Organízate con las colecciones Guarda y clasifica el contenido según tus preferencias.
Ir a

¿Qué son las previsiones de series temporales?

La previsión de series temporales es un tipo de enfoque estadístico o de aprendizaje automático que intenta modelar el historial de datos de series temporales para hacer predicciones sobre futuros periodos. 

Retos de las previsiones de series temporales

Comparado con otros tipos de modelos, la previsión de series temporales presenta sus desafíos únicos, como la estacionalidad, los efectos vacacionales, la dispersión de los datos y las tendencias cambiantes. Muchas técnicas de aprendizaje automático no funcionan bien aquí debido a la naturaleza secuencial y a la correlación temporal de las series temporales. Por ejemplo, la validación cruzada k-fold puede provocar una filtración de datos. Se deben volver a entrenar los modelos para generar nuevas previsiones. El equilibrio entre el sobreajuste y el subajuste es un acto complicado sin la capacidad de aleatorizar la dimensión del tiempo. A la hora de hacer previsiones de millones de elementos, también se debe tener en cuenta la escalabilidad de las soluciones de previsión. Además de para hacer previsiones, las tareas pueden ser importantes para el negocio, como la detección de anomalías, la cuantificación de incertidumbre y la inferencia causal. Las previsiones de series temporales no son solo el aprendizaje supervisado de los datos con marcas de tiempo. Por suerte, Google Cloud ofrece una amplia gama de soluciones para las necesidades de cada empresa.

Por ejemplo, una gran tienda minorista puede tener millones de artículos en los que hacer una previsión para que el inventario esté disponible cuando la demanda sea alta y cuando el nivel de demanda sea bajo.

Casos prácticos de previsiones de series temporales

Previsión de la demanda y planificación de la capacidad

Previsión de demanda de comercios

Crea una solución integral para prever la demanda de productos de consumo. Usa el historial de datos de ventas para entrenar un modelo de previsión de la demanda con BigQuery ML y, luego, visualiza los valores previstos en un panel de control de Looker Studio para compartirlos con tus colaboradores. Descubre cómo puedes desarrollar una solución de previsión de la demanda que pueda escalarse a millones de productos con Google Cloud con nuestro patrón de referencia de previsión de la demanda. Además, puedes consultar cómo la previsión de la demanda puede reducir los residuos alimentarios con nuestro patrón de referencia.

Previsión de precios de productos

Los modelos de serie temporal se utilizan para prever los precios de los productos que son fundamentales para tu negocio y los procesos de producción, y sirven para fundamentar los modelos de flujo de caja y los planes financieros. 

Previsión de flujo de caja

Normalmente, los modelos de series temporales se combinan con modelos de regresión y clasificación para generar previsiones de flujo de caja muy precisas basadas en el historial de series temporales de contabilidad, junto con los datos de transacciones y las obligaciones contractuales. Puedes usar ARIMA_PLUS con BigQuery ML y combinarla con modelos supervisados en BigQuery ML, como GLM, modelos de árbol mejorados y AutoML.

  • Previsión de la cadena de suministro
    • Hay muchos factores que pueden incrementar la demanda y, en el caso de los centros de distribución, prepararlos con antelación es fundamental para satisfacer la demanda de los consumidores. Descubre cómo ayuda Vertex AI Forecast a crear modelos de centros de distribución de cadenas de suministro que incluyan señales meteorológicas, reseñas de productos, indicadores macroeconómicos, acciones de la competencia, precios de productos básicos, grupajes, gastos de transporte marítimo y más.

Detección de anomalías

Detección de anomalías con previsión de la demanda

Cuando se acercan las fiestas, las regalos o las ofertas de fin de año, a veces hay picos que espera. Pero ¿qué ocurre cuando hay picos (o descensos) que no se esperan? Por ejemplo, ¿cómo puedes detectar una demanda inusualmente alta (o inusualmente baja) que no esperabas? Descubre cómo puedes usar la detección de anomalías con BigQuery ML para encontrar un pico anómalo en el alquiler de bicicletas que coincida con el día en que se interrumpió el transporte público en la ciudad de Londres.

Control de calidad de fabricación y monitorización de métricas

La monitorización de las métricas puede adoptar muchas formas, desde los sensores del Internet de las cosas hasta la producción. No obstante, lo más habitual es prever el intervalo habitual de estas métricas para planificarte con antelación y responder lo antes posible con sistemas de monitorización implementados.

Otros casos habituales de detección de anomalías son anomalías de precios debido a precios incorrectos, detección de anomalías en tiempo real y control de calidad del fabricante.

Inferencia causal

Eficacia de los anuncios

¿Cómo de eficaces han sido los anuncios a la hora de generar incremento para una empresa? La inferencia causal puede ayudarte a observar la significación estadística de las campañas publicitarias.

Impacto de los eventos importantes en las series temporales

Quizás te interese saber si los eventos importantes, como el Brexit, han tenido significación estadística en una serie temporal. Obtén más información sobre cómo podrías hacer una inferencia causal para responder a la pregunta "¿Cómo ha influido el voto del Brexit en los tipos de cambio entre la libra esterlina y el dólar estadounidense?"

Otras áreas para el análisis de la inferencia causal son las promociones, la eficacia del incentivo y las estimaciones de elasticidad de precios. 

Previsión de series temporales en Google Cloud

BigQuery ML

BigQuery ML permite a los usuarios crear y ejecutar modelos de aprendizaje automático en BigQuery mediante consultas de SQL estándar. Es compatible con un tipo de modelo llamado ARIMA_PLUS para realizar previsiones de series temporales y tareas de detección de anomalías.

Con la modelización de ARIMA_PLUS en BigQuery ML, puedes hacer previsiones de millones de series temporales con una sola consulta de SQL sin salir de tu almacén de datos.

ARIMA_PLUS es básicamente un flujo de procesamiento de modelos de serie temporal que incluye las siguientes funciones:

  • Deduce la frecuencia de los datos de la serie temporal
  • Gestionar los datos que faltan, los intervalos de tiempo irregulares y las marcas de tiempo duplicadas
  • Detecta los valores atípicos alto y bajos, los cambios bruscos de nivel y los ajusta
  • Gestiona los efectos, la estacionalidad y las tendencias de los periodos festivos

Se pueden hacer previsiones de decenas de millones de series temporales a la vez con una sola consulta. Los flujos de procesamiento de modelos se ejecutan en paralelo, si hay suficientes espacios de BigQuery disponibles.

Puedes empezar a usar BigQuery ARIMA_PLUS con los siguientes tutoriales:

Para obtener información detallada, consulta la documentación pública de BigQuery ML.

Vertex Forecast

Con Vertex Forecast, los usuarios pueden entrenar el modelo de previsión de series temporales de varias formas:

  1. Modelo de AutoML. Con el entrenamiento de AutoML, se aplican primero varias estrategias de ingeniería de funciones, luego se hace una búsqueda rápida de hiperparámetros y, después, AutoML explora muchas arquitecturas de modelos avanzados, incluidos algunos modelos propiedad de Google, y genera un modelo de alta calidad por ti.
  2. Seq2seq plus. En el proceso de entrenamiento, se utilizan hiperparámetros específicamente en la arquitectura de modelo de secuencia a secuencia, lo que puede reducir el ámbito del espacio de búsqueda de hiperparámetros para una convergencia rápida.

Para obtener información detallada, consulta la documentación pública de Vertex Forecast.

Puedes empezar con el tutorial de Vertex Forecast.

Previsión personalizada

Si quieres usar tu propio código personalizado, pero quieres aprovechar la infraestructura de entrenamiento y publicación en Google Cloud, puedes usar Vertex AI Workbench para ejecutar cualquier código en Python, R, TensorFlow o PyTorch.

Previsión puntual y multivariante

Con las previsiones puntuales, solo prevés los datos futuros de la serie temporal. Por ejemplo, si quieres hacer una previsión de la temperatura de mañana en la ciudad de Barcelona, solo tendrás que usar una única variable del historial de temperaturas para predecir las temperaturas futuras. Además, con las previsiones automáticas, también puedes descubrir patrones y tendencias de temporada.

Con la función de previsiones multivariante, puedes hacer previsiones de datos futuros con varios factores. Por ejemplo, para prever la temperatura mañana en la ciudad de Nueva York, además de usar el historial de temperaturas, también puedes usar la presión barométrica, el índice UV y el porcentaje de cobertura en la nube en áreas geográficas cercanas, la velocidad del viento y otras variables.

¿Necesitas inspiración? Resolvamos juntos los retos a los que te enfrentas.

Descubre cómo puedes transformar las previsiones de tu organización con Google Cloud.
Contactar
Ponte manos a la obra y prueba el codelab sobre previsiones de series temporales hoy mismo.
Explorar el codelab

Descubre cómo puede ayudar BigQuery ML a tu organización. Ver documentación

Google ofrece la posibilidad de gestionar todas las fases del ciclo de vida de los datos, desde la ejecución de transacciones operativas hasta la gestión de aplicaciones analíticas en almacenes y lagos de datos. Nuestro objetivo es ofrecer una experiencia basada en datos enriquecidos que acaben con los silos. La inteligencia artificial y el aprendizaje automático son componentes fundamentales de cualquier solución de datos en la nube. Gracias a estas tecnologías, las organizaciones no solo obtienen información valiosa mejorada, sino que también automatizan los procesos empresariales más importantes basándose principalmente en los datos.