Series temporales (Supply Chain)

learn menu
Por Maxime Barbier, junio 2021

Las series temporales son una de las herramientas matemáticas más básicas y versátiles utilizadas en los negocios. De manera sencilla, una serie temporal consiste en una sucesión de puntos de datos indexados en el tiempo. Una serie temporal puede modelar desde la evolución de las ventas de una empresa hasta la de los precios de sus productos, ya sea a nivel anual, mensual, diario o incluso por hora. Las series temporales son particularmente intuitivas, lo que las hace ideales para describir, visualizar, modelar y, finalmente, forecast de varias variables.

Ilustración de series temporales

Estadísticas descriptivas con series temporales

El uso principal de las series temporales es descriptivo. Estas pueden condensar una gran cantidad de información en un solo gráfico o tabla. Sin embargo, dado que son particularmente intuitivas, las personas pueden simplificar en exceso o malinterpretarlas fácilmente. Una fuente de error de interpretación es el agregado temporal que utiliza la serie. Los meses de nuestro calendario son una forma algo arbitraria de seccionar el tiempo y no hay que pensar que nuestros meses son homogéneos desde una perspectiva de negocios. Un número desigual de días y fines de semana en un mes puede explicar lo que a primera vista podría parecer discrepancias en los datos. Otros fenómenos explican la estacionalidad en la variación de los datos. Las festividades, como la Navidad o el Black Friday, causan sistemáticamente picos en las ventas, al igual que los días de pago a comienzos de mes. Sin embargo, dicha estacionalidad no encaja necesariamente en nuestro calendario. Tradiciones como el Ramadán o el Año Nuevo Chino provocan variaciones cíclicas en los datos, aunque el ciclo no es ni mensual ni anual. Además, se debe tener cuidado de no sacar conclusiones apresuradas de las series temporales ni de establecer correlaciones demasiado simples entre gráficos. Por ello, es importante tener en cuenta lo que distingue una variable de otra (ventas, demanda o beneficios).

Visualizando series temporales

Las series temporales también se utilizan a menudo para leer y visualizar datos, así como para comparar diferentes series. Sin embargo, una vez más, los inconvenientes de tales gráficos residen en su aparente simplicidad. Por ello, se pueden emplear diversas técnicas de mapeo para ofrecer la mejor visualización posible de los datos. Por ejemplo, trazar líneas entre puntos de datos da la impresión de continuidad. Esto puede ser útil al mapear, por ejemplo, la evolución horaria de los precios de las acciones.

Sin embargo, en el caso de datos particularmente discontinuos, un gráfico de cubos puede ser más adecuado.

Al leer una serie temporal, se debe prestar especial atención al eje x. Algunos gráficos se centran en pequeños intervalos de valores para enfatizar las variaciones de los datos, con el riesgo de que estas variaciones se sobrevaloren. Otros fenómenos, como el crecimiento exponencial, también quedan mal representados mediante una escala lineal en el eje x. Por ello, se puede optar por utilizar una escala logarítmica en la que las primeras etapas del crecimiento se perciban tan claramente como las posteriores.

Modelado y forecast

Las series temporales se utilizan frecuentemente para apoyar modelos estadísticos. El objetivo de esos modelos es doble: explicar el pasado y predecir el futuro. En supply chain, predecir la demanda futura es necesario para determinar órdenes de compra y producción y para minimizar los riesgos de sobrestock. Es común distinguir, dentro de una serie temporal, un nivel primario llamado línea base, una evolución a largo plazo denominada tendencia, variaciones cíclicas o periódicas llamadas estacionalidad y otras variaciones aleatorias que denominamos ruido. Esto permite diferenciar las variaciones de los datos vinculadas a ciclos regulares de una tendencia subyacente, sea esta decreciente o creciente. Estos patrones proporcionan la base para forecasts económicos.

Existen tres tipos principales de forecasts, cada uno de los cuales cumple diferentes propósitos.

  • Los forecasts puntuales tienen la intención de ofrecer el único valor futuro “mejor” de una variable según una métrica de error especificada. Tal es el caso de un forecast del tiempo, por ejemplo, que para cada día predice un único valor de temperatura. Un forecast puntual no pretende representar fielmente la evolución de esta variable (el lector sabe muy bien que es probable que la temperatura varíe alrededor de su valor predicho), sino que sirve como una indicación útil para el lector y una base sólida para sus decisiones futuras.
  • Los forecasts probabilísticos proporcionan la distribución completa de probabilidad del valor futuro. Con frecuencia se utilizan intervalos de confianza para visualizar tales forecasts. Dichos forecasts pueden, por ejemplo, ser útiles para fines especulativos.
  • Los forecasts generativos hacen que la evolución de la variable parezca “natural” o “plausible”, permitiendo cierta contingencia y evolución aleatoria. Esta “perspectiva generativa” puede ser útil al ejecutar simulaciones.

El ecosistema de software alrededor de las series temporales

Numerosos tipos de software se utilizan actualmente para tener en cuenta las complejidades vinculadas a las series temporales y proporcionar modelos o forecasts que se adapten de la mejor manera al diseño del usuario. Se pueden encontrar bases de datos, herramientas de código abierto e incluso lenguajes de programación dedicados exclusivamente a las series temporales. También se han desarrollado numerosos métodos de pronósticos y fórmulas con Excel. Por ejemplo, algunos software estiman simplemente los valores futuros mediante un promedio móvil, mientras que otros optan por el suavizado exponencial, lo que significa que el peso de los valores pasados disminuye exponencialmente a medida que estos están más lejanos en el tiempo.

Así, las series temporales son una abstracción y herramienta estadística básica particularmente versátil. Sin embargo, su aparente simplicidad puede ser engañosa. Una serie de factores puede alterar la forma en que se presentan los datos o explicar variaciones notables en ellos. Por ello, es esencial conocer cómo se recopilan los datos y estar consciente de los factores mencionados anteriormente.