Modelos de Series de Tiempo para Pronósticos de Demanda

Los modelos de series de tiempo son las técnicas de pronósticos que se basan únicamente en la historia de la demanda del ítem que se esta pronosticando. Trabajan capturando los patrones en los datos históricos extrapolándolos en el futuro. Los Modelos de series de tiempo son adecuados cuando se puede asumir una cantidad razonable de datos y una continuidad en el futuro próximo de las condiciones que se presentaron en el pasado. Estos modelos se adaptan mejor al corto plazo del pronóstico. Esto se debe a la hipótesis de que los patrones pasados y las tendencias actuales se asemejan a los patrones y tendencias que se van a presentar en el futuro. Esto es una suposición razonable en el corto plazo, pero va perdiendo validez en el largo plazo.

Modelos muy Simples: Promedios móviles, ¨Igual al año anterior¨, incrementos porcentuales y ajustes a la curva son los modelos de series de tiempo más sencillos los cuales pueden ser utilizados para generar pronósticos. Estos modelos pueden ser implementados a través de hojas de cálculo rápidamente y no requieren un conocimiento experto en estadística por parte del pronosticador, usualmente estos modelos son muy simples y para tener mayor exactitud en el pronóstico las compañías casi siempre deben acudir a modelos alternativos de series de tiempo.

Modelos de suavización exponencial: suavización exponencial es el método seleccionado por la mayoría de empresas. Estos modelos se desempeñan bien en términos de exactitud, son fáciles de aplicar y pueden ser automatizados, permitiendo ser utilizados a gran escala. Los modelos de suavización exponencial capturan y pronostican el nivel de los datos con los diferentes tipos de tendencias y patrones estaciónales. Los modelos son adaptativos y pronostican dando mayor importancia a los datos mas recientes sobre los datos más distantes en el pasado.

Box-Jenkins (modelos ARIMA): Los modelos de Box-Jenkins son similares a los modelos de suavización exponencial en que ambos son adatativos, pueden capturar tendencia y patrones estaciónales y son automatizables, se diferencia en que los modelos Box-Jenkins son basados en autocorrelaciones en lugar de una vista estructural de nivel, tendencia y estacionalidad. Los modelos de Box-Jenkins tienden a obtener mejores resultados que los modelos de suavización exponencial para series de tiempo mas largas y estables no son buenos para datos con ruido y alta volatilidad.

Modelo de demanda intermitente de Croston: El modelo de croston esta específicamente diseñado para series de datos donde la demanda para un periodo determinado a menudo es cero y el calendario exacto de la siguiente orden no se conoce. Los datos se caracterizan por un bajo volumen, productos fabricados especialmente para un cliente específico o piezas de repuesto a menudo presentan este tipo de patrón de la demanda. El pronostico no es milagroso (no van a indicarle cuando se pondrá la próxima orden) sin embargo a menudo producen un mejor pronostico que otros enfoques de series de tiempo.

Seleccionar el modelo de serie de tiempo adecuado para un determinado grupo de datos puede realizarse de varias maneras. Por ejemplo, el pronosticador puede aplicar el modelo adecuado de acuerdo al conocimiento que posee de los datos. Otra alternativa es probar diferentes modelos y seleccionar aquel que dentro o fuera de la muestra minimiza el error.

El algoritmo de selección experta de forecast pro selecciona el modelo adecuado a la serie de tiempo usando una lógica basada en reglas y evaluando el pronóstico generado con modelos diferentes partiendo de una muestra de los datos. Los modelos de series de tiempo considerados en selección experta incluyen las diferentes modelos de suavización exponencial, los modelos de Box/Jenkins, el modelo de demanda intermitente de croston, modelos discretos y promedios móviles