Ganancias:
- Capacidad para distinguir métodos de previsión de la demanda (media móvil, suavización exponencial, estacionalidad)
- Capacidad para configurar escenarios de predicción con IA y evaluar la precisión con métricas como MAPE/MAE
- Capacidad para cotejar los resultados de las previsiones con el contexto empresarial y los efectos promocionales/estacionales.
La previsión de la demanda es la base sobre la que se sustenta la planificación de la producción, la gestión de inventarios y toda la cadena de suministro. Hacer pronósticos incorrectos es costoso en ambos sentidos: sobreestimar genera costos de inventario y desperdicio, subestimar conduce a pérdida de ventas e insatisfacción del cliente. La inteligencia artificial ayuda en muchos lugares del proceso de pronóstico, desde elegir un método hasta interpretar datos históricos y generar escenarios; Pero ver el pronóstico como una "bola de cristal mágica" es el mayor error. En esta unidad, cubriremos los métodos de pronóstico clásicos, cómo construirlos correctamente con IA y cómo medir la precisión.
Breve mapa de métodos de pronóstico
No todas las series de demandas se comportan igual; Algunos son planos, otros tienen tendencias, otros son estacionales. Es necesario elegir el método según la serie.
Método
¿Cuándo es apropiado?
Atención
Ingenuo (último valor)
A modo de comparación (punto de referencia)
No sigue la tendencia/temporada
media móvil
Serie estática y ruidosa.
Reacciona tarde a la tendencia
Suavizado exponencial (SES)
Series estacionarias, énfasis en datos cercanos.
Bueno si no hay tendencia.
Holt (doble exponencial)
Serie de moda
No pilla la temporada
Holt-Winters
Tendencia + estacionalidad
Requiere suficientes datos históricos
Regresión/ML
Promoción multivariable y eficaz.
Riesgo de sobreajuste
Consejo: comience siempre con una suposición "ingenua". Si su modelo complejo no es mejor que la suposición ingenua, no vale la pena cargar con la complejidad. Naive es un punto de referencia gratuito para medir la precisión.
¿Cómo medimos la precisión? (Métricas)
La precisión de la predicción no se puede mejorar sin medirla. Las métricas más comunes:
- MAE (Error absoluto medio): El promedio del valor absoluto de los errores. La unidad es la misma que la unidad de demanda.
- RMSE (Root Mean Square Error): Penaliza más los errores más grandes.
- MAPE (Error porcentual absoluto medio): en porcentaje; Bueno para comparar entre artículos, pero distorsionado cuando la demanda es cercana a cero.
- Sesgo: error promedio; Indica si usted sobreestima o subestima constantemente.
Una pequeña cuenta de muestra. Sea la demanda real [100, 120, 90] y la prevista [110, 115, 100]:
Errores (reales - pronóstico): -10, +5, -10Errores absolutos: 10, 5, 10 → MAE = 25 / 3 ≈ 8.33Errores porcentuales: 10/100, 5/120, 10/90 = 10%, 4.17%, 11.11%MAPE = (10 + 4.17 + 11.11) / 3 ≈ 8,43%Sesgo = (-10 + 5 - 10) / 3 = -5 → sobreestimación en promedio (predicción > real)
Un sesgo negativo (estimación verdadera menos) indica que la estimación está constantemente sobreestimada; Esto significa inflación de inventarios. Estos errores direccionales pueden ocultarse en MAPE, por lo que se analizan juntos.
Construyendo el proceso de pronóstico con IA
Puede utilizar la IA de manera más eficiente en dos lugares: (1) para observar datos y sugerir el método apropiado y las acciones a tomar, y (2) para generar código predictivo. Para sugerencias de métodos:
Rol: Eres un ingeniero industrial con experiencia en previsión de la demanda. Tarea: Examine la serie de ventas mensuales a continuación y recomiende el método de pronóstico apropiado. Evalúa si existe tendencia y estacionalidad, escribe tu justificación. Datos (mensuales, últimos 24 meses): {{ valores }}Información adicional: Hay promoción en diciembre, la demanda disminuye en los meses de verano. El resultado que quiero:1. Comentar sobre el carácter de la serie (estable/tendencia/estacional).2. 2 métodos recomendados y por qué.3. ¿Qué métrica de precisión debo rastrear?4. Errores que debo tener en cuenta (valores atípicos, efecto promocional). Regla: no prometa precisión absoluta sin ver los datos.
Aviso débil / Aviso fuerte
Aviso débil:
¿Cuánto venderé el próximo mes?
Esto no contiene datos ni contexto; La IA lo rechaza o devuelve un número completamente inventado. Este tipo de resultados son peligrosos porque parecen dignos de confianza.
Potente mensaje:
Predice los próximos 3 meses usando la lógica de Holt-Winters con esta serie de 24 meses. La duración de la temporada es 12. Primero escriba los supuestos del método, luego proporcione el pronóstico y luego calcule el MAPE realizando una prueba retrospectiva de los últimos 6 meses. Marca los meses de promoción por separado. Datos: {{... }}
El segundo mensaje pregunta tanto por la predicción como por cuánta confianza confiar en esa predicción (backtesting). Esto transforma la predicción de un “oráculo” a una herramienta mensurable.
Backtesting: medida de confianza en la predicción
La verdadera prueba de la predicción está en el pasado, no en el futuro. Divides los datos que tienes en dos: construcción de modelos (entrenamiento) y pruebas. Construyes el modelo con la primera pieza, predices el siguiente período y lo comparas con la realidad. Esta lógica de “resistencia” revela si un modelo realmente está funcionando o no.
Configure un plan de backtest simple para la siguiente serie: reserve los últimos 6 meses como prueba, entrene 3 métodos diferentes (naive, SES, Holt-Winters) con los datos restantes, calcule MAPE y sesgo para cada uno durante el período de prueba y haga una tabla de comparación. Escribe el método ganador y su justificación.
Cuidado: la IA a veces puede "predecir" los resultados de las pruebas retrospectivas y presentarle un gráfico ya preparado; es decir, puede inventar números que parecen razonables sin tener que calcularlos realmente. Asegúrese de reproducir los resultados numéricos con código (Python/Excel). Un modelo de lenguaje no realiza aritmética larga de manera confiable.
Mini Caso: Exceso de Existencias de Producto de Temporada
Una empresa de distribución de alimentos se queja de tener demasiado stock de un producto de temporada como el helado todos los años en invierno. La ingeniera industrial Elif entrega 3 años de datos mensuales a la IA y le pide que evalúe el carácter de la serie. La IA detecta una fuerte estacionalidad (pico de verano) y una ligera tendencia de crecimiento anual, sugiere Holt-Winters. Elif genera la predicción en Python y la realiza una prueba retrospectiva: MAPE es del 14 %, pero el sesgo es significativamente negativo: el modelo sobrepredice constantemente. Cuando investiga por qué, descubre que confundió un período de campaña en los datos históricos como "normal" y enseñó al modelo una base demasiado alta. Cuando eliminamos el efecto de campaña y reconstruimos el modelo, el sesgo disminuye y el stock de invierno disminuye significativamente. Lección: La IA sugirió el método correctamente, pero fue trabajo humano limpiar los datos e interpretar el sesgo.
Errores comunes
- No realizar un seguimiento de las métricas: estimar y nunca medir la precisión. La predicción sin medición no se puede mejorar.
- Solo mirando MAPE: ignorando el sesgo. El error direccional (sistemático) infla silenciosamente el inventario.
- Confundir los números elaborados por la IA con los cálculos: no validar los valores de backtest y métricas con código.
- No limpiar el valor atípico/promoción: confundir una campaña única con una demanda normal y enseñársela al modelo.
- Sobreajuste: cuando un modelo complejo encaja perfectamente en el pasado pero funciona mal en el futuro. Mantenga el modelo simple como punto de referencia.
En resumen
- Elija el método de pronóstico según el carácter de la serie (estacionario, de tendencia, estacional); Empiece siempre comparándose con un ingenuo.
- Mida la precisión con MAE/RMSE/MAPE, pero también controle el sesgo: el error direccional es el más caro.
- Utilice IA para recomendar métodos y generar códigos; Configure el pronóstico como una herramienta mensurable, no como una "profecía".
- El backtesting es la prueba real de cuánta confianza puede tener un modelo; Asegúrese de verificar los resultados numéricos con el código.
- Es trabajo del ser humano limpiar los datos (valores atípicos, promoción) e interpretar el resultado; La IA se salta estos pasos.
Tarea de aplicación
Tener al menos una serie de demanda de periodo 18-24 (ficción real o realista). Primero, entregue la serie a la IA y pídale que interprete su carácter (tendencia/estacionalidad) y sugiera dos métodos. Luego utilice el potente mensaje del "plan de prueba retrospectiva" para reservar los últimos 6 períodos como pruebas y comparar al menos dos métodos. Paso crítico: vuelva a calcular usted mismo los valores MAPE y de sesgo devueltos por la IA con Excel o Python y compárelos con la salida de la IA. Si encuentra un número que no coincide, anótelo. Finalmente, interprete el signo del sesgo: ¿su modelo está sobreestimando o subestimando, y qué efecto tiene esto en su inventario?