Forecast de series temporales clásicas (2008)
En 2008, Lokad se lanzó con un forecasting engine ofrecido como Software-as-a-Service (SaaS). El eslogan original de la compañía era forecasting as a service. Este engine proporcionaba forecasts puntuales de series temporales clásicas. Con el paso de los años, Lokad maduró al introducir tecnologías predictivas más avanzadas y al adoptar una perspectiva más amplia de la supply chain más allá de sus raíces iniciales de demand forecasting. El forecasting engine original se fue eliminando progresivamente a mediados de la década de 2010 y finalmente se cerró en 2020.
El engine original (ya en desuso), introducido en 2008, operaba como un meta-modelo que contenía una serie de modelos de forecasting —mayormente de la variedad autorregresiva— junto con un clasificador utilizado como selector de modelos. Este selector elegía el modelo más adecuado para cada series temporales. De 2008 a 2012, el engine se fue mejorando progresivamente con modelos adicionales y un selector más refinado.
Mejoras posteriores incluyeron modelos no paramétricos influenciados por los enfoques de machine learning populares en esa época. Estos modelos utilizaban una perspectiva concurrente de series temporales, lo que permitía al engine aplicar coeficientes de estacionalidad adecuados incluso para series temporales que no contaban con un año completo de datos históricos. De manera similar, esto permitió al engine forecast lanzamientos de productos aprovechando similitudes identificadas a través de etiquetas asignadas a las series temporales.
Aunque Lokad nunca utilizó los datos de un cliente para mejorar los forecasts de otro —un compromiso que aún se mantiene—, solo existía un forecasting engine compartido entre todos los clientes, utilizando los mismos meta-parámetros. En consecuencia, Lokad tuvo que establecer parámetros predeterminados de alta calidad que funcionaran bien en diversos escenarios. De manera indirecta, los conocimientos de ingeniería obtenidos de un cliente terminaron beneficiando a otros (y viceversa).
Finalmente, este engine fue eliminado a medida que Lokad desarrollaba tecnologías superiores. Aunque el enfoque de selección de modelos podría parecer un concurso de modelos competidores, ello condujo a una inestabilidad sustancial en los forecasts. Agregar tan solo un día más de datos históricos podía hacer que el selector cambiara de modelo para numerosas series temporales, causando fluctuaciones erráticas. Este problema es inherente a cualquier sistema de forecasting que dependa de la competencia interna y ahora se considera un diseño obsoleto en Lokad.
La ausencia de output probabilístico fue el segundo problema significativo. Los forecasts puntuales de series temporales pasan por alto la incertidumbre, haciendo que las decisiones basadas en estos forecasts sean sumamente frágiles. De hecho, si los resultados reales se desvían del forecast, el rendimiento económico a menudo se deteriora drásticamente. Lokad abordó esta limitación introduciendo tecnología de probabilistic forecasting.
Finalmente, como tercer problema importante, la rigidez de una perspectiva centrada únicamente en las series temporales planteaba una limitación seria. Las series temporales —representadas como vectores unidimensionales— ofrecen una expresividad limitada para los datos históricos. Incluso en situaciones de supply chain donde los point forecasts podrían ser suficientes, un marco basado únicamente en series temporales típicamente no logra capturar la complejidad completa de los contextos del mundo real.
El forecasting engine clásico fue definitivamente eliminado en 2020, tras el lanzamiento de nuestra tecnología de programación diferenciable. Aunque los point forecasts de series temporales ya no se recomiendan, la programación diferenciable puede producir tanto point forecasts de series temporales como probabilistic forecasting.