Modelos de pronóstico favoritos
¿Qué tipo de modelos de pronóstico están utilizando internamente? Esta es una pregunta que se hace con frecuencia tanto por parte de los clientes como de los socios de Lokad.
Abordar esta pregunta es complicado para nosotros por dos razones:
- Nuestra tecnología es un activo fundamental. Por lo tanto, no tenemos planes de revelar todos los detalles (aunque tampoco somos completamente secretos).
- Nuestra tecnología es compleja. Estamos utilizando muchos modelos y un componente fundamental es precisamente la selección de modelos.
Por lo tanto, en lugar de dar la lista exacta de modelos utilizados por Lokad, voy a enumerar mi propia lista personal de modelos favoritos. No afirmo que estos modelos representen la lista completa de modelos utilizados en Lokad ni que todos estos modelos se utilicen realmente en producción en Lokad; sin embargo, debería brindarte una idea de lo que estamos haciendo en Lokad.
En primer lugar, están los clásicos de siempre: autorregresivo, media móvil, suavización exponencial (simple, doble, triple), Box-Jenkins, Holt-Winters, ARMA, ARIMA … Estos modelos generalmente no manejan series múltiples ni etiquetas o eventos; sin embargo, la simplicidad es fundamental en muchas situaciones. No descartes la media móvil solo porque parece demasiado simple para ser buena.
Luego, para modelos más avanzados, prefiero hablar de enfoques en lugar de modelos. De hecho, cuanto más complejo es el modelo, más margen de maniobra tiene el matemático para ajustar de manera sutil el comportamiento del modelo de pronóstico.
El enfoque bayesiano: establecer gráficos de relaciones es especialmente útil en el contexto de Lokad, donde explotamos correlaciones entre series de tiempo. También es útil para lidiar con etiquetas y eventos.
El enfoque de margen amplio: las Máquinas de Vectores de Soporte (SVM) se han vuelto increíblemente populares en estos días. Aunque, en lo que respecta a las series de tiempo, es más útil para nosotros la Regresión de Vectores de Soporte (SVR). Como pequeña desventaja, las SVM y SVR suelen ser bastante costosas en términos de potencia de procesamiento bruta.
El enfoque de mezcla / impulso: mezclar una gran cantidad de predictores simples para mejorar el pronóstico general funciona bien. La combinación de un gran número de predictores simples puede usarse para reflejar comportamientos realmente complejos.
El enfoque metaheurístico: algoritmo genético, redes neuronales, programación genética y otros enfoques evolutivos / adaptativos. Estos enfoques son poderosos, pero también son conocidos por su sensibilidad intrínseca a muchos parámetros de “ajuste”.
Como nota final, nuestra tecnología aún está experimentando una evolución rápida. Se ponen en producción nuevos modelos aproximadamente cada mes. Esta lista no es definitiva y la computación en la nube está creando muchas oportunidades para que podamos implementar modelos que antes eran demasiado costosos.
