Introducción a los modelos de serie cronológica en SAP Analytics Cloud Smart Predict

La previsión de series cronológicas es útil para estimar valores futuros de un indicador en el que tiene una dimensión de tiempo disponible para ayudarle a identificar una tendencia.

En el caso práctico, le guiamos a través de un escenario para utilizar modelos de serie cronológica para controlar los gastos.

Puede responder preguntas, como:

• ¿Cómo evolucionarán los ingresos de una tienda durante el próximo mes?
• ¿Cuáles son las ventas previstas por producto por región para las próximas semanas?
• ¿Cómo variará el stock de productos en un almacén durante las semanas siguientes?
• ¿Cómo evolucionará el flujo de caja durante el próximo trimestre?

Una serie cronológica es una serie de puntos de datos indexados en orden temporal. Normalmente, una serie cronológica es una secuencia tomada en puntos sucesivos igualmente espaciados en el tiempo. Por ejemplo, una serie cronológica puede realizar un seguimiento del movimiento de ingresos o costes durante un período de tiempo especificado, con puntos de datos registrados a intervalos regulares. Por ejemplo, semanal, mensual, trimestral o anual.

Los valores históricos de la variable de destino y las fechas correspondientes son necesarios al crear y formar un modelo de serie cronológica. Este "par" de datos de fecha y valor de destino se denomina señal. El modelo de previsión de serie cronológica en Predicción inteligente analiza la señal. Los valores de otras variables tomadas en las mismas fechas (en el pasado y en el futuro) se pueden incluir como variables de influencia para el modelo. Las variables se utilizan para refinar el análisis de la señal.

La señal es la variable de destino para la que desea explicar o predecir los valores y se compone de varios componentes. Si desea prever las ventas de productos para los próximos seis meses, por ejemplo, Ventas de productos es su variable de señal. Los componentes incluyen:

1. La Tendencia identifica hacia dónde se dirige la serie cronológica y en qué dirección suele ir. Puede ser decreciente, creciente o plana.
2. Periódico son los patrones de temporalidad y período que se reproducen regularmente a lo largo del tiempo.
3. La fluctuación refleja las dependencias del valor de la señal en el tiempo "t" en los valores anteriores "t-1"… "t-10"… "t-n".
4. Los Residuales son lo que queda de la señal cuando se han eliminado tendencias, publicaciones periódicas y fluctuaciones. Los residuos se consideran ruido blanco, un efecto puramente aleatorio.

El horizonte es el número de predicciones que se estimarán en el futuro. Este número depende directamente del tamaño de los datos históricos.

5:1 es una buena relación para estimar el horizonte y obtener predicciones con intervalos de confianza relevantes. Esto significa que si hay 100 casos históricos, se pueden predecir 20 valores de la variable de destino en el futuro. Para predecir seis meses antes, se deben proporcionar 30 meses de datos históricos.

Mejores prácticas:

• Por lo general, se recomienda descartar la historia que está demasiado lejos en el tiempo.
• Aunque se pueden elegir 20 valores o menos, si se necesitan más, es mejor recopilar más casos históricos.
• Con las opciones del escenario predictivo al crear su modelo de serie cronológica, puede definir la ventana de tiempo que se utiliza, ya sea utilizando todos los meses disponibles o restringiendo a un período de tiempo determinado.

En SAP Analytics Cloud, los datos históricos se ordenan automáticamente cronológicamente y se dividen en dos conjuntos:​

1. El primer 75% de los datos se utiliza para entrenar el modelo de previsión de serie cronológica.
2. El 25% restante se utiliza para seleccionar el mejor modelo de candidato. 

Predicción inteligente utiliza los conjuntos de datos de formación y validación y realiza los siguientes pasos al crear un modelo de serie cronológica:

1. A partir del conjunto de datos de formación, se forman varias versiones de prueba del modelo de serie cronológica.
2. Se selecciona la mejor versión de prueba del modelo de serie cronológica.
3. La versión de prueba se evalúa mediante el conjunto de validación.
4. Se crea el modelo de serie cronológica predictiva final.

Hay algunas consideraciones que se deben tener en cuenta al crear su modelo de previsión de serie cronológica:

1. Escala de las predicciones: tenga en cuenta la escala de las predicciones. Por ejemplo, si los datos históricos se capturan cada mes, semana, día, hora o minuto, las predicciones se producirán en la misma unidad de tiempo. Por lo tanto, si los valores de datos se registran cada mes, no tiene sentido solicitar predicciones para los próximos días. Si los sensores registran los datos cada minuto, pero el minuto no es relevante para el caso de uso, se debe utilizar una unidad de tiempo superior, como la hora.
2. Agregación: tenga en cuenta la agregación de datos en la unidad de tiempo necesaria y defina una función de agregación.
   • Por ejemplo, una función de agregación podría calcular un valor para la hora a partir de los 60 valores medidos para cada uno de los 60 minutos de esta hora. Puede ser el primer valor, el último valor, el valor medio o un valor calculado. Por ejemplo, el promedio o una fórmula más compleja.
   • Un punto importante a tener en cuenta es el tamaño de la agregación. Una agregación grande puede ocultar información y reducir la calidad de las predicciones. Sin embargo, una agregación apropiada suaviza la señal cuando hay mucho ruido. Pruebe y experimente para elegir la mejor función de agregación.
3. Ordenar los datos: el conjunto de datos históricos debe limpiarse para que cada unidad de tiempo corresponda solo a un valor de la variable de destino. Predicción inteligente ordena automáticamente los datos.