Browsing by Author "Karmy Diban, Juan Pablo"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Modelos de pronóstico con machine learning para apoyar la toma de decisiones
    (Universidad de los Andes, 2023) Karmy Diban, Juan Pablo; Pérez, Juan; Vairetti, Carla
    El analisis de series de tiempo es una tarea fundamental dentro de la ciencia de datos. Ser capaces de almacenar, procesar, y entender los datos históricos nos permite utilizarlos como insumo para el proceso de toma de decisiones. Normalmente las series de tiempo poseen, ya sea implícita o explícitamente, características que permiten realizar su análisis en base a una estructura jerárquica. Esta tesis se centra en el estudio de estas series de tiempo, y en la posibilidad de obtener mejores estimaciones de las mismas, mediante el estudio de sus jerarquías. Este trabajo presenta cuatro investigaciones. Dos de ellas poseen una contribución científica aplicada, mediante la predicción de series de tiempo jerárquicas (HTS) en la industria del Travel Retail y en un Contact Center, respectivamente. Las otras dos investigaciones entregan una contribución metodológica, mediante la incorporación de la estructura jerárquica de las series en un algoritmo de Machine Learning, buscando generar nuevos modelos especializados en la estimación de este tipo de series temporales. En la primera contribución aplicada, se generan estimaciones de venta de productos en la industria del Travel Retail mediante el enfoque clásico ε-SVR, pero adaptado a tres propuestas de algoritmos para su utilización en HTS. En este caso, nuestra metodología propuesta, SVR-BU, obtiene los mejores resultados, superando incluso a las técnicas clásicas ARIMA y Holt-Winters en términos de mean absolute percentage error (MAPE). En la segunda contribución aplicada, se realiza la estimación del volumen de llamadas entrantes en un Contact Center mediante los mismos algoritmos propuestos en el trabajo anterior, y nuevamente nuestra metodología es la que obtiene los mejores desempeños en términos de MAPE. En este caso, la contribución corresponde a la utilización de estos resultados en un modelo de optimización estocástica de staffing propuesto. Las dos contribuciones metodológicas corresponden a nuestras propuestas θ-SVR y KAT-SVR. Ambos métodos pensados como una extensión de ε-SVR para HTS. La idea es agregar información a través de los niveles jerárquicos, previniendo que las series de los niveles inferiores se desvían mucho de las series de los niveles superiores. Buscamos construir un modelo capaz de lidiar con el ruido intrínseco de los niveles inferiores. La gran diferencia entre ambas propuestas radica en que KAT-SVR incorpora métodos de kernel a los modelos reviamente presentados, con el objetivo de otorgarles mayor flexibilidad, mediante la posibilidad de modelar de mejor manera problemas más complejos, con características no lineales. Los modelos presentados en ambos trabajos, θ-SVR y KAT-SVR, obtienen los mejores desempe˜nos en términos de MAPE al ser comparados con ε-SVR tradicional, ARIMA, y Holt-Winters.