aleatoriedad ser un aliado en la batalla de los pronósticos?
Cuando intentamos comprender el complejo mundo de la logística, la aleatoriedad juega un papel fundamental. Esto introduce una paradoja interesante: en una realidad donde se valoran la precisión y la certeza, ¿podría la naturaleza impredecible de la oferta y la demanda servir realmente como un aliado estratégico?
La búsqueda de pronósticos precisos no es sólo un ejercicio académico; es un componente crítico del éxito operativo en numerosas industrias. Para los planificadores de la demanda que deben anticipar la demanda de un producto, las ramificaciones de hacerlo bien (o mal) son fundamentales. Por lo tanto, reconocer y aprovechar el poder de la aleatoriedad no es simplemente un ejercicio teórico; es una necesidad de resiliencia y adaptabilidad en un entorno en constante cambio.
Los objetivos en la previsión
Un pronóstico es una predicción sobre el valor de una variable de una serie de tiempo en algún momento en el futuro. Por ejemplo, es posible que desee estimar las ventas o la demanda de un producto del próximo mes. Una serie de tiempo es una secuencia de números registrados en intervalos de tiempo igualmente espaciados; por ejemplo, las ventas unitarias registradas cada mes. Los objetivos que persigue cuando realiza previsiones dependen de la naturaleza de su trabajo y de su negocio. Todo pronóstico es incierto; de hecho, existe un rango de valores posibles para cualquier variable que pronostique. Los valores cercanos a la mitad de este rango tienen una mayor probabilidad de ocurrir realmente, mientras que los valores en los extremos del rango tienen menos probabilidades de ocurrir.