Valerie Florez M.

2903829

PRONÓSTICO DE SERIES TEMPORALES DE VENTAS DE ARTÍCULOS DE

TEMPORADA UTILIZANDO APRENDIZAJE AUTOMÁTICO: UN ANÁLISIS
COMPARATIVO

Los pronósticos juega un papel fundamental dentro de las empresas, es por esto que se
investiga una serie de datos públicos, los cuales contiene el historial de ventas de una tienda
minorista y a partir de estos datos sobre muebles para el hogar se emplearon distintas
técnicas clásicas para el pronóstico de series temporales y posteriormente se aplicaron
técnicas más avanzadas, para poder conocer la precisión de los métodos se utilizó distintos
indicadores de precisión como el error cuadrático medio, el error porcentual entre otros. Se
precisa que en la actualidad los pronósticos representan una parte importante en las
empresas más específicamente en la influencia de sus ventas, ya que puede ser útil a la
hora de gestionar el inventario en el cual puede evitarse la sobreproducción y a su vez
reducir el exceso de existencias por otro lado, es una herramienta que permite aumentar la
rentabilidad de una empresa haciendo una proyección en los costos.
En la investigación se tuvieron en cuenta un conjunto de datos de una tienda minorista
desdé inicio del 2014 hasta finales del 2017, los productos de estos datos se dividen en tres
categorías, los cuales son artículos de piscina, tecnología y muebles, para la categoría de
muebles se planea pronosticar sus ventas futuras dado que esté mantiene el factor de
estacionalidad por lo cual permite generar la proyección y puede ayudar a predecir la
demanda futura.
Los muebles son un artículo indispensable ya sea en casas u oficinas de cualquier parte
del mundo, por estas razones las personas necesitan muebles para complementar sus
espacios, en los años recientes se conoce un desarrollo tanto en el diseño como la
fabricación de muebles, que ocasiona un aumento en su demanda y más en aquellos
muebles que presentan multifuncionalidad acompañados de los muebles de alta calidad.
Presentan datos sobre el valor del mercado a nivel mundial de muebles fue de $ 564,17 mil
millones en 2020, y de $ 671,07 mil millones en 2021, dadas las condiciones en las que se
presentó la pandemia en el 2021 ocasionada por el covid-19 genero un impacto en esta
industria y ocasionó que las ventas fueran impulsadas de manera masiva dada las
condiciones tanto de estudio como de trabajo qué se debían realizar desde casa.
La investigación tiene como objetivo utilizar los datos de los años mencionados para poder
predecir las ventas futuras de los muebles, el pronóstico de series temporales estacionales
presenta un papel fundamental a la hora de tomar decisiones estratégicas y poder llegar a
planear actividades futuras. El conjunto de datos tiene 9994 puntos 21 características y sin
valores nulos, cuenta con atributos como: el ID del pedido, la fecha del envío, la fecha de
pedido, el nombre del cliente, su ID, la ciudad o país, estado, región, la categoría, venta,
descuento, las cantidades, entre otros. A partir de esto el único atributo que muestra
estacionalidad es el de las ventas, dado que es la categoría que cuenta con más datos y
se observa que en la temporada vacaciones de invierno alcanza su punto más alto dado
todos los descuentos y ofertas que se presentan durante las festividades para alentar los
clientes, es importante que sea una serie de tiempo estacionaria supuesto que sus
características estadísticas continúan de manera constante en el tiempo y muestra que
existe una alta probabilidad de que repita su comportamiento en el futuro y permite que su
pronóstico sea más sencillo de realizar.
En el informe emplean distintos modelos y el cual muestre un resultado más preciso será
seleccionado como el mejor modelo, para poder medir el desempeño de los modelos se
utilizó el error cuadrático medio el cual determina el promedio de los valores de error
elevados al cuadrado, después está raíz del error cuadrático medio y por último el error
porcentual absoluto medio.
Los primeros modelos de pronósticos empleados fueron modelos clásicos, los cuales son:
ARMA, ARIMA Y SARIMA. El primero es la media móvil autorregresiva y se produce
mediante la unión de dos partes, la primera es un modelo autorregresivo donde la variable
dependiente regrese sí misma en un periodo de tiempo determinado, y la media móvil qué
son los retrocesos qué son representados por procesos aleatorios. ARIMA es el promedio
móvil integrado progresivo el cuál es el método de pronóstico de series de tiempo que
funciona por medio de modelos autorregresivos y un promedio móvil, el valor futuro es una
combinación lineal entre los valores anteriores y los errores aleatorios. SARIMA es el
promedio móvil integrado progresivo estacional este es realizado para la componente
regular no estacional funciona similar a ARIMA presentando está diferencia, además el
parámetro estacional a su vez se puede definir como la duración de un ciclo.
Profeta o PROPHET es un modelo de pronóstico de series temporales realizado por
Facebook el cual es de código abierto, este modelo se configura en un modelo aditivo el
cual está diseñado para realizar pronósticos de alta calidad a partir de series de tiempo por
hora, día o semana, el cual debe contar con al menos un historial de algunos meses,
además de esto puede llegar a realizar predicciones sobre patrones futuros de series de
tiempo que puedan llegar a contener fluctuaciones de tendencias y presentar valores
atípicos o faltantes. Para este método se debió modelar la serie temporal con distintos
parámetros específicos, una vez obtenido el pronóstico se evalúa su desempeño y después
se muestran los resultados, si se obtiene un rendimiento deficiente se informa al analista al
mando el cual pueda reajustar el modelo, después de realizar los ajustes se realiza el
pronóstico donde se muestran los resultados en un marco de datos, se ven distintas
columnas dónde está el valor real pronosticado y los niveles de incertidumbre.
La red neuronal artificial permite aprender los datos, identificar el patrón y de esta manera
poder predecir las relaciones complejas con una precisión alta, está conformada por tres
capas, la primera es la entrada de observación, la siguiente es la que procesa la información
recibida de la capa anterior y la última es la capa de salida, la cuál es la predicción real,
esta capa de salida se da mediante la suma ponderada de las entradas, sumando el sesgo
específico establecido, lo más complicado para poder realizar el pronóstico en este método
es elegir los parámetros como número de capas, el número de unidades y las conexiones
entre ellas para que se pueda dar un pronóstico preciso.
Por último está la red de memoria a largo plazo el cual es una solución para la red neuronal
artificial la cual presenta un problema donde después de agregar muchas capas ocultas
toda la multiplicación los resultados pueden llegar a desaparecer, es decir que puede llegar
a ocurrir un gradiente que se desvanece, para esto se debe realizar una escala en el
conjunto de datos de un rango de 0 a 1, después es posible realizar el diseño del modelo
dónde se ajusta, una vez esto es realizado se puede utilizar para el propósito que tiene.
En los resultados de los modelos clásicos de series de tiempo se observa que ninguno de
ellos pudo aprender el patrón de estacionalidad lo cual puede detectar el crecimiento de las
ventas al final del año, al comparar los indicativos de errores se observa qué ARMA es
levemente mejor, en el caso de los modelos de la familia ARIMA el modelo SARIMA fue el
que presentó un mejor desempeño en el MAPE y se evidencia que esté puede capturar la
estacionalidad en la venta de muebles en el cierre del año.
Los resultados del método Profeta, conociendo qué es método de pronóstico muy nuevo se
utilizaron dos modelos, el primero se establece el componente estacional anual como
verdadero y en el segundo se busca mejorar los resultados del modelo anterior a partir de
la definición del argumento de vacaciones, el cual es una herramienta que tiene el método,
después de realizar estos ajustes y realizar la proyección, el programa genera una tabla
como resultados con el valor predicho real y a su vez indica los niveles de incertidumbre,
se comprueba que los ajustes realizados al primer método dieron resultados en el segundo
alcanzando unos indicadores de errores con disminución en un 4% a comparación del
método SARIMA que fue el mejor método entre los clásicos esto establece que el método
profeta es mejor que el método SARIMA.
En la red neuronal se evidenciaron diferencias en los resultados entre los dos métodos y
para poder llegar a los estados estables se obtuvo como resultado final el promedio de los
procesos de capacitación y prueba que fueron repetidos 20 veces, una vez ajustados los
modelos muestran resultados de la predicción un rendimiento bueno y cercano en
comparación con los métodos clásicos y el modelo PROPHET.
Para poder realizar una buena proyección es sumamente importante saber y conocer qué
modelo puede generar los mejores resultados, dado que una estimación precisa el futuro
puede dar pasó a que una empresa pueda impulsar su trabajo, después de haber realizado
el pronóstico de ventas de muebles con distintos métodos se llegaron a las siguientes
conclusiones, en primera instancia la mayoría de métodos de redes neuronales han
mostrado un mejor desempeño que los métodos de pronóstico clásicos mostrando que el
mejor método es el de Red de memoria a largo plazo de red neuronal sin embargo, es
importante mencionar que los hallazgos en los resultados muestran una utilidad potencial
en el modelo PROPHET por Facebook conociendo el objetivo de este método el cual es
producir pronósticos rápidos y precisos se demuestra que lleva a cabalidad su función de
manera eficiente e incluso es mejor que los métodos clásicos y haciendo uso del factor de
vacaciones este mejora su rendimiento.
Es importante recalcar que los resultados dependen del conjunto de datos que se hayan
seleccionado en primera instancia, existe la posibilidad de utilizar estos mismos modelos
en otras series temporales estacionales, pero siempre requiere ajustar los parámetros y
hallar el modelo de pronóstico más óptimo, es importante siempre comparar los
rendimientos de los distintos modelos aplicados para llegar al mejor resultado.
REFERENCIAS
Ensafi, Y., Amin, S. H., Zhang, G., & Shah, B. (2022). Time-series forecasting of seasonal items sales
using machine learning–A comparative analysis. International Journal of Information Management
Data Insights, 2(1), 100058.