Series de Tiempo (Supply Chain)

Las series de tiempo son una de las herramientas matemáticas más básicas y versátiles utilizadas en los negocios. Básicamente, una serie de tiempo consiste en una serie de puntos de datos indexados en el tiempo. Por lo tanto, una serie de tiempo puede modelar desde la evolución de las ventas de una empresa, hasta la de los precios de sus productos, en una base anual, mensual, diaria o incluso por hora. Las series de tiempo son particularmente intuitivas, lo que las hace ideales para describir, visualizar, modelar y finalmente pronosticar una serie de variables.

Estadísticas descriptivas con series de tiempo

El uso principal de las series de tiempo es descriptivo. Las series de tiempo pueden condensar una gran cantidad de información en un solo gráfico o tabla. Sin embargo, como las series de tiempo son particularmente intuitivas, las personas pueden simplificarlas o interpretarlas incorrectamente fácilmente. Una fuente de interpretación errónea es el agregado de tiempo que utiliza la serie de tiempo. Los meses de nuestro calendario son una forma algo arbitraria de seccionar el tiempo y no se debe tener la ilusión de que nuestros meses son homogéneos desde una perspectiva empresarial. El número desigual de días y fines de semana en un mes puede proporcionar una explicación para lo que podría parecer inicialmente como discrepancias en los datos. Otros fenómenos explican la ciclicidad en la variación de los datos. Las vacaciones, como la Navidad o el Viernes Negro, causan sistemáticamente picos en las ventas, por ejemplo, al igual que los días de pago a principios de mes. Sin embargo, esta ciclicidad no necesariamente se ajusta a nuestro calendario. Tradiciones como el Ramadán o el Año Nuevo Chino causan variaciones cíclicas en los datos, aunque el ciclo no es mensual o anual. Además, uno debe tener cuidado de sacar conclusiones precipitadas de las series de tiempo o establecer correlaciones demasiado simples entre gráficos. Por lo tanto, es importante tener en cuenta lo que distingue una variable de la siguiente (ventas de demanda o de ganancias).

Visualización de series de tiempo

Las series de tiempo también se utilizan a menudo para leer y visualizar datos, así como para comparar diferentes series. Una vez más, sin embargo, los peligros de tales gráficos radican en su aparente simplicidad. Por lo tanto, se pueden utilizar diferentes técnicas de mapeo para proporcionar la mejor visualización posible de los datos. Por ejemplo, trazar líneas entre puntos de datos da una impresión de continuidad. Esto puede ser útil al mapear, por ejemplo, la evolución horaria de los precios de las acciones.

Sin embargo, en el caso de datos particularmente discontinuos, un gráfico de barras puede ser más apropiado.

Al leer una serie de tiempo, también se debe prestar atención al eje x. Algunos gráficos se centran en intervalos de valores pequeños para enfatizar las variaciones de los datos, con el riesgo de que estas variaciones se sobreestimen. Otros fenómenos, como el crecimiento exponencial, también se representan de manera incorrecta por una escala lineal en el eje x. Por lo tanto, se puede optar por utilizar una escala logarítmica donde las etapas iniciales de crecimiento se pueden percibir tan bien como las posteriores.

Modelado y pronóstico

Las series de tiempo se utilizan con frecuencia para respaldar modelos estadísticos. El objetivo de estos modelos es doble: explicar el pasado y predecir el futuro. En la cadena de suministro, predecir la demanda futura es necesario para determinar las órdenes de compra y producción y minimizar los riesgos de exceso de inventario. Es común distinguir, dentro de una serie de tiempo, un nivel primario llamado línea de base, una evolución a largo plazo llamada tendencia, variaciones cíclicas o periódicas llamadas estacionalidad y otras variaciones aleatorias que llamamos ruido. Esto nos permite distinguir las variaciones de los datos vinculadas a ciclos regulares, de una tendencia subyacente decreciente o creciente. Estos patrones proporcionan la base para los pronósticos económicos.

Hay tres tipos principales de pronósticos, cada uno con diferentes propósitos.

• Los pronósticos puntuales pretenden dar el “mejor” valor futuro de una variable según una métrica de error especificada. Este es el caso, por ejemplo, de un pronóstico del tiempo, que para cada día predice un solo valor de temperatura. Un pronóstico puntual no tiene como objetivo representar fielmente la evolución de esta variable (el lector sabe muy bien que es probable que la temperatura varíe alrededor de su valor pronosticado), pero sirve como una indicación útil para el lector y una base sólida para sus futuras decisiones.
• Los pronósticos probabilísticos proporcionan las distribuciones de probabilidad completas del valor futuro. Los intervalos de confianza se utilizan con frecuencia para visualizar tales pronósticos. Estos pronósticos pueden ser útiles, por ejemplo, con fines especulativos.
• Los pronósticos generativos hacen que la evolución de la variable parezca “natural” o “plausible”, permitiendo cierta cantidad de contingencia y evolución aleatoria. Esta “perspectiva generativa” puede ser útil al ejecutar simulaciones.

El ecosistema de software en torno a las series de tiempo

Ahora se utilizan numerosos tipos de software para tener en cuenta las complejidades vinculadas a las series de tiempo y proporcionar modelos o pronósticos que mejor sirvan al diseño del usuario. Se pueden encontrar bases de datos, herramientas de código abierto e incluso lenguajes de programación dedicados exclusivamente a las series de tiempo. También se han desarrollado numerosos métodos de pronóstico. Por ejemplo, algunos software simplemente estima los valores futuros con un promedio móvil, mientras que otros optan por el suavizado exponencial, lo que significa que el peso de los valores pasados disminuye exponencialmente a medida que estos valores están más alejados en el tiempo.

Por lo tanto, las series de tiempo son una abstracción particularmente versátil y una herramienta estadística básica. Sin embargo, su aparente simplicidad puede ser engañosa. Varios factores pueden alterar la forma en que se presentan los datos o dar cuenta de variaciones notables en los datos. Por lo tanto, es esencial conocer cómo se recopilan los datos y ser consciente de los factores mencionados anteriormente.