Metodología de pronóstico escalablecon aprendizaje autónomo, integración en la nube y reportes automatizados

• Luis D. Chavarría-Múnera ^[1] ; Juan M. Cogollo-Flórez ^[2] ; Alexander A. Correa-Espinal ^[1]
  1. [1] Universidad Nacional de Colombia

     Universidad Nacional de Colombia

     Colombia

     
  2. [2] Instituto Tecnológico Metropolitano

     Instituto Tecnológico Metropolitano

     Colombia

     
• Localización: Prospectiva, ISSN-e 2216-1368, ISSN 1692-8261, Vol. 18, Nº. 2, 2020
• Idioma: español
• Títulos paralelos:
  • Scalableforecastingmethodology with machine learning and integrated cloud-based reports
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El análisis de series de tiempo es una de las herramientas más utilizadas para hacer predicciones basándose en los datos del pasado. En este trabajo se desarrolló una metodología de pronóstico escalable que supera las dificultades del análisis tradicional de series de tiempo, utilizando nuevas herramientas y estructuras de datos computacionales que facilitan la integración con las aplicaciones empresariales y disminuye la curva de aprendizaje necesaria para obtener buenos pronósticos. La metodología consta de cinco etapas: (1) Importar datos desde la nube o el dispositivo del usuario, (2) Ordenar y transformar, (3) Visualizar (4) Modelar automáticamente y validar resultados, y (5) Comunicar pronósticos obtenidos mediante un reporte automatizado. La metodología se utilizó en un caso aplicado considerando diez series de tiempo de índices de ventas reales de comercio minorista en Colombia, mostrando mejoras apreciables con un promedio de disminución del error de pronóstico medio absoluto (MAPE) del 50.56%.

  • English

    Time series analysis is one of the most used tools to forecast based on past data. This work develops a scalable forecasting methodology that attempts to overcome the difficulties of traditional time series analysis; utilizing new computational tools and data structures that facilitate integration with business applications and reduce the learning curve needed to obtain right forecasts. The methodology consists of five phases: (1) Importing data directly from the cloud or the user’s device, (2) Tidying and transforming, (3) Visualization, (4) Automatically model and validate the results, and (5) Communicate the obtained forecasts with an automated report. The methodology was used in an applied case considering ten time series from real retail sales indexes in Colombia, showing appreciable improvements with an average decrease on the Mean Absolute Percentage Error (MAPE) of 50.56%.