Modelos de pronóstico con Machine Learning para apoyar la toma de decisiones
No Thumbnail Available
Date
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Description
El análisis de series de tiempo es esencial en la ciencia de datos, ya que permite utilizar datos históricos para la toma de decisiones. Estas series a menudo tienen una estructura jerárquica que facilita su análisis. La tesis de Juan Pablo Karmy se enfocó en mejorar las estimaciones de series de tiempo jerárquicas (HTS) mediante el estudio de sus jerarquías, presentando cuatro investigaciones: dos con contribuciones aplicadas y dos metodológicas.<br/>Las investigaciones aplicadas incluyen la predicción de ventas en Travel Retail y la estimación del volumen de llamadas en un Contact Center, ambas usando una versión adaptada del enfoque ε-SVR para HTS. La metodología propuesta, SVR-BU, superó a técnicas tradicionales como ARIMA y Holt-Winters en precisión (MAPE). En el caso del Contact Center, estos resultados se integraron en un modelo de optimización estocástica de staffing.<br/>Las dos contribuciones metodológicas corresponden a las propuestas θ-SVR y KAT-SVR, 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 desvíen mucho de las series de los niveles superiores, manejando el ruido intrínseco que poseen. La diferencia entre ambas propuestas radica en que KAT-SVR incorpora métodos de kernel a los modelos, con el objetivo de otorgarles mayor flexibilidad, mediante la posibilidad de modelar problemas más complejos, con características no lineales. Los modelos presentados en ambos trabajos, θ-SVR y KAT-SVR, obtuvieron los mejores desempeños en términos de MAPE al ser comparados con ε-SVR tradicional, ARIMA, y Holt-Winters.