Análisis Predictivo

Cada proyecto predictivo comienza con una especificación escrita de la decisión. ¿Qué decisión informará el modelo? ¿Quién la toma? ¿Cuál es el coste de un error en cualquier dirección? ¿Con qué rapidez necesita el tomador de decisiones la predicción y a qué nivel de granularidad? ¿Cuál es el proceso actual que se aumentará o reemplazará, y qué tan bueno es según la misma métrica? Sin estas respuestas, el trabajo de modelado tiende hacia la métrica que el científico de datos se siente más cómodo optimizando; con ellas, cada compensación posterior tiene un punto de referencia.

Somos particularmente atentos a los costes asimétricos. En la previsión de demanda, una previsión excesiva de stock perecedero cuesta diferente de una previsión insuficiente de un producto estrella; en el modelado de abandono, un falso positivo puede activar una costosa oferta de retención, mientras que un falso negativo pierde un cliente por completo. Diseñamos funciones de pérdida, umbrales de decisión y requisitos de confianza para reflejar explícitamente esas asimetrías, en lugar de depender de una métrica simétrica predeterminada para complacer al modelo.

El horizonte se trata con un cuidado similar. Un pronóstico a corto plazo y un pronóstico a largo plazo suelen ser problemas diferentes, que requieren características y modelos diferentes. Nos resistimos a la tentación de pretender que un solo modelo cubra todos los horizontes, y construimos la interfaz de planificación para exponer el horizonte explícitamente.

• Especificación de decisiones antes del modelado
• Ajuste asimétrico de pérdidas y umbrales
• Selección de modelos apropiados para el horizonte
• Estructuras jerárquicas (región, canal, SKU)
• Estrategias de arranque en frío para nuevas entidades
• Flujos de trabajo de anulación para el juicio humano

Nuestra práctica se basa en el conjunto completo de herramientas predictivas: suavizado exponencial clásico y ARIMA donde la simplicidad prevalece; árboles potenciados por gradiente con una rica ingeniería de características para problemas tabulares; modelos de espacio de estados y series temporales estructurales bayesianas para pronósticos interpretables y probabilísticos; modelos profundos globales modernos como Temporal Fusion Transformers, N-BEATS y DeepAR donde el aprendizaje a través de series ayuda; modelos de supervivencia para problemas de tiempo hasta el evento; y bosques de aislamiento, autoencoders y métodos probabilísticos para la detección de anomalías. Cada uno tiene un dominio en el que es la respuesta correcta.

Somos particularmente aficionados a la previsión probabilística. Un pronóstico puntual obliga a los tomadores de decisiones a actuar como si el futuro fuera cierto; un pronóstico probabilístico les permite valorar explícitamente el riesgo. Los pronósticos de cuantiles, los intervalos de predicción y las distribuciones predictivas completas permiten políticas de inventario, decisiones de capacidad y estrategias de precios que los pronósticos puntuales no pueden respaldar. El esfuerzo de ingeniería adicional es modesto y el beneficio operativo es grande.

También prestamos mucha atención a la reconciliación jerárquica. Los pronósticos producidos independientemente en diferentes niveles de una jerarquía empresarial —país, región, tienda; marca, categoría, SKU— casi nunca son coherentes entre sí. Los métodos de reconciliación (MinT, combinaciones de arriba hacia abajo, de abajo hacia arriba) restauran la coherencia y casi siempre mejoran la precisión al mismo tiempo.

“Un pronóstico probabilístico bien calibrado vale más que un pronóstico puntual ligeramente más preciso.”

La mayoría de los proyectos predictivos fallan en su primer contacto con la producción no porque el modelo sea malo, sino porque la evaluación se realizó con una métrica que no representaba el coste operativo de equivocarse. Diseñamos sistemas de evaluación que reflejan el entorno de implementación: validación cruzada con origen rodante que respeta el tiempo, períodos de exclusión que incluyen los patrones estacionales que el modelo enfrentará, y métricas que incorporan los costes asimétricos identificados durante la definición.

Realizamos pruebas retrospectivas de forma agresiva, incluso contra la línea base deliberada de hacer lo que el negocio hace actualmente. Un nuevo modelo que supera una línea base sofisticada por un pequeño margen es mucho más impresionante —y mucho más fiable— que uno que supera a un modelo de referencia deficiente por uno grande. Siempre que es posible, recreamos decisiones históricas y medimos el coste monetario de la predicción del modelo frente al coste de la decisión realmente tomada en ese momento.

La calibración recibe una atención explícita. Un pronóstico probabilístico que promete intervalos del 90% debe contener la verdad aproximadamente el 90% del tiempo, o la planificación que depende de él fallará silenciosamente. Probamos la calibración con datos de retención y la recalibramos cuando es necesario utilizando técnicas como la predicción conforme.

Un pronóstico que reside en un panel de control separado rara vez se utiliza. Integramos los sistemas predictivos directamente en los flujos de trabajo de planificación que deben informar —en el ciclo S&OP, la herramienta de planificación de la demanda, el CRM, la consola del centro de contacto— para que el pronóstico se consuma donde se toma la decisión. Este trabajo de integración suele ser la diferencia entre un modelo que se admira y uno que se utiliza.

La anulación humana se considera una característica, no una señal de fallo. Los planificadores poseen un contexto que el modelo no tiene —el lanzamiento de un competidor, una interrupción de suministro conocida, una decisión de marketing aún no visible en los datos— y un sistema que no puede aceptar su entrada será rápidamente ignorado. Diseñamos interfaces de anulación que capturan la razón de la anulación junto con el valor, para que las anulaciones mismas se conviertan en datos de capacitación para el siguiente ciclo.

La monitorización operativa cubre el error de predicción en producción, la deriva en las distribuciones de entrada y los cambios en el sesgo y la calibración de los pronósticos. Cuando los modelos se reentrenan en un horario, el horario se informa por la tasa de cambio observada; cuando se reentrenan por señal, las condiciones de activación son explícitas y se revisan regularmente.

La mejora de la precisión predictiva se traduce en valor empresarial a través de mecanismos operativos específicos: menor stock de seguridad, mayores niveles de servicio, menos roturas de stock, centros de contacto mejor dotados de personal, gastos de retención más selectivos, decisiones de capacidad más confiadas. Trabajamos con finanzas y operaciones para hacer explícitos estos mecanismos antes de que comience el proyecto y para medirlos después de la implementación, de modo que el valor del sistema pueda defenderse en cualquier futura justificación de negocio.

En todos nuestros proyectos, el resultado más común es una reducción significativa del capital de trabajo inmovilizado en inventario o en reservas conservadoras, junto con una mejora en los niveles de servicio. El segundo más común es la eliminación de un proceso de previsión manual cuyo esfuerzo estaba previamente oculto en la plantilla operativa.