Pronóstico
Usar datos del pasado para estimar números futuros, con un rango honesto alrededor.
Hacer un pronóstico (en las empresas se dice mucho forecasting) es estimar valores futuros a partir de datos pasados: cuántos paraguas va a vender un local el mes que viene, cuánta electricidad va a usar una ciudad mañana a las 19, cuántos llamados va a recibir un centro de atención el lunes. La mayoría de los pronósticos parten de una serie temporal, una secuencia de mediciones a lo largo del tiempo.
Un modelo de pronóstico busca patrones que espera que sigan. La tendencia es la dirección de largo plazo, para arriba o para abajo. La estacionalidad es el ritmo que se repite, como más ventas cada diciembre o menos tráfico cada domingo. Los métodos clásicos, como promedios móviles, suavizado exponencial y ARIMA, capturan eso; los modelos de machine learning pueden sumar señales externas como el clima, los precios o los feriados.
Un buen pronóstico no es un número sino un rango: "entre 900 y 1.100 unidades, lo más probable alrededor de 1.000". Cuanto más lejos mirás, más se ensancha ese rango. Los equipos prueban los modelos con backtesting: hacen de cuenta que es el año pasado, pronostican y comparan con lo que pasó de verdad. Los pronósticos mueven decisiones reales, como cuánto stock pedir o cuánta gente poner en cada turno, así que ser claro con la incertidumbre importa tanto como el número.
Para quedarse
- Estima valores futuros a partir de datos históricos, en general una serie temporal.
- Busca tendencia y estacionalidad; puede sumar factores externos como clima o feriados.
- Un pronóstico útil viene con un rango, que se ensancha cuanto más adelante mira.
- El backtesting contra períodos pasados muestra cuánto confiar en un modelo.
