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
![Dominar el pronóstico automático para datos de series temporales](https://smartcorp.com/wp-content/uploads/2024/07/Mastering-Automatic-Forecasting-for-Time-Series-Data-copy-1080x675.jpg)
Dominar el pronóstico automático para datos de series temporales
En este blog, exploraremos el pronóstico automático para proyecciones de demanda de series temporales. Existen múltiples métodos para predecir la demanda futura de un artículo, y esto se vuelve complejo cuando se trata de miles de artículos, cada uno de los cuales requiere una técnica de pronóstico diferente debido a sus patrones de demanda únicos.
![Gestión de inventario basada en pronósticos para una mejor planificación](https://smartcorp.com/wp-content/uploads/2024/07/Forecast-Based-Inventory-Management-for-Better-Planning-1-1080x675.jpg)
Gestión de inventario basada en pronósticos para una mejor planificación
La gestión de inventario basada en pronósticos, o lógica MRP (planificación de requisitos de materiales), es un método de planificación anticipada que ayuda a las empresas a satisfacer la demanda sin exceso o falta de existencias. Al anticipar la demanda y ajustar los niveles de inventario, mantiene un equilibrio entre satisfacer las necesidades de los clientes y minimizar los costos excesivos de inventario. Este enfoque optimiza las operaciones, reduce el desperdicio y mejora la satisfacción del cliente.
![Aprovechando las listas de materiales de Epicor Kinetic Planning con Smart IP&O para pronosticar con precisión](https://smartcorp.com/wp-content/uploads/2024/06/Leveraging-Epicor-Kinetic-Planning-BOMs-with-Smart-IPO-to-Forecast-Accurately-HD-1080x675.jpg)
Aprovechando las listas de materiales de Epicor Kinetic Planning con Smart IP&O para pronosticar con precisión
En este blog, exploramos cómo aprovechar las listas de materiales de Epicor Kinetic Planning con Smart IP&O puede transformar su enfoque de pronóstico en un entorno de fabricación altamente configurable. Descubra cómo Smart, una solución de optimización de inventario y planificación de la demanda basada en IA de vanguardia, puede simplificar las complejidades de predecir la demanda de productos terminados, especialmente cuando se trata de componentes intercambiables. Descubra cómo la planificación de listas de materiales y las técnicas avanzadas de previsión permiten a las empresas anticipar las necesidades de los clientes con mayor precisión, garantizando la eficiencia operativa y manteniéndose a la vanguardia en un mercado competitivo.