📊 statistics

On the retraining frequency of global models in retail demand forecasting

Este artículo demuestra que un reentrenamiento menos frecuente de los modelos de pronóstico global a través de diversas arquitecturas de aprendizaje automático y aprendizaje profundo mantiene la precisión predictiva al tiempo que reduce significativamente los costos computacionales y el consumo de energía, ofreciendo un enfoque más sostenible y eficiente para el pronóstico de la demanda minorista a gran escala.

Autores originales: Marco Zanotti

Publicado 2026-01-15

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Marco Zanotti

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que diriges un supermercado masivo con miles de productos. Cada día, necesitas adivinar cuántas manzanas, cepillos de dientes o cajas de cereales comprará la gente para no quedarte sin existencias o malgastar dinero en stock no vendido. Para hacer esto, utilizas un "Modelo Global": un cerebro informático superinteligente que aprende de la historia de ventas de todos tus productos a la vez, en lugar de intentar aprender una regla separada para cada artículo.

Durante mucho tiempo, el consejo estándar fue: "Mantén este cerebro informático constantemente actualizado". Cada vez que ocurre una nueva venta, se debe reentrenar el modelo inmediatamente para mantenerlo afilado. El artículo de Marco Zanotti desafía este hábito. Él se pregunta: ¿Realmente necesitamos reentrenar este modelo cada uno de los días, o podemos dejarlo descansar un poco?

Aquí está el desglose de sus hallazgos utilizando analogías simples:

1. El "Entrenamiento Constante" frente al "Chequeo Periódico"

Piensa en el modelo de pronóstico como un estudiante estudiando para un gran examen.

La vieja forma (Reentrenamiento Continuo): El estudiante estudia un poco cada hora, todos los días. Está releyendo el libro de texto en el momento mismo en que se imprime una página nueva. Esto lo mantiene muy al día, pero es agotador, costoso (en términos de tiempo y energía) y puede quemarlo.
La nueva forma (Reentrenamiento Periódico): El estudiante estudia duro durante una semana y luego se toma un descanso. Solo vuelve al libro de texto una vez al mes para actualizar sus notas con los capítulos más recientes.

El descubrimiento del artículo: El estudio encontró que el estudiante que estudia una vez al mes se desempeña tan bien (o incluso mejor) en el examen que aquel que estudia cada hora. El "Modelo Global" es lo suficientemente inteligente como para aprender los patrones generales de la tienda (como "la gente compra más helado en verano") sin necesidad de que se le vuelva a enseñar cada día.

2. El costo de la eficiencia "Verde"

Reentrenar estos modelos no es gratis. Requiere una potencia informática masiva, lo que consume electricidad y genera emisiones de carbono (como conducir un coche).

La analogía: Imagina que la computadora es una máquina de fábrica gigante. Hacer funcionar la máquina las 24 horas del día, los 7 días de la semana para reentrenar el modelo cada día, cuesta una fortuna en electricidad.
El resultado: Al cambiar de "actualizaciones diarias" a "actualizaciones mensuales", el estudio encontró que las empresas podrían reducir sus costos informáticos en un 75%. Si dejaran de reentrenar el modelo por completo y simplemente lo usaran una vez, podrían ahorrar un 90% del costo.
El truco: Para el tipo de predicción más común (adivinar el número exacto de artículos vendidos), la precisión no disminuyó en absoluto. El modelo se mantuvo afilado incluso mientras "descansaba".

3. Aprendizaje Automático (Machine Learning) vs. Aprendizaje Profundo (Deep Learning)

El artículo probó dos tipos de "cerebros":

Modelos de Aprendizaje Automático (Machine Learning): Estos son como trabajadores eficientes y prácticos. Son excelentes siguiendo reglas y patrones. El estudio encontró que estos trabajadores se benefician más de tomar descansos. A medida que los datos crecen, estos modelos ahorran más dinero y energía cuando se reentrenan con menos frecuencia.
Modelos de Aprendizaje Profundo (Deep Learning): Estos son como artistas genios que pueden ver patrones complejos y ocultos. Son poderosos pero requieren mucha energía para funcionar. Aunque también ahorran dinero cuando se reentrenan con menos frecuencia, no ahorran tanto como los trabajadores prácticos, y parecen alcanzar un "techo" donde tomar descansos más largos no les ayuda a ahorrar mucho más.

4. La "Red de Seguridad" (Pronóstico Probabilístico)

A veces, no solo quieres saber cuántas manzanas se venderán; quieres saber el rango de posibilidades (por ejemplo, "venderemos entre 100 y 150 manzanas, pero quizás hasta 200"). Esto se llama pronóstico probabilístico.

El hallazgo: Si necesitas estas predicciones de "red de seguridad", el modelo necesita actualizarse un poco más seguido. Sin embargo, incluso aquí, actualizarlo una vez cada dos semanas suele ser suficiente. No necesitas hacerlo a diario.

La Conclusión

El artículo argumenta que la vieja regla de "mantener siempre el modelo fresco" está obsoleta y es un desperdicio.

Para Pronósticos de Punto (Números exactos): Puedes reentrenar tu modelo una vez al mes (o incluso menos) y obtener la misma precisión que con las actualizaciones diarias, ahorrando una cantidad masiva de dinero y energía.
Para Stock de Seguridad (Rangos): Podrías necesitar actualizarlo cada dos semanas, pero sigue siendo mucho menos frecuente que el diario.

En resumen: Tu modelo de pronóstico global es como un atleta bien entrenado. No necesita correr un sprint cada hora para mantenerse en forma. Puede correr un maratón, descansar durante algunas semanas y aun así ganar la carrera. Al dejarlo descansar, las empresas pueden ahorrar dinero y ayudar al medio ambiente sin perder su ventaja en la predicción de la demanda.

Resumen Técnico: Sobre la Frecuencia de Reentrenamiento de Modelos Globales en la Predicción de la Demanda Minorista

Planteamiento del Problema

En el ámbito de la predicción de la demanda minorista, las organizaciones se enfrentan a un compromiso crítico entre la precisión de la predicción, la eficiencia computacional y la sostenibilidad. Si bien los Modelos de Predicción Global (GMs, por sus siglas en inglés)—que ajustan un único modelo para todo un conjunto de datos de series temporales (aprendizaje cruzado)—han ganado prominencia por su capacidad para aprovechar dinámicas compartidas y reducir la carga computacional en comparación con los Modelos Locales (LMs), el estándar de la industria suele implicar un reentrenamiento continuo. Esta práctica asume que los procesos de actualización frecuentes son necesarios para adaptarse a los cambios en los patrones. Sin embargo, el reentrenamiento continuo incurre en costos computacionales sustanciales, consumo de energía y emisiones de carbono, particularmente en aplicaciones a gran escala que involucran millones de SKUs. El artículo investiga si este reentrenamiento frecuente es verdaderamente necesario para mantener el rendimiento predictivo de los modelos globales o si estrategias de menor frecuencia pueden ofrecer una alternativa más sostenible y rentable sin sacrificar la precisión.

Metodología

El estudio emplea un diseño experimental riguroso para evaluar el impacto de la frecuencia de reentrenamiento en los modelos de predicción global.

Conjuntos de Datos: El análisis utiliza dos conjuntos de datos de predicción minorista integrales:
- Competencia M5: Datos de ventas diarias de unidades para 30,490 combinaciones de SKU-tienda de Walmart (2011–2016).
- Desafío de Predicción VN1: Datos de ventas semanales de 15,053 productos de 328 almacenes pertenecientes a 46 minoristas (2020–2024).
- Los experimentos se centran en el nivel más desagregado (SKU × Tienda) para maximizar los beneficios potenciales de la reducción del reentrenamiento.
Modelos: Se evaluaron diez métodos distintos de predicción global, que comprenden:
- Aprendizaje Automático (5 modelos): Regresión Lineal (Agrupada/Pooled), Random Forest (RF), Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LGBM) y Categorical Boosting (CatBoost).
- Aprendizaje Profundo (5 modelos): Perceptrón Multicapa (MLP), Long Short-Term Memory (LSTM), Redes Convolucionales Temporales (TCN), Neural Basis Expansion Analysis for Time Series (NBEATS), NBEATS con variables exógenas (NBEATSx) y Neural Hierarchical Interpolation for Time Series (NHITS).
Escenarios de Reentrenamiento: El estudio define una ventana de reentrenamiento $r$ (el número de nuevas observaciones antes del reentrenamiento). Los escenarios van desde:
- Reentrenamiento Continuo ( $r=1$ o $r=7$ para datos diarios): El punto de referencia para la máxima precisión y costo.
- Reentrenamiento Periódico: Intervalos intermedios (por ejemplo, semanal, mensual).
- Sin Reentrenamiento ( $r=T$ ): El modelo se ajusta una sola vez en el conjunto de entrenamiento inicial y se utiliza durante todo el horizonte de prueba.
Marco de Evaluación:
- Validación: Evaluación de origen rodante con un enfoque de ventana expansiva para simular condiciones comerciales del mundo real.
- Métricas:
  - Predicción de Punto: Error Cuadrático Medio Escalado (RMSSE).
  - Predicción Probabilística: Pérdida Multicuantil Escalada (SMQL) a través de 14 cuantiles.
  - Eficiencia: Tiempo de Computación (CT) en segundos, directamente correlacionado con los costos monetarios mediante modelos de precios en la nube.
- Análisis Estadístico: Se utilizaron pruebas de Friedman-Nemenyi para verificar la significancia estadística entre los escenarios.

Resultados Clave

1. Precisión de la Predicción vs. Frecuencia de Reentrenamiento

Predicción de Punto: El estudio encuentra que un reentrenamiento menos frecuente no perjudica, y en algunos casos mejora ligeramente, la precisión de la predicción de punto. Para ambos conjuntos de datos, M5 y VN1, los perfiles de RMSSE se mantuvieron estables a través de las frecuencias de reentrenamiento. Incluso en el escenario de "sin reentrenamiento", la degradación del rendimiento fue insignificante (menos del 5%).
Predicción Probabilística: Los resultados fueron ligeramente más matizados. Para el conjunto de datos M5, la precisión (medida por SMQL) mostró un ligero declive a medida que la frecuencia de reentrenamiento disminuía, aunque la diferencia se mantuvo dentro de los 5-6 puntos porcentuales. Para el conjunto de datos VN1, se observó una relación casi convexa, donde los escenarios de bajo reentrenamiento mejoraron inicialmente el rendimiento antes de deteriorarse en intervalos más altos.
Diferencias de Modelos: Los modelos de aprendizaje automático generalmente mantuvieron o mejoraron la precisión con un reentrenamiento menos frecuente a medida que aumentaba la frecuencia de los datos, mientras que los modelos de aprendizaje profundo mostraron mayor estabilidad pero menores ganancias marginales en este contexto específico.

2. Costo Computacional y Eficiencia

Reducción Exponencial: El Tiempo de Computación (CT) disminuye exponencialmente a medida que el intervalo de reentrenamiento $r$ $r$ aumenta.
- Pasar de un reentrenamiento continuo a uno mensual redujo el CT aproximadamente un 75%.
- El escenario de "sin reentrenamiento" redujo el CT hasta en un 90% en comparación con el punto de referencia.
Implicaciones de Costo: Utilizando un escenario hipotético de un gran minorista (200,000 SKUs, 5,000 tiendas), el estudio estima que el reentrenamiento continuo cuesta aproximadamente $750,000 anuales para datos diarios. Cambiar a una estrategia de "sin reentrenamiento" podría reducir esto a ~$250,000, lo que representa ahorros de más del 60%. Para datos semanales, los ahorros alcanzaron el 90%.
Selección de Modelos: Los modelos de aprendizaje automático junto con estrategias de reentrenamiento menos frecuentes demostraron ser una opción ligeramente mejor para la reducción de costos a medida que la frecuencia de los datos aumentaba, superando a los modelos de aprendizaje profundo en términos de ganancias de eficiencia de costos.

3. Intervalos de Reentrenamiento Óptimos

El análisis identificó frecuencias de reentrenamiento "óptimas" basadas en la precisión:

Predicción de Punto: Los intervalos óptimos se encontraron entre las 3 y 4 semanas (aprox. 21 observaciones) para M5 y entre 8 y 10 semanas para VN1.
Predicción Probabilística: Los intervalos óptimos fueron más cortos (aprox. 2 semanas para M5, 4 semanas para VN1), lo que sugiere que la estimación de la incertidumbre puede requerir actualizaciones ligeramente más frecuentes que las estimaciones de punto.

Principales Contribuciones

Estudio Empírico Exhaustivo: Este es el primer estudio que analiza sistemáticamente la relación entre la frecuencia de reentrenamiento y la precisión de la predicción a través de 10 diversos modelos globales (ML y DL) utilizando conjuntos de datos minoristas del mundo real, cubriendo tanto la predicción de punto como la probabilística.
Cuantificación de Compensaciones: El documento cuantifica la compensación entre la precisión y la sostenibilidad, demostrando que se pueden lograr reducciones significativas en los costos computacionales (hasta un 90%) con un impacto insignificante en el rendimiento predictivo.
Guías Prácticas: El estudio proporciona recomendaciones accionables para profesionales, sugiriendo que el reentrenamiento periódico (por ejemplo, mensual) ofrece un equilibrio superior entre precisión y costo en comparación con el paradigma convencional de reentrenamiento continuo.

Significado y Afirmaciones

El documento desafía la sabiduría convencional de que el reentrenamiento frecuente o continuo es esencial para mantener el alto rendimiento predictivo de los modelos de predicción global. Los autores afirman que los modelos globales, al aprender dinámicas compartidas a través de múltiples series temporales, son lo suficientemente robustos como para seguir siendo efectivos sin actualizaciones constantes, particularmente en contextos con patrones de demanda relativamente estables.

La importancia de estos hallazgos radica en su doble impacto:

Económico: Las organizaciones pueden lograr ahorros financieros sustanciales optimizando los programas de reentrenamiento sin comprometer la calidad de la predicción.
Ambiental: Al reducir la frecuencia del entrenamiento de los modelos, las organizaciones pueden disminuir significativamente el consumo de energía y las emisiones de carbono, alineándose con los principios de la "IA Verde" (Green AI).

El estudio concluye que pasar de un paradigma de reentrenamiento continuo a uno periódico permite a las empresas optimizar sus procesos de predicción, logrando ahorros de costos relevantes mientras aseguran un alto rendimiento predictivo. Los autores señalan que, si bien sus hallazgos son robustos para la demanda minorista estable, la investigación futura debería explorar estrategias de reentrenamiento adaptativas activadas por la detección de deriva de concepto (concept drift) y extender estos análisis a otros dominios y arquitecturas de modelos.