Pronóstico de ventas: de Excel a ML en medio año

Pronóstico de Ventas para Empresas: De Excel a Ensamblajes de ML en Seis Meses

Las decisiones empresariales dependen del pronóstico de ventas—ya sea para lanzar promociones o ajustar presupuestos. Un modelo con un MAPE del 4,5% parece perfecto, pero un solo error del 20% erosiona la confianza. Los ejecutivos ignoran los números, aplican correcciones manuales y gastan más por miedo a no alcanzar metas. ¿La verdadera necesidad del negocio? Previsibilidad: ¿podemos cerrar el mes con éxito sin errores catastróficos?

El objetivo del proyecto: construir un pronóstico fiable de 45 días para ventas, pedidos y ingresos en todo un servicio de entrega grande (79 ciudades, miles de centros de cumplimiento).

El Zoo de Modelos Existente

Los enfoques actuales incluían:

• Prophet a nivel de centro de cumplimiento: miles de modelos para logística. Problemas: no manejan nuevos centros (estimaciones expertas en Excel), la precisión no se validó a nivel nacional, optimizados para precisión diaria, no para objetivos mensuales.
• Excel con estacionalidad anual: semana del año anterior × factor de crecimiento (por ejemplo, 1,15 para +15%). Estimación visual, sin métricas.
• Prophet a nivel país: hiperparámetros ajustados, características externas (tendencias macroeconómicas, festivos, descuentos planificados). Error promedio del 1–2%, pero la validación a corto plazo era un artefacto.

Los métodos expertos en Excel eran irreproducibles. Todos los enfoques necesitaban una referencia unificada.

Prueba Retroactiva Honesta como Fundamento

Se implementó una prueba retroactiva con deslizamiento de 12 meses para evaluación objetiva: simular pronósticos diarios usando datos históricos con reentrenamiento tras cada nuevo día. Esto prueba los modelos bajo condiciones reales: crecimiento, caídas, campañas, festivos.

Proceso de prueba:

• Día 1: entrenar con datos hasta el 1 de enero → pronóstico de 45 días.
• Día 2: añadir el dato real del 1 de enero → reentrenar → nuevo pronóstico.
• Repetir durante todo el año.

La estacionalidad de Excel se replicó en Python—se convirtió en la base. Prophet por centro: resultados optimistas (sin centros nuevos). Prophet a nivel país: reveló problemas con las características (descuentos planificados vs. reales).

Resultado: la base (Excel) mostró fuerte previsibilidad; el ML entregó promedios suaves pero errores volátiles.

Excel Gana a Prophet: Lecciones de la Simplicidad

Resultado inesperado en la prueba: Excel con estacionalidad anual superó a Prophet en la métrica clave—error acumulado mensual (relevante para el negocio). Prophet ganó en precisión diaria, pero falló a largo plazo por sobreajuste a tendencias.

Comparación de métricas:

• MAPE (Error Absoluto Porcentual Medio): Prophet mejor.
• Error acumulado en 30/45 días: Excel lidera.

Prophet descompone series en tendencia, estacionalidad (días/meses/años), festivos y características conocidas. Limitaciones: serie única, características deben conocerse de antemano.

Avanzando a la Granularidad: Ciudades y Aprendizaje Automático

Para mejorar, los pronósticos se dividieron a nivel de ciudad (79 ciudades). Esto capturó efectos locales: dinámicas de demanda variables, nuevos centros de cumplimiento.

Se introdujo ML clásico:

• Boosting de gradiente (LightGBM/XGBoost) con retardos, promedios móviles y variables dummy para días laborables/festivos.
• Características: retardos históricos (1–30 días), crecimiento YoY, señales externas (festivos).

Resultado: mejora del 10–15% sobre la base en error acumulado—pero no transformadora. Problemas: poca captura de patrones no lineales, sensibilidad a anomalías.

TSMixer: Avance y Límites

Se cambió a redes neuronales. TSMixer (Temporal Sparse Mixer) es de vanguardia para series temporales multivariadas. Funciona como MLP-Mixer para el tiempo: los canales son independientes, captura dependencias cruzadas sin capas recurrentes.

Arquitectura:

• Torres pasadas/futuras para características históricas y futuras.
• Bloques MLPMixer: mezcla de tokens (sobre el tiempo) + mezcla de canales.
• Escalabilidad: O(L * D) frente a O(L²) en transformers.

Entrenado en 79 ciudades × 3 métricas (ventas/pedidos/ingresos). Prueba: TSMixer superó la base en un 25%, el boosting de gradiente en un 12%. Debilidades: aún retrasa en picos festivos, requiere muchos datos.

Ensamblaje Final: Combinando Fuerzas

Un solo pronóstico = ensamblaje:

• Estacionalidad de Excel (30%): estabilidad en tendencias a largo plazo.
• Boosting de gradiente (40%): patrones locales.
• TSMixer (30%): no linealidades.

Pesos elegidos mediante stack-rank en la prueba retroactiva (suma de rangos entre métricas). Resultado: MAPE del 3,2%, error acumulado mensual <5% en el 95% de casos. Mejoró la previsibilidad: el negocio adoptó los números sin ajustes manuales.

Conclusiones clave:

• La previsibilidad importa más que la precisión promedio: enfócate en el error acumulado con el tiempo.
• La prueba retroactiva con deslizamiento es el estándar oro para evaluación.
• Los ensamblajes superan a modelos puros: simplicidad + poder del ML.
• La granularidad (ciudades) supera la agregación.
• Los negocios confían en modelos que superan pruebas de estrés (festivos, recesiones).

Resultados del Proyecto

En seis meses, el caótico conjunto se convirtió en P.E.S.E.C.—un pronóstico estratégico diario. Ahora las decisiones se toman sin pánico. Clave: evaluación honesta, enfoque en KPIs del negocio, enfoque híbrido.

— Editorial Team