¿Qué es la previsión de series temporales?

Previsión de la demanda minorista de productos

Compila una solución de extremo a extremo para prever la demanda de los productos de venta minorista. Usa los datos históricos de ventas para entrenar un modelo de previsión de la demanda mediante BigQuery ML y, luego, visualiza los valores previstos en un panel de Looker Studio para compartirlos con las partes interesadas. Aprende a crear una solución de previsión de la demanda que se pueda escalar a millones de productos con Google Cloud mediante nuestro patrón de referencia de previsión de la demanda. También puedes explorar cómo la previsión de la demanda puede reducir el desperdicio de comida con nuestro patrón de referencia.

Previsión de precios de productos básicos

Los modelos de serie temporal se usan a fin de prever los precios de los bienes que son fundamentales para tus procesos empresariales y de producción, además de informar tus modelos de flujo de efectivo y tus planes financieros. 

Previsión de flujo de efectivo

Por lo general, los modelos de serie temporal se combinan con los modelos de regresión y clasificación para producir previsiones de flujo de efectivo de alta precisión según las series temporales de contabilidad histórica, junto con las entradas de los datos transaccionales y las obligaciones contractuales. Aquí puedes usar ARIMA_PLUS con BigQuery ML y combinarlo con modelos supervisados en BigQuery ML, como GLM, modelos de árbol mejorado y AutoML.

• Previsión de la cadena de suministro
  • Existen muchos impulsores de demanda potenciales y, para los centros de distribución, prepararse con anticipación es clave para satisfacer la demanda del consumidor. Descubre cómo Vertex AI Forecast ayuda a crear centros de distribución de cadena de suministro que pueden incluir indicadores del clima, opiniones de productos, indicadores macroeconómicos, acciones de la competencia, precios de productos, fletes, costos de transporte marítimo y mucho más.

Detección de anomalías con previsión de la demanda

En la temporada de festividades, la temporada de regalos o las ventas de fin de año, a veces hay aumentos repentinos que esperas. Pero ¿qué sucede cuando hay aumentos (o disminuciones) que no esperas? Por ejemplo, ¿cómo puedes detectar una demanda inusualmente alta (o inusualmente baja) que no esperabas? Obtén más información sobre cómo puedes usar la detección de anomalías con BigQuery ML para encontrar un aumento repentino en los alquileres de bicicletas que coincida con el día en que se interrumpió el transporte público la ciudad de Londres.

Control de calidad de fabricación y supervisión de métricas

Desde los sensores de IoT hasta los resultados de producción, la supervisión de métricas puede presentarse de muchas formas. Sin embargo, el elemento común es prever el rango típico de estas métricas para que puedas planificar con anticipación y responder lo más rápido posible con los sistemas de supervisión establecidos.

Otros casos prácticos comunes para la detección de anomalías incluyen anomalías en los precios debido a errores, la detección de anomalías en tiempo real y el control de calidad de la fabricación.

Efectividad de los anuncios

¿Qué tan eficaces fueron sus anuncios a la hora de generar efectividad para una empresa? La inferencia causal puede ayudarte a analizar la importancia estadística de las campañas publicitarias.

Impacto de los eventos importantes en las series temporales

Es posible que quieras saber si el impacto de los eventos importantes, como el Brexit, en una serie temporal fue estadísticamente significativo. Obtén más información sobre cómo podrías hacer inferencias causales para responder “¿Cómo impactó el voto del Brexit en las tasas de cambio entre la libra esterlina y el dólar estadounidense?”

Otras áreas para el análisis causal de inferencia incluyen las promociones, la efectividad de los incentivos y las estimaciones de elasticidad de los precios. 

Con BigQuery ML, los usuarios pueden crear y ejecutar modelos de aprendizaje automático en BigQuery mediante consultas en SQL estándar. Admite un tipo de modelo llamado ARIMA_PLUS para realizar tareas de previsión de series temporales y tareas de detección de anomalías.

Con el modelo ARIMA_PLUS en BigQuery ML, puedes realizar previsiones en millones de series temporales dentro de una sola consulta en SQL, sin salir de tu almacén de datos.

ARIMA_PLUS es básicamente una canalización de modelado de series temporales, que incluye las siguientes funcionalidades:

• Inferir la frecuencia de datos de la serie temporal
• Administra los datos faltantes, los intervalos de tiempo irregulares y las marcas de tiempo duplicadas
• Detecta los valores atípicos de disminuciones y aumentos repentinos y los cambios abruptos de nivel, y ajústalos
• Cómo controlar los efectos de festividades, la estacionalidad y las tendencias

Se pueden prever millones de series temporales a la vez con una sola consulta. Si hay suficientes ranuras de BigQuery disponibles, se ejecutan diferentes canalizaciones de modelado en paralelo.

Para comenzar a usar BigQuery ARIMA_PLUS, consulta los siguientes instructivos:

• Previsión de series temporales individuales del tráfico web de Google Analytics con BigQuery ML ARIMA_PLUS
• Previsión de varias series temporales de viajes en bicicleta en Nueva York con BigQuery ML ARIMA_PLUS
• Previsión escalable 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.

Vertex Forecast proporciona varias opciones a los usuarios para entrenar el modelo de previsión de series temporales:

1. Modelo AutoML. Con el entrenamiento de AutoML, se aplican primero varios enfoques de ingeniería de atributos. Luego, se realiza una búsqueda rápida de hiperparámetros. Luego, AutoML explora muchas arquitecturas de modelos avanzados, incluidos algunos modelos que son propiedad de Google y, al final, genera un modelo de alta calidad.
2. Seq2seq plus. En el proceso de entrenamiento, se usan los hiperparámetros específicos dentro de la arquitectura del modelo de secuencia a secuencia, lo que puede reducir el alcance del espacio de búsqueda de hiperparámetros y permitir una convergencia rápida.

Para obtener información detallada, consulta la documentación pública de Vertex Forecast.

Puedes comenzar con el instructivo de Vertex Forecasting.

Si quieres usar tu propio código personalizado, pero deseas aprovechar la infraestructura de entrenamiento y entrega en Google Cloud, puedes usar Vertex AI Workbench para ejecutar cualquier código en Python, R, TensorFlow o PyTorch.

Con la previsión univariable, puedes predecir datos futuros solo con los datos históricos de series temporales. Por ejemplo, para realizar una previsión de la temperatura de mañana en la ciudad de Nueva York, la previsión univariable implicaría usar una sola variable, las temperaturas históricas, para predecir temperaturas futuras. Con las previsiones univariables, también puedes descubrir patrones y tendencias de temporada.

Con la previsión multivariable, puedes realizar una previsión de datos futuros mediante varios factores. Por ejemplo, para prever la temperatura de mañana en Nueva York, además de usar temperaturas históricas, también puedes usar la presión barométrica, el índice UV, el porcentaje de cobertura de nubes en las áreas geográficas cercanas, la velocidad del viento y otras variables.