Pronósticos Clásicos de Series Temporales (2008)
En 2008, Lokad se lanzó con un motor de pronóstico ofrecido como Software-as-a-Service (SaaS). El lema original de la empresa era pronóstico como servicio. Este motor proporcionaba pronósticos clásicos de series temporales puntuales. Con el tiempo, Lokad maduró al introducir tecnologías predictivas más avanzadas y adoptar una perspectiva más amplia de la cadena de suministro más allá de sus raíces iniciales de pronóstico de la demanda. El motor de pronóstico original fue gradualmente eliminado a mediados de la década de 2010 y finalmente cerrado en 2020.
El motor original (ahora descontinuado), introducido en 2008, operaba como un meta-modelo que contenía una suite de modelos de pronóstico, en su mayoría de la variedad autorregresiva, junto con un clasificador utilizado como selector de modelos. Este selector elegía el modelo más adecuado para cada serie temporal. De 2008 a 2012, el motor se mejoró progresivamente con modelos adicionales y un selector más refinado.
Las mejoras posteriores incluyeron modelos no paramétricos influenciados por los enfoques de aprendizaje automático populares en ese momento. Estos modelos utilizaban una perspectiva de series temporales concurrentes, lo que permitía al motor aplicar coeficientes de estacionalidad apropiados incluso para series temporales que no tenían un año completo de datos históricos. De manera similar, esto permitía al motor pronosticar lanzamientos de productos aprovechando similitudes identificadas a través de etiquetas asignadas a las series temporales.
Si bien Lokad nunca utilizó los datos de un cliente para mejorar los pronósticos de otro cliente, un compromiso que aún se mantiene, solo había un motor de pronóstico compartido entre todos los clientes, utilizando los mismos meta-parámetros. En consecuencia, Lokad tuvo que establecer parámetros predeterminados de alta calidad que funcionarían bien en diversos escenarios. De manera indirecta, las ideas de ingeniería obtenidas de un cliente terminaron beneficiando a otros (y viceversa).
En última instancia, este motor fue eliminado gradualmente a medida que Lokad desarrollaba tecnologías superiores. Aunque el enfoque de selección de modelos podría parecer una competencia de modelos en competencia, llevó a una inestabilidad sustancial en los pronósticos. Agregar solo un día más de datos históricos podría hacer que el selector cambiara de modelos para numerosas series temporales, causando fluctuaciones erráticas. Este problema es inherente a cualquier sistema de pronóstico que dependa de la competencia interna y ahora se considera un diseño obsoleto en Lokad.
La falta de resultados probabilísticos fue el segundo problema significativo. Los pronósticos puntuales de series temporales pasan por alto por completo la incertidumbre, lo que hace que las decisiones basadas en estos pronósticos sean altamente frágiles. De hecho, si los resultados reales difieren del pronóstico, el rendimiento económico a menudo se degrada bruscamente. Lokad abordó esta limitación al introducir la tecnología de pronóstico probabilístico.
Finalmente, como tercer problema importante, la rigidez de una perspectiva solo de series temporales planteaba una limitación seria. Las series temporales, representadas como vectores unidimensionales, ofrecen una expresividad limitada para los datos históricos. Incluso en situaciones de cadena de suministro donde los pronósticos puntuales podrían ser suficientes, un marco de series temporales puro típicamente no logra capturar toda la complejidad de los contextos del mundo real.
El motor de pronóstico clásico fue definitivamente eliminado en 2020, tras el lanzamiento de nuestra tecnología de programación diferenciable. Aunque los pronósticos puntuales de series temporales ya no se recomiendan, la programación diferenciable puede producir fácilmente tanto pronósticos puntuales de series temporales como pronósticos probabilísticos.