Data Science

Data Science: predicciones de series temporales con machine learning

  • No hay sugerencias porque el campo de búsqueda está vacío.

    Por Pere Munar, publicado en 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.

    * ¿Estás pensando en aplicar el Data Science en tu empresa y tienes dudas?  Clica aquí y cierra con nosotros una asesoría. Te ayudaremos a definir si esta  herramienta encaja con tus objetivos y cómo te puede beneficiar.

    Data Science - predicciones de series temporales con machine learning


    ¿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.

    Asesoria Data Science con Cyberclick

    Pere Munar

    Data Scientist en Cyberclick. PhD en Astrofísica por la Universitat de Barcelona con más de diez años de experiencia en investigación mediante el análisis e interpretación de datos. En 2019 redirige su carrera profesional hacia el mundo del Data Science cursando el Postgrado en Data Science y Big Data de la UB, así como participando en el programa Science To Data Science (S2DS) en Londres. Actualmente forma parte del equipo de Data Science y SEM de Cyberclick. _____________________________________________________________________ Data Scientist at Cyberclick. PhD in Astrophysics from the University of Barcelona with more than ten years of research experience through data analysis and interpretation. In 2019 he redirected his professional career to the world of Data Science by graduating in Data Science and Big Data from the UB, as well as participating in the Science To Data Science (S2DS) program in London. He is currently part of Cyberclick's Data Science and SEM team.