Diseñar modelos de previsión
Los modelos de previsión le permiten organizar y configurar mosaicos para definir el pronóstico realizado por un perfil de pronóstico. Cada modelo presenta un diagrama de flujo que representa gráficamente el cálculo que realiza el modelo.
Algoritmos de previsión de demanda
La planificación de la demanda incluye tres algoritmos populares de previsión de la demanda: auto-ARIMA, ETS y Profeta. El algoritmo de previsión de la demanda que utilice depende de las características específicas de sus datos históricos.
- Auto-ARIMA funciona mejor cuando los datos siguen patrones estables.
- Error, tendencia y estacionalidad (ETS) es una opción versátil para datos que tienen tendencias o estacionalidad.
- Prophet funciona mejor con datos complejos del mundo real.
La planificación de la demanda también proporciona un modelo de mejor ajuste (que selecciona automáticamente el mejor de los algoritmos disponibles para cada combinación de producto y dimensión) y la capacidad de desarrollar y utilizar sus propios algoritmos personalizados. modelos.
Al comprender estos algoritmos y sus puntos fuertes, podrá tomar decisiones informadas para optimizar su cadena de suministro y satisfacer la demanda de los clientes.
Esta sección describe cómo funciona cada algoritmo y su idoneidad para diferentes tipos de datos de demanda históricos.
Modelo que mejor se adapta
El modelo de mejor ajuste encuentra automáticamente cuál de los otros algoritmos disponibles (auto-ARIMA, ETS o Prophet) se adapta mejor a sus datos para cada combinación de producto y dimensión. De esta forma, se pueden utilizar diferentes modelos para diferentes productos. En la mayoría de los casos, recomendamos utilizar el modelo que mejor se ajuste porque combina los puntos fuertes de todos los demás modelos estándar. El siguiente ejemplo muestra cómo.
Suponga que tiene datos de series temporales de demanda histórica que incluyen las combinaciones de dimensiones que se enumeran en la siguiente tabla.
| Producto | Almacén |
|---|---|
| C | 1 |
| C | 2 |
| B | 1 |
| B | 2 |
Cuando ejecuta un cálculo de pronóstico utilizando el modelo Prophet, obtiene los siguientes resultados. En este ejemplo, el sistema siempre utiliza el modelo Prophet, independientemente del error porcentual absoluto medio calculado (MAPE) para cada combinación de producto y dimensión.
| Producto | Almacén | modelo de previsión | MAPE |
|---|---|---|---|
| C | 1 | Profeta | 0.12 |
| C | 2 | Profeta | 0.56 |
| B | 1 | Profeta | 0.65 |
| B | 2 | Profeta | 0.09 |
Cuando ejecuta un cálculo de pronóstico utilizando el modelo ETS, obtiene los siguientes resultados. En este ejemplo, el sistema siempre utiliza el modelo ETS, independientemente del MAPE calculado para cada combinación de producto y dimensión.
| Producto | Almacén | modelo de previsión | MAPE |
|---|---|---|---|
| C | 1 | ETSE | 0.18 |
| C | 2 | ETSE | 0.15 |
| B | 1 | ETSE | 0.21 |
| B | 2 | ETSE | 0.31 |
Cuando ejecuta un cálculo de pronóstico utilizando el modelo de mejor ajuste, el sistema optimiza la selección del modelo para cada combinación de producto y dimensión. La selección cambia según los patrones encontrados en los datos históricos de ventas.
| Producto | Almacén | Profeta MAPE | Auto-ARIMA MAPE | MAPA ETS | Modelo de pronóstico de mejor ajuste | Mejor ajuste MAPE |
|---|---|---|---|---|---|---|
| C | 1 | 0.12 | 0.34 | 0.18 | Profeta | 0.12 |
| C | 2 | 0.56 | 0.23 | 0.15 | ETSE | 0.15 |
| B | 1 | 0.65 | 0.09 | 0.21 | Auto-ARIMA | 0.09 |
| B | 2 | 0.10 | 0.27 | 0.31 | Profeta | 0.10 |
El siguiente gráfico muestra el pronóstico de ventas general en todas las dimensiones (todos los productos en todas las tiendas) durante los próximos nueve meses, obtenido utilizando tres modelos de pronóstico diferentes. La línea verde representa el modelo que mejor se ajusta. Debido a que el mejor ajuste elige el mejor modelo de pronóstico para cada combinación de producto y dimensión, evita los valores atípicos que podrían ocurrir al forzar un solo modelo en todas las combinaciones de dimensiones. Como resultado, el pronóstico general de mejor ajuste se asemeja a un promedio de los pronósticos de un solo modelo.
Leyenda:
- Rojo = Único Profeta
- Azul = Sólo ETS
- Verde = Mejor ajuste
Auto-ARIMA: El deleite del viajero en el tiempo
El algoritmo auto-ARIMA es como una máquina del tiempo: lo lleva en un viaje a través de patrones de demanda pasados para que pueda hacer predicciones informadas sobre el futuro. Auto-ARIMA utiliza una técnica conocida como media móvil integrada autorregresiva (ARIMA). Esta técnica combina tres componentes clave: autorregresión, diferenciación y medias móviles. El algoritmo auto-ARIMA identifica automáticamente la mejor combinación de estos componentes para crear un modelo de pronóstico que se adapte a sus datos.
Auto-ARIMA funciona especialmente bien con datos de series temporales que muestran un patrón estable a lo largo del tiempo, como fluctuaciones o tendencias estacionales. Si su demanda histórica sigue una trayectoria razonablemente consistente, ARIMA automática podría ser su método de pronóstico preferido.
ETS: El cambiaformas
Error, tendencia y estacionalidad (ETS) es un algoritmo versátil de previsión de la demanda que se adapta a la forma de sus datos. Puede cambiar su enfoque en función de las características de su demanda histórica. Por lo tanto, es adecuado para una amplia gama de escenarios.
El nombre ETS es una abreviatura de los tres componentes esenciales en los que el algoritmo descompone los datos de series temporales: error, tendencia y estacionalidad. Al comprender y modelar estos componentes, ETS genera pronósticos que capturan los patrones subyacentes en sus datos. Funciona mejor con datos que muestran patrones estacionales claros, tendencias o ambos. Por lo tanto, es una excelente opción para empresas que tienen productos o servicios afectados estacionalmente.
Profeta: El visionario gurú de la previsión
Prophet fue desarrollado por el equipo de investigación de Facebook. Es un algoritmo de pronóstico moderno y flexible que puede manejar los desafíos de los datos del mundo real. Es especialmente eficaz para manejar valores faltantes, valores atípicos y patrones complejos.
Prophet trabaja descomponiendo los datos de series temporales en varios componentes, como tendencia, estacionalidad y días festivos, y luego ajustando un modelo a cada componente. Este enfoque permite a Prophet capturar con precisión los matices de sus datos y producir pronósticos confiables. Prophet es ideal para empresas que tienen patrones de demanda irregulares o valores atípicos frecuentes, o empresas que se ven afectadas por eventos especiales como días festivos o promociones.
Algoritmo personalizado de Azure Machine Learning
Si tiene un algoritmo Microsoft Azure de aprendizaje automático personalizado que desea utilizar con sus modelos de previsión, puede utilizarlo en la planificación de la demanda.
Crear y personalizar un modelo de previsión
Para crear y personalizar un modelo de pronóstico, primero debe abrir un perfil de pronóstico existente. (Para obtener más información, consulte Trabajar con perfiles de pronóstico.) Luego puede personalizar completamente el modelo que utiliza el perfil seleccionado agregando, eliminando y organizando mosaicos y configurando ajustes. para cada uno de ellos.
Siga estos pasos para crear y personalizar un modelo de previsión.
- En el panel de navegación, seleccione Operaciones>Perfiles de pronóstico.
- Seleccione el perfil de pronóstico para el que desea crear o personalizar un modelo de pronóstico.
- En la pestaña Modelo de pronóstico, siempre habrá al menos un mosaico (del tipo Entrada) en el parte superior del diagrama de flujo. El modelo se procesa de arriba a abajo y el último mosaico debe ser un mosaico del tipo Guardar . Agregue, elimine y organice mosaicos según sea necesario y configure los ajustes para cada uno de ellos. Para obtener pautas, consulte la ilustración después de este procedimiento.
- Cuando haya terminado de diseñar su modelo de pronóstico, seleccione el botón Validar
en la esquina superior derecha. El sistema ejecuta algunas pruebas para validar que su modelo funcionará y luego proporciona comentarios. Solucione cualquier problema que informe la prueba de validación. - Continúe trabajando hasta que su modelo esté listo. A continuación, seleccione Guardar en el panel de acciones.
- Si desea guardar su modelo de pronóstico como un ajuste preestablecido, para que esté disponible cuando usted y otros usuarios creen un nuevo perfil de pronóstico, seleccione el botón Guardar como plantilla de modelo
en la esquina superior derecha.
La siguiente ilustración muestra la información y los controles disponibles para los mosaicos en un modelo de pronóstico.
Leyenda:
Icono de mosaico: un símbolo que representa el propósito del mosaico.
Tipo de mosaico: el tipo de mosaico. Este texto suele describir el tipo de roles, cálculos u otras acciones que representa el mosaico.
Nombre del mosaico: el nombre que se aplica al mosaico. A veces, puedes ingresar manualmente este texto en la configuración del mosaico. Sin embargo, normalmente indica el valor de una de las configuraciones que se configuraron para el mosaico.
Acciones de mosaico: abre un menú de acciones que puedes realizar en el mosaico. Aunque algunas de estas acciones son específicas del tipo de mosaico, la mayoría son comunes a todos los mosaicos. Si alguna acción aparece atenuada, no se puede utilizar debido a la posición actual del mosaico o por algún otro motivo contextual. A continuación se muestran algunas acciones comunes que están disponibles:
- Configuración: abre un cuadro de diálogo donde puede configurar los ajustes del mosaico.
- Quitar: elimina el mosaico.
- Subir y Bajar: reposicionar el mosaico en el diagrama de flujo.
- Establecer en 'Pasar a través': deshabilita temporalmente un mosaico actualmente habilitado sin eliminarlo ni su configuración.
- Desarmar 'Pass Through': vuelve a habilitar un mosaico actualmente deshabilitado.
Agregar un mosaico: agrega un nuevo mosaico en la ubicación seleccionada.
Tipos de iconos de previsión
Esta sección describe el propósito de cada tipo de mosaico de pronóstico. También explica cómo utilizar y configurar cada tipo.
Mosaicos de entrada
Los mosaicos de entrada representan la serie temporal que proporciona información al modelo de pronóstico. La serie temporal es la que aparece en la pestaña Incluido de la pestaña Datos de entrada . No puedes editar el nombre.
Los mosaicos de entrada tienen solo un campo que puede configurar: Rellenar valores faltantes.
Administrar iconos atípicos
Los iconos Manejar valores atípicos identifican y compensan los puntos de datos atípicos en la entrada. Estos puntos de datos se consideran anomalías que deben ignorarse o suavizarse para evitar que desvíen el cálculo del pronóstico.
Los iconos Manejar valores atípicos tienen los siguientes campos que puede configurar:
Manejar valores atípicos: seleccione una de las opciones siguientes:
- Rango intercuartil (RIQ)
- Descomposición estacional y de tendencias mediante loess (STL)
Multiplicador de rango intercuartil: Este campo está disponible sólo cuando el campo Manejar valores atípicos está configurado en RIQ.
Métodos de conexión: Este campo está disponible sólo cuando el campo Manejar valores atípicos está configurado en RIQ.
Sugerencia de estacionalidad: Este campo está disponible sólo cuando el campo Manejar valores atípicos está configurado en STL.
Iconos de previsión
Los iconos Previsión aplican un algoritmo de pronóstico seleccionado a la serie de tiempo de entrada para crear una serie de tiempo de pronóstico.
Los iconos Previsión tienen solo un campo que puede configurar: Tipo de modelo. Se usa para seleccionar el algoritmo de pronóstico a usar. Para obtener más información sobre cada uno de los algoritmos disponibles, consulte la sección Algoritmos de previsión de la demanda. Seleccione uno de los siguientes algoritmos:
- ARIMA – Media móvil integrada autorregresiva
- ETS – Error, tendencia, estacionalidad
- Prophet – Facebook Prophet
- Modelo que mejor se adapta
Finanzas y operaciones: mosaicos de Azure Machine Learning
Si ya está usando sus propios algoritmos de Azure Machine Learning para el pronóstico de la demanda en cadena de suministro Management (como se describe en Descripción general del pronóstico de la demanda), puede continuar usándolos mientras Utilice la planificación de la demanda. Solo ponga un icono Finanzas y operaciones: Azure Machine Learning en su modelo de pronóstico en lugar de un icono Pronóstico.
Para obtener información sobre cómo configurar la planificación de la demanda en Conectar y utilizar sus algoritmos de Azure Machine Learning, consulte Usar sus propios algoritmos personalizados de Azure Machine Learning en Planificación de la demanda.
Mosaicos de entrada/salida gradual
Los mosaicos de entrada/salida gradual modifican los valores de una columna de datos en una serie temporal para simular la entrada gradual de un nuevo elemento (como un nuevo producto o almacén) o la salida gradual de un elemento antiguo. El cálculo de entrada/salida gradual dura un período específico y utiliza valores que se extraen de la misma serie temporal (ya sea de la misma columna de datos que se está ajustando o de otra columna de datos que representa un elemento similar).
Los mosaicos de entrada/salida gradual tienen los siguientes campos que puedes configurar:
- Nombre del paso: el nombre específico del mosaico. Este nombre también se muestra en el diagrama de flujo.
- Descripción: una breve descripción del mosaico.
- Creado por : el usuario que creó el mosaico.
- Grupo de reglas : el nombre del grupo de reglas que define el cálculo que realiza el mosaico.
Cuando configura su modelo de pronóstico, la posición del mosaico Fase de entrada/salida afecta el resultado del cálculo. Para aplicar el cálculo de entrada/salida gradual a las cifras históricas de ventas, coloque el mosaico Entrada/salida gradual antes del Pronóstico tile (como se muestra en el lado izquierdo de la siguiente ilustración). Para aplicar el cálculo de entrada/salida gradual al resultado pronosticado, coloque el mosaico Entrada/salida gradual después del Pronóstico azulejo (como se muestra en el lado derecho de la siguiente ilustración).
Para obtener más información sobre la funcionalidad de entrada/salida gradual, incluidos detalles sobre cómo configurar sus grupos de reglas de entrada/salida gradual, consulte Usar la funcionalidad de entrada/salida gradual para simular cambios planificados.
Guardar mosaicos
Los iconos Guardar guardan el resultado del modelo de pronóstico como una serie nueva o actualizada. Todos los modelos de pronóstico deben terminar con un único mosaico Guardar.
La serie de tiempo de pronóstico se guardará de acuerdo con los ajustes que configure cada vez que ejecute un trabajo de pronóstico como se describe en Trabajar con perfiles de pronóstico.