Metodología de pronóstico escalable con aprendizaje autónomo, integración en la nube y reportes automatizados

Resumen

El análisis de series de tiempo es una de las herramientas más utilizadas para hacer predicciones basándose en los datos del pasado. En este trabajo se desarrolló una metodología de pronóstico multivariado que supera las dificultades del análisis tradicional de series de tiempo, utilizando nuevas herramientas y estructuras de datos computacionales que facilitan la integración con las aplicaciones empresariales y disminuye la curva de aprendizaje necesaria para obtener buenos pronósticos. La metodología consta de cinco etapas: (1) Importar de datos desde la nube o el dispositivo del usuario, (2) Ordenar y transformar, (3) Visualizar (4) Modelar automáticamente y validar resultados, y (5) Comunicar pronósticos obtenidos mediante un reporte automatizado. La metodología se utilizó en un caso aplicado considerando diez series de tiempo de índices de ventas reales de comercio minorista en Colombia, mostrando mejoras apreciables con un promedio de disminución del error de pronóstico medio absoluto (MAPE) del 50.6%.