Dominar el pronóstico automático para datos de series temporales
En este blog, analizaremos el pronóstico automático para proyecciones de demanda de series temporales, centrándonos en técnicas, desafíos y mejores prácticas clave. 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. Algunos artículos tienen una demanda estable, otros tienen una tendencia al alza o a la baja y algunos presentan estacionalidad. Seleccionar el método correcto para cada elemento puede resultar abrumador. Aquí exploraremos cómo la previsión automática simplifica este proceso.
La previsión automática se vuelve fundamental en la gestión de proyecciones de demanda a gran escala. Con miles de elementos, no resulta práctico seleccionar manualmente un método de pronóstico para cada uno. La previsión automática utiliza software para tomar estas decisiones, garantizando precisión y eficiencia en el proceso de previsión. Su importancia radica en su capacidad para manejar de manera eficiente necesidades de pronóstico complejas y a gran escala. Elimina la necesidad de selección manual, ahorrando tiempo y reduciendo errores. Este enfoque es particularmente beneficioso en entornos con diversos patrones de demanda, donde cada artículo puede requerir un método de pronóstico diferente.
Consideraciones clave para una previsión eficaz
- Desafíos de la previsión manual:
- Inviabilidad: Elegir manualmente métodos de pronóstico para miles de artículos es inmanejable.
- Inconsistencia: el error humano puede generar pronósticos inconsistentes e inexactos.
- Criterios para la selección del método:
- Medición de errores: el criterio principal para seleccionar un método de pronóstico es el error de pronóstico típico, definido como la diferencia entre los valores previstos y reales. Este error se promedia a lo largo del horizonte de pronóstico (por ejemplo, pronósticos mensuales durante un año).
- Análisis de reserva: esta técnica simula el proceso de esperar a que transcurra un año ocultando algunos datos históricos, haciendo pronósticos y luego revelando los datos ocultos para calcular errores. Esto ayuda a elegir el mejor método en tiempo real.
- Torneo de pronóstico:
- Comparación de métodos: diferentes métodos compiten para pronosticar cada elemento, ganando el método que produce el error promedio más bajo.
- Ajuste de parámetros: cada método se prueba con varios parámetros para encontrar la configuración óptima. Por ejemplo, se puede intentar un suavizado exponencial simple con diferentes factores de ponderación.
Los algoritmos detrás de la previsión automática eficaz
La previsión automática es altamente computacional pero factible con tecnología moderna. El proceso implica:
- Segmentación de datos: Dividir los datos históricos en segmentos ayuda a gestionar y aprovechar diferentes aspectos de los datos históricos para realizar pronósticos más precisos. Por ejemplo, para un producto con demanda estacional, los datos pueden segmentarse por temporadas para capturar tendencias y patrones específicos de cada temporada. Esta segmentación permite a los pronosticadores hacer y probar pronósticos de manera más efectiva.
- Simulaciones repetidas: El uso de simulaciones deslizantes implica probar y refinar pronósticos repetidamente durante diferentes períodos. Este método valida la precisión de los métodos de pronóstico aplicándolos a diferentes segmentos de datos. Un ejemplo es el método de ventana deslizante, donde una ventana de tamaño fijo se mueve a través de los datos de la serie temporal, generando pronósticos para cada posición para evaluar el desempeño.
- Optimización de parámetros: La optimización de parámetros implica probar múltiples variantes de cada método de pronóstico para encontrar el que tenga mejor rendimiento. Al ajustar parámetros, como el factor de suavizado en los métodos de suavizado exponencial o el número de observaciones pasadas en los modelos ARIMA, los pronosticadores pueden ajustar los modelos para mejorar el rendimiento.
Por ejemplo, en nuestro software permitimos que varios métodos de pronóstico compitan por el mejor desempeño en un elemento determinado. El conocimiento de la previsión automática se traslada inmediatamente a la media móvil simple, la media móvil lineal, el suavizado exponencial único, el suavizado exponencial doble, el suavizado exponencial de Winters y el pronóstico promocional. Esta competencia garantiza que se seleccione el método más adecuado basándose en evidencia empírica, no en juicios subjetivos. El ganador del torneo es el método más cercano a predecir valores de datos nuevos a partir de los antiguos. La precisión se mide mediante el error absoluto promedio (es decir, el error promedio, ignorando los signos menos). El promedio se calcula sobre un conjunto de pronósticos, cada uno usando una porción de los datos, en un proceso conocido como simulación deslizante, que hemos explicado anteriormente en un blog anterior.
Métodos utilizados en la previsión automática
Normalmente, hay seis métodos de pronóstico extrapolativo que compiten en el torneo de pronóstico automático:
- media móvil simple
- Media móvil lineal
- Suavizado exponencial simple
- Suavizado exponencial doble
- Versión aditiva del suavizado exponencial de Winters
- Versión multiplicativa del suavizado exponencial de Winters
Los dos últimos métodos son apropiados para series estacionales; sin embargo, quedan automáticamente excluidos del torneo si hay menos de dos ciclos estacionales completos de datos (por ejemplo, menos de 24 períodos de datos mensuales u ocho períodos de datos trimestrales). Estos seis métodos clásicos basados en suavizado han demostrado ser fáciles de entender, fáciles de calcular y precisos. Puedes excluir cualquiera de estos métodos del torneo si tienes preferencia por algunos de los competidores y no por otros.
La previsión automática de datos de series temporales es esencial para gestionar proyecciones de demanda a gran escala de manera eficiente y precisa. Las empresas pueden lograr una mayor precisión de los pronósticos y optimizar sus procesos de planificación automatizando la selección de métodos de pronóstico y utilizando técnicas como el análisis de reservas y los torneos de pronóstico. Adoptar estas técnicas avanzadas de pronóstico garantiza que las empresas se mantengan a la vanguardia en entornos de mercado dinámicos y tomen decisiones informadas basadas en proyecciones de datos confiables.
El vicepresidente de investigación de Smart Software presentará en la conferencia Business Analytics, INFORMS 2022
El Dr. Tom Willemain dirigirá la sesión INFORMS “Dominando el campo de batalla del inventario: luchando contra la aleatoriedad con la aleatoriedad.”
Belmont, Massachusetts, marzo de 2022 – Smart Software, Inc., proveedor de soluciones de optimización de inventario, planificación y pronóstico de demanda líderes en la industria, anunció hoy que Tom Willemain, vicepresidente de investigación, presentará en la conferencia INFORMS Business Analytics, del 3 al 5 de abril de 2022, en Houston, TX.
El Dr. Willemain presentará una sesión sobre cómo los análisis de próxima generación arman a los líderes de la cadena de suministro en fabricación, distribución y MRO con herramientas para luchar contra la aleatoriedad en la demanda y el suministro. Durante su sesión detallará las siguientes tecnologías:
(1) Filtrado de cambio de régimen para mantener la relevancia de los datos frente a cambios repentinos en el entorno operativo.
(2) Métodos de arranque para generar grandes cantidades de demanda realista y escenarios de tiempo de entrega para alimentar modelos.
(3) Simulaciones de eventos discretos para procesar los escenarios de entrada y exponer los vínculos entre las acciones de gestión y los indicadores clave de rendimiento.
(4) Optimización estocástica basada en experimentos de simulación para ajustar cada elemento para obtener los mejores resultados.
Sin los análisis, los propietarios del inventario tienen dos opciones: apegarse a políticas operativas rígidas, generalmente basadas en reglas generales obsoletas e inválidas, o recurrir a conjeturas subjetivas e intuitivas que pueden no ayudar y no escalan.
Como la principal Conferencia de Business Analytics, INFORMS brinda la oportunidad de interactuar con los mejores investigadores y profesionales de pronósticos del mundo. La asistencia es lo suficientemente grande como para atraer a los mejores en el campo, pero lo suficientemente pequeña como para reunirse y discutir uno a uno. Además, la conferencia presenta contenido de los principales profesionales de análisis que comparten y muestran las principales aplicaciones de análisis que salvan vidas, ahorran dinero y resuelven problemas.
Acerca del Dr. Thomas Willemain
El Dr. Thomas Reed Willemain se desempeñó como consultor experto en estadística de la Agencia de Seguridad Nacional (NSA) en Ft. Meade, MD, y como miembro del personal de investigación adjunto en un grupo de expertos afiliado, el Instituto para el Centro de Análisis de Defensa para las Ciencias de la Computación (IDA/CCS). Es profesor emérito de ingeniería industrial y de sistemas en el Instituto Politécnico Rensselaer, y anteriormente ocupó cargos docentes en la Escuela de Gobierno Kennedy de Harvard y el Instituto de Tecnología de Massachusetts. También es cofundador y vicepresidente sénior/investigación de Smart Software, Inc. Es miembro de la Asociación de ex oficiales de inteligencia, la Sociedad de investigación de operaciones militares, la Asociación estadounidense de estadística y varias otras organizaciones profesionales. Willemain recibió el título de BSE (summa cum laude, Phi Beta Kappa) de la Universidad de Princeton y el MS y Ph.D. grados del Instituto de Tecnología de Massachusetts. Sus otros libros incluyen: Métodos estadísticos para planificadores, Análisis de sistemas médicos de emergencia (con RC Larson) y 80 artículos en revistas revisadas por pares sobre estadísticas, investigación operativa, atención médica y otros temas. Para obtener más información, envíe un correo electrónico a: TomW@SmartCorp.com o visite www.TomWillemain.com.
Acerca de Smart Software, Inc.
Fundada en 1981, Smart Software, Inc. es líder en brindar a las empresas soluciones de optimización de inventario, planificación y previsión de la demanda para toda la empresa. Las soluciones de optimización de inventario y pronóstico de la demanda de Smart Software han ayudado a miles de usuarios en todo el mundo, incluidos clientes de empresas medianas y compañías Fortune 500, como Disney, Arizona Public Service y Ameren. La planificación y optimización inteligente del inventario brinda a los planificadores de la demanda las herramientas para manejar la estacionalidad de las ventas, las promociones, los productos nuevos y antiguos, las jerarquías multidimensionales y las piezas de servicio y bienes de capital con demanda intermitente. También proporciona a los administradores de inventario estimaciones precisas del inventario óptimo y del stock de seguridad necesarios para cumplir con los pedidos futuros y lograr los niveles de servicio deseados. Smart Software tiene su sede en Belmont, Massachusetts, y se puede encontrar en la World Wide Web en www.smartcorp.com.
SmartForecasts y Smart IP&O son marcas comerciales registradas de Smart Software, Inc. Todas las demás marcas comerciales son propiedad de sus respectivos dueños.
Para obtener más información, comuníquese con Smart Software, Inc., Four Hill Road, Belmont, MA 02478.
Teléfono: 1-800-SMART-99 (800-762-7899); FAX: 1-617-489-2748; Correo electrónico: info@smartcorp.com
El vicepresidente de investigación de Smart Software presentará en la conferencia Business Analytics, INFORMS 2021
El Dr. Tom Willemain dirigirá la sesión INFORMS sobre Generación de Escenarios Probabilísticos de Series Temporales
Belmont, Mass., marzo de 2021: Smart Software, Inc., proveedor de soluciones de optimización de inventario, planificación y pronóstico de demanda líderes en la industria, anunció hoy que Tom Willemain, vicepresidente de investigación, presentará en la Conferencia de análisis de negocios Virtual INFORMS 2021 del 12 al 14 de abril.
El Dr. Willemain presentará una sesión sobre Escenarios Probabilísticos de Series Temporales y cómo se utilizan, evalúan y generan automáticamente dichos escenarios mediante el arranque estadístico. Con frecuencia, los modelos OR que respaldan las decisiones comerciales se alimentan de cantidades masivas de escenarios probabilísticos que representan las condiciones operativas futuras. Por ejemplo, con negocios que operan a niveles cada vez más bajos de agregación y frecuencias cada vez más altas, la planificación de la demanda y la optimización del inventario ahora usan modelos impulsados por escenarios que representan la aleatoriedad de la demanda del producto a escala diaria. El Dr. Willemain explicará cómo incluso las tareas de decisión triviales, como la formación del operador, se benefician de un gran número de escenarios de formación realistas.
Como la principal Conferencia de Business Analytics, INFORMS brinda la oportunidad de interactuar con los principales investigadores y profesionales de pronósticos del mundo. La asistencia es lo suficientemente grande como para atraer a los mejores en el campo, pero lo suficientemente pequeña como para reunirse y discutir uno a uno. La conferencia presenta contenido de los principales profesionales de análisis, que comparten y muestran las principales aplicaciones de análisis que salvan vidas, ahorran dinero y resuelven problemas.
Además, para el contenido de análisis de vanguardia, la conferencia de análisis virtual reconoce y prioriza la necesidad de interacciones, redes y colaboración "cara a cara" de calidad en un entorno virtual.
Acerca del Dr. Thomas Willemain
El Dr. Thomas Reed Willemain se desempeñó como consultor experto en estadística de la Agencia de Seguridad Nacional (NSA) en Ft. Meade, MD, y como miembro del personal de investigación adjunto en un grupo de expertos afiliado, el Instituto para el Centro de Análisis de Defensa para las Ciencias de la Computación (IDA/CCS). Es profesor emérito de ingeniería industrial y de sistemas en el Instituto Politécnico Rensselaer, y anteriormente ocupó cargos docentes en la Escuela de Gobierno Kennedy de Harvard y el Instituto de Tecnología de Massachusetts. También es cofundador y vicepresidente sénior/investigación de Smart Software, Inc. Es miembro de la Asociación de ex oficiales de inteligencia, la Sociedad de investigación de operaciones militares, la Asociación estadounidense de estadística y varias otras organizaciones profesionales. Willemain recibió el título de BSE (summa cum laude, Phi Beta Kappa) de la Universidad de Princeton y el MS y Ph.D. grados del Instituto de Tecnología de Massachusetts. Sus otros libros incluyen: Métodos estadísticos para planificadores, Análisis de sistemas médicos de emergencia (con RC Larson) y 80 artículos en revistas revisadas por pares sobre estadísticas, investigación operativa, atención médica y otros temas. Para obtener más información, envíe un correo electrónico a: TomW@SmartCorp.com o visite www.TomWillemain.com.
Acerca de Smart Software, Inc.
Fundada en 1981, Smart Software, Inc. es líder en brindar a las empresas soluciones de optimización de inventario, planificación y previsión de la demanda para toda la empresa. Las soluciones de optimización de inventario y pronóstico de demanda de Smart Software han ayudado a miles de usuarios en todo el mundo, incluidos clientes de empresas medianas y compañías Fortune 500, como Disney, Siemens, Metro Transit, APS y la Cruz Roja Americana. La planificación y optimización inteligente del inventario brinda a los planificadores de la demanda las herramientas para manejar la estacionalidad de las ventas, las promociones, los productos nuevos y antiguos, las jerarquías multidimensionales y las piezas de servicio y bienes de capital con demanda intermitente. También proporciona a los administradores de inventario estimaciones precisas del inventario óptimo y del stock de seguridad necesarios para cumplir con los pedidos futuros y lograr los niveles de servicio deseados. Smart Software tiene su sede en Belmont, Massachusetts, y se puede encontrar en la World Wide Web en www.smartcorp.com.
SmartForecasts y Smart IP&O son marcas comerciales registradas de Smart Software, Inc. Todas las demás marcas comerciales son propiedad de sus respectivos dueños.
Para obtener más información, comuníquese con Smart Software, Inc., Four Hill Road, Belmont, MA 02478.
Teléfono: 1-800-SMART-99 (800-762-7899); FAX: 1-617-489-2748; Correo electrónico: info@smartcorp.com
Recurso recomendado: 'Pronóstico práctico de series de tiempo: una guía práctica', por Galit Schmueli
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.
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.
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.
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.