En estos días, el aprendizaje automático (ML) y la inteligencia artificial (IA) están en todas partes. Si uno mira las publicaciones de LinkedIn o las cabezas parlantes en la televisión, la cantidad de veces que se mencionan estos términos es muy alta y va en aumento. En el mundo de los negocios y la previsión de ventas, esto es aún más cierto. Pero, a pesar del uso prolífico de los términos, no siempre está claro qué tienen en mente las personas cuando dicen que usarán ML/AI para mejorar la previsión estadística.
Por ejemplo, ¿es la capacidad de aplicar técnicas para seleccionar el método más adecuado para una serie de tiempo en particular ML/AI? Si es así, ¿cuál es el problema? Esto se ha hecho durante más de 20 años en todos los paquetes de pronóstico.
¿Qué hay de la capacidad de ajustar los parámetros de los métodos individuales? Por ejemplo, el método Holt-Winters utiliza tres parámetros: Alfa, Beta y Gamma. ¿Deberían incorporarse estos parámetros con algunos de los mejores valores u optimizarse caso por caso?
Tome el caso del uso de factores externos a continuación. Es posible que el pronóstico para una empresa funcione mejor cuando usamos factores como el PIB, las estadísticas de vivienda, el clima, etc. y determinamos la relación causal entre estos factores y la serie temporal. Luego usamos estas relaciones para calcular el pronóstico. Todo esto se puede hacer usando regresión por ejemplo. Entonces, ¿una configuración de pronóstico causal de este tipo es aprendizaje automático?
¿Qué hay de métodos avanzados como las redes neuronales? ¿O modelos de espacio de estados? ¿O pronóstico probabilístico? ¿Es eso lo que hace que el pronóstico sea el nuevo y brillante basado en ML/IA? ¿Existen métodos exclusivos para series temporales esporádicas o intermitentes?
¿Qué hay de los retrasos? ¿Son mejores las técnicas de ML/AI porque pueden pronosticar más lejos en el tiempo? ¿De eso se trata ML/AI?
¿Son estas formas más rápidas de realizar cálculos? ¿Se puede pronosticar en cubos diarios a los cubos mensuales más antiguos? ¿AI/ML proporciona matemática avanzada que hace que los números se procesen más rápido mientras brinda resultados más precisos?
¿Qué hay de la forma en que medimos la precisión en sí? ¿La IA/ML se trata de nuevas y mejores formas de calcular la precisión de las previsiones?
¿Qué hay de encontrar el nivel correcto de agregación en el que se debe ejecutar el pronóstico? Sin duda, el nivel correcto (y suficientemente bajo) de agregación que le da a una empresa el mejor resultado de pronóstico vale mucho para la empresa. ¿De eso se trata todo este alboroto?
Las respuestas a todas estas preguntas probablemente dependan de a quién le preguntes. En Arkieva, decidimos desde el principio centrarnos en los aspectos prácticos y utilizar estas técnicas de una manera que crea valor para el cliente. El futuro, siendo el futuro, sigue siendo intrínsecamente incierto. Y ninguna técnica hace más seguro el futuro. Entonces, el nombre del juego es mejorar la precisión del pronóstico. Por lo tanto, nos enfocamos en utilizar estas técnicas de manera práctica para crear pronósticos más precisos para nuestros clientes, lo que luego genera más valor para ellos.
Registro y únase a mí el martes 27 de junio de 2023 a las 11 a. m. ET para nuestro último seminario web en vivo y aprenda más a medida que aborde estos temas y más.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- EVM Finanzas. Interfaz unificada para finanzas descentralizadas. Accede Aquí.
- Grupo de medios cuánticos. IR/PR amplificado. Accede Aquí.
- PlatoAiStream. Inteligencia de datos Web3. Conocimiento amplificado. Accede Aquí.
- Fuente: https://blog.arkieva.com/how-to-improve-your-statistical-forecast-using-machine-learning/
