Inicio »
Salescast » Aquí
¿Cómo funciona el motor de pronóstico?
El motor de pronóstico de Lokad es una especie de
caja negra, en el sentido que usted no ve los detalles de cómo se elaboran realmente los pronósticos. Sin embargo, no mantenemos en secreto el panorama general ni la metodología. Echemos un vistazo a lo que se encuentra en el interior. Visite nuestra
página de tecnología de pronósticos y las
preguntas frecuentes sobre la tecnología para ver explicaciones más detalladas.
Nuestra tecnología se vale de cuatro importantes
pilares:
Nuestra
librería de modelos estadísticos contiene más de 100 modelos y constantemente estamos trabajando en el desarrollo de nuevos modelos. Nuestra cartera contiene los
clásicos conocidos, como el modelo autorregresivo, el de media móvil, el de alisado exponencial (doble, triple), el de Box-Jenkins, el de Holt-Winters, el ARMA, el ARIMA, etc. Además, trabajamos con modelos o, como preferimos llamarlos,
métodos muy avanzados, tales como el método bayesiano, el del margen amplio, el de boosting, el de mezcla, el metaheurístico (métodos de algoritmo genético, de redes neuronales, de programación genética y otros abordajes evolutivos/adaptativos), etc.
El
mecanismo de selección del modelo asegura que identifiquemos y apliquemos la mejor combinación de modelos para cada producto de su cartera. Hacemos esto comparando una gran cantidad de modelos entre sí en una especie de
competencia interna para identificar la combinación más precisa. Esto asegura que cada producto se pronostique utilizando el mejor set de modelos que tenemos en nuestra cartera. De hecho, la selección del modelo es, en muchos casos, más difícil que el diseño de los modelos mismos.
Nuestro
método de series de tiempo múltiples se basa sobre la simple idea de que observar un solo producto por vez es un abordaje un tanto
miope para la realización de pronósticos. Por ejemplo, en el pronóstico de la estacionalidad de una barra de chocolate determinada, la estacionalidad de otras barras de chocolate es un fuente de información muy valiosa. Por cada producto individual, analizamos la cartera de productos completa en busca de correlaciones. Al hacerlo, generalmente descubrimos una multitud de patrones que se superponen, como las estacionalidades, las canibalizaciones, las tendencias, los efectos de red, que pueden ayudar a mejorar el pronóstico para ese producto determinado.
Por último, la
computación en la nube ofrece la inmensa cantidad de potencia informática necesaria para hacer que nuestra librería de modelos, nuestro mecanismo de selección y nuestro método de series de tiempo múltiples funcione. Como ejemplo, para producir pronósticos para una muestra de 1000 productos, ya existen aproximadamente 1.000.000 de correlaciones potenciales para analizar. Esto requiere aproximadamente mil veces más potencia de procesamiento si se compara con los kits de herramientas de pronóstico clásicos, que precisamente evitan esta clase de modelos tan demandantes desde el punto de vista informático. Y, de hecho, hemos ganado el primer
Premio al Socio Microsoft Windows Azure del Año a nivel mundial.