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 la previsión de la demanda puede reducir el desperdicio alimentario.

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 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.

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.

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:

• Previsión de una sola serie temporal de tráfico web de Google Analytics con BigQuery ML ARIMA_PLUS
• Previsión de varias series temporales de trayectos en bicicleta de Nueva York con BigQuery ML ARIMA_PLUS
• Previsiones escalables con millones de series temporales en BigQuery
• Previsión de la demanda de ventas minoristas con BigQuery ML ARIMA_PLUS

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

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.

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.

TimesFM (siglas de Time Series Foundation Model) es un modelo fundacional de serie temporal entrenado previamente y desarrollado por Google Research para la previsión de series temporales unívocas.

La versión 1.0 contiene un punto de control de 200 millones de parámetros junto con su código de inferencia. Es un modelo basado en transformadores y se ha entrenado solo con decodificador en un conjunto de datos entrenado previamente que contiene más de 100.000 millones de momentos reales. Lleva a cabo previsiones unívocas de series temporales para longitudes de contexto de hasta 512 momentos y cualquier longitud de horizontes, con una entrada de indicador de frecuencia opcional.

Caso práctico: previsión de una serie temporal. El modelo toma como contexto de entrada una serie temporal unívoca, junto con un parámetro de frecuencia opcional. El modelo lleva a cabo una previsión de la serie temporal en un horizonte futuro de cualquier longitud.

Disponible en Vertex AI Model Garden

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.