Por Pere Munar, publicado el 13 junio 2023
Dentro del ámbito del data science y del machine learning, las predicciones de series temporales ocupan un lugar muy importante, también si lo aplicamos a las empresas. En este artículo te vamos a contar de qué se tratan y por qué es interesante que las implementes a tu negocio.
¿Qué son las predicciones de series temporales?
Para comprender este concepto es importante, primero, saber a qué nos referimos cuando hablamos de series temporales. Una serie temporal (también denominada serie cronológica) es un conjunto de datos medidos en intervalos de tiempo regulares y ordenados de forma cronológica. Este orden cronológico es, de hecho, lo que las distingue de otro tipo de datos. En este sentido, los datos podrán ser por hora, diarios, mensuales o anuales. La predicción o forecasting aplicada a las series temporales sería, por tanto, una forma de predecir patrones estacionales que se repiten.
Lo que hace especial a las series temporales son dos aspectos:
- Su estacionalidad: suelen tener algún tipo de tendencia a crecer o decrecer en un determinado espacio de tiempo. Imaginemos una tienda de bañadores, la cual vende mucho más en los tres meses de verano que el resto del año.
- Su dependencia del tiempo: son totalmente contrarias a la regresión lineal, las cuales son independientes.
La series temporales pueden ser tanto de una como de múltiples variables, y algunos ejemplos que se suelen representar con series temporales son:
- Ventas mensuales o diarias de una empresa.
- Producción en kilos de una cosecha semestralmente.
- Valor de las acciones de una empresa cada minuto.
- El número de habitaciones ocupadas en un hotel diariamente.
- Predicción de la demanda de un producto. McDonald’s, por ejemplo, ha desarrollado un sistema de recomendación de productos que tiene en cuenta la capacidad de demanda y generación de cada restaurante a cada hora y cada día.
Las series temporales son especialmente utilizadas en el sector retail y en los ecommerce.
¿Por qué son importantes las predicciones de series temporales?
Una de las aplicaciones más interesantes que tienen las predicciones de series temporales, y que más utilizan las empresas, es la de anticiparse a las necesidades del mercado a través del pronóstico de la demanda. Si contamos con suficiente cantidad de datos de, por ejemplo, la afluencia en una tienda o el número de ventas, se pueden desarrollar predicciones muy potentes.
Aunque estos patrones estacionales pueden estar ocasionados por estaciones, momentos o fiestas propias del año como la Navidad, San Valentín o el Black Friday, el forecasting y las series temporales nos pueden ayudar a saber si existe un patrón en los horarios de mayor afluencia en las tiendas físicas o a predecir nuevas suscripciones en los próximos meses.
En definitiva, el forecasting de series temporales es muy útil para planificar futuras acciones y tomar decisiones sólidas basadas en datos. Las empresas que lo implementan pueden anticiparse a las necesidades del mercado y asegurarse de ofrecer a sus clientes lo que realmente quieren.
Si quieres desarrollar el machine learning en tu negocio, en Cyberclick contamos con un equipo de expertos en data science que te ayudará a valorar el potencial de tus datos y a implementar los algoritmos necesarios.
¿De dónde salen los datos del forecasting?
Para poder beneficiarte del poder del data science y su predicción es fundamental la digitalización de tu negocio. A diferencia de los negocios tradicionales, los ecommerce tienen la ventaja de que pueden generar una gran cantidad de datos e información de los clientes y su proceso de compra. Esto quiere decir que no solo pueden obtener información sobre las ventas, sino también sobre las frecuencias de visita a la web, la variación de las ventas a lo largo del tiempo y la forma de navegar por la web de los usuarios, entre muchos otros aspectos.
Toda esta información, así como el forecasting, te va a permitir saber cómo fluctúan tus ventas según los días, las estaciones y los años, y predecir la evolución de tu empresa, pudiendo incluso prever el stock que necesitas para no excederte o quedarte corto.
Algoritmos de predicción de series temporales
Existen muchos algoritmos de forecasting de series temporales, pero de forma general se pueden ordenar en dos grupos:
- Modelos estadísticos: la gran mayoría de ellos suponen que las relaciones entre los datos son lineales, pero no todos.
- Modelos de redes neuronales: son los más adecuados y los más extendidos para hacer predicciones de series temporales.
¿Qué es Prophet y para qué sirve?
Prophet es un modelo desarrollado por Facebook que está muy extendido en el forecasting de series temporales y ha sido desarrollado tanto para Python como para R. La compañía ha creado este paquete con el objetivo de ofrecer a los usuarios una herramienta intuitiva, fácil de usar y potente para que puedan predecir resultados de su negocio. Haciendo clic aquí lo puedes descargar.
El algoritmo que utiliza Prophet es muy interesante, ya que tiene en cuenta la estacionalidad y la tendencia, dos componentes de las series temporales que son muy difíciles de cuantificar. Además, su relación precisión/velocidad es muy alta.
Por otro lado, Prophet es de fácil descomposición, lo que quiere decir que es fácilmente interpretable y se pueden extraer los coeficientes de los componentes del modelo.
Donde más podemos observar el gran potencial de este modelo es en las series con una estacionalidad y tendencia marcada o en series estacionarias. Por ello, cuanto más aleatoria sea la muestra, peores resultados obtendremos.
Y lo mejor de Prophet es, sin duda, que no necesitas conocimientos matemáticos para configurarlo.
Esperamos haberte ayudado a conocer un poco más el mundo de las predicciones, del data science y del machine learning y haberte animado a que lo pongas en marcha en tu negocio si todavía no lo has hecho. Los beneficios que te traerán serán muy notables, tanto a nivel de organización interna como de consecución de objetivos en el ámbito externo. De nuevo, en Cyberclick podemos ser tu partner y poner a tu disposición a nuestro equipo de data scientists para que te ayude no solo a conseguir datos, sino a que estos aporten información de valor.
