EventCast: Hybrid Demand Forecasting in E-Commerce with LLM-Based Event Knowledge

Resumen Técnico: EventCast

1. El Problema: Inestabilidad y Falta de Contexto en el E-commerce

El pronóstico de la demanda en el comercio electrónico es fundamental para la gestión de inventarios y la logística. Sin embargo, los modelos tradicionales de series temporales fallan sistemáticamente durante periodos de alta volatilidad, tales como:

• Eventos disruptivos: Rebajas flash, campañas promocionales, días festivos religiosos o cambios repentinos en políticas de envío.
• Limitaciones de los datos actuales: La información sobre estos eventos suele estar en bases de datos operativas en formato de texto no estructurado (con errores tipográficos, abreviaturas o lenguaje informal), lo que impide su uso mediante técnicas de emparejamiento de cadenas o variables categóricas rígidas.
• Fallo de los LLM como pronosticadores directos: Aunque los Grandes Modelos de Lenguaje (LLM) son potentes, su precisión numérica es baja y su costo computacional es prohibitivo para ser utilizados como motores de predicción de series temporales en tiempo real.

2. Metodología: Un Enfoque Híbrido y Desacoplado

Los autores proponen EventCast, un marco de trabajo modular que separa la razonamiento semántico de la predicción numérica. La arquitectura se basa en un diseño de "doble torre" (dual-tower):

• Torre de Razonamiento (LLM como Agente): En lugar de usar el LLM para predecir números, se utiliza un LLM congelado (frozen) como un agente de razonamiento experto. El LLM procesa una base de datos de eventos (calendarios de campañas, festividades, reglas de incentivos) y, mediante prompt engineering, genera resúmenes textuales interpretables sobre el contexto de una fecha futura específica. Esto permite capturar matices culturales (ej. el impacto del Ramadán) y combinaciones de eventos novedosas.
• Torre Histórica (Encoder de Series Temporales): Un codificador basado en Transformer procesa las características multivariantes históricas (volumen de ventas, días de la semana, etc.) para capturar tendencias y estacionalidades.
• Alineación y Fusión: Los resúmenes textuales se convierten en embeddings aprendibles y se alinean con las representaciones históricas en un espacio compartido. La predicción final se descompone en dos componentes:
  1. $\hat{y}_{trend}$: La tendencia base derivada de la historia.
  2. $\hat{y}_{event}$: El ajuste derivado del conocimiento del evento futuro.
     La suma ponderada de ambos ($\lambda \cdot \hat{y}_{trend} + (1-\lambda) \cdot \hat{y}_{event}$) produce el pronóstico final.

3. Contribuciones Clave

• Arquitectura Modular y Eficiente: Al usar el LLM solo para generar texto y no para procesar los números, el sistema es ligero, escalable y fácil de mantener. Se pueden actualizar los prompts o cambiar el LLM sin reentrenar todo el modelo de pronóstico.
• Integración de Conocimiento No Estructurado: Logra transformar datos operativos "sucios" y ambiguos en señales semánticas ricas que los modelos matemáticos pueden entender.
• Interpretabilidad: A diferencia de las "cajas negras", EventCast proporciona una traza de razonamiento en lenguaje natural, permitiendo a los gestores de almacén entender por qué el modelo predice un aumento de demanda (ej. "Aumento debido a la combinación de festividad local y campaña de envío gratuito").

4. Resultados Experimentales

El modelo fue desplegado en un escenario real de e-commerce (4 países, 160 regiones, 10 meses) y los resultados fueron sobresalientes:

• Mejora General: Superó a modelos de vanguardia como ChronosX, Time-LLM e iTransformer.
• Periodos de Eventos (Críticos): Durante periodos de alta volatilidad, EventCast redujo el error MAE en un 57.0% y el MSE en un 83.3% en comparación con el mejor baseline industrial.
• Superioridad en Horizontes Largos: Mientras que los modelos tradicionales son útiles para predicciones de muy corto plazo (T+1), la ventaja de EventCast crece significativamente en horizontes de 2 a 4 días, donde el conocimiento de eventos futuros es más determinante que la tendencia histórica.

5. Significado e Impacto

EventCast demuestra un cambio de paradigma: el valor de los LLM en la ciencia de datos de series temporales no reside en su capacidad de cálculo numérico, sino en su capacidad de razonamiento simbólico. El estudio valida que integrar el "conocimiento del mundo" y el contexto de negocio mediante lenguaje natural es la vía más efectiva para resolver la no-estacionariedad en entornos dinámicos como el comercio electrónico global.