An Adaptive Model Selection Framework for Demand Forecasting under Horizon-Induced Degradation to Support Business Strategy and Operations

Este estudio presenta AHSIV, un marco de selección de modelos adaptativo que aborda la inestabilidad en la clasificación de pronósticos causada por el horizonte temporal y la variabilidad de la demanda, integrando métricas de error ajustadas y clasificación estructural para optimizar la toma de decisiones operativas y estratégicas en entornos comerciales complejos.

Lo esencial

¡Claro que sí! Imagina que este artículo es como un manual de instrucciones para un capitán de barco que necesita predecir el clima no solo para mañana, sino para los próximos 12 días, mientras navega por un mar lleno de tormentas repentinas y calmas extrañas.

Aquí tienes la explicación de la investigación, traducida a un lenguaje sencillo y con analogías creativas:

🌊 El Problema: El "Mapa" que cambia con el tiempo

En el mundo de los negocios (como vender ropa o comida), las empresas necesitan adivinar cuánta gente comprará sus productos en el futuro. Esto se llama pronóstico de demanda.

El problema es que no existe una "bola de cristal" perfecta.

• A veces, un método de predicción funciona genial para mañana.
• Pero si intentas usar ese mismo método para predecir lo que pasará dentro de un mes, falla estrepitosamente.
• Además, algunos productos se venden todos los días (como el pan), mientras que otros son raros y esporádicos (como un coche de lujo o un repuesto de avión).

Los investigadores dicen: "¡Oye! Estamos cometiendo un error al elegir el mismo método para todo y para todos los tiempos. Es como usar un mapa de la ciudad para navegar en el océano: no sirve".

🛠️ La Solución: El "Selector Adaptativo" (AHSIV)

Los autores crearon un nuevo sistema llamado AHSIV (un nombre un poco complicado, pero piensa en él como un "Cocinero Inteligente").

Imagina que tienes que preparar una cena para 100 personas, pero no sabes quiénes van a venir ni qué les gusta:

1. El Cocinero Viejo (Métodos antiguos): Solo sabe hacer una receta (por ejemplo, sopa). Si hay gente que quiere pizza, les da sopa. Si hay gente que no come gluten, les da sopa con pan. ¡Desastre!
2. El Cocinero Inteligente (AHSIV): Antes de cocinar, mira la nevera y a los comensales.
   • ¿Es un día tranquilo con gente que come mucho? Usa la receta A.
   • ¿Es un día raro con gente que come poco y de forma intermitente? Usa la receta B.
   • ¿El clima va a cambiar en 3 días? Ajusta la receta para que no se estropee.

Este sistema no elige una sola receta para siempre; cambia de estrategia según el tipo de producto y lo lejos que quieras mirar en el futuro.

⏳ El Truco Secreto: "La Degradación del Tiempo" (MDFH)

Aquí entra la parte más brillante del artículo. Sabemos que predecir es más difícil cuanto más lejos miras.

• Predecir si lloverá mañana es fácil.
• Predecir si lloverá en 3 meses es casi imposible.

La mayoría de los sistemas ignoran esto y asumen que si un método funciona bien hoy, funcionará igual de bien en el futuro. Eso es una trampa.

Los autores crearon una regla llamada MDFH (Degradación de la Métrica por Horizonte de Pronóstico).

• La analogía: Imagina que lanzas una pelota. Si la lanzas a 1 metro, sabes dónde caerá. Si la lanzas a 100 metros, el viento y la gravedad la desviarán más.
• El sistema MDFH le dice al computador: "Oye, como vamos a mirar 12 semanas hacia adelante, debemos 'castigar' un poco los errores de los métodos que no son buenos a largo plazo". Ajusta las reglas del juego para que sea justo comparar métodos a corto plazo con métodos a largo plazo.

🧪 La Prueba: El Gran Torneo de Predicción

Para ver si su "Cocinero Inteligente" funcionaba, los autores lo pusieron a competir contra otros métodos famosos usando datos reales de:

• Walmart (tiendas de todo tipo).
• M3, M4, M5 (competiciones mundiales de predicción con miles de productos).

El resultado:

• El sistema antiguo (que usaba una sola regla para todos) falló mucho, especialmente cuando el tiempo de predicción era largo.
• El sistema AHSIV (el inteligente) no siempre fue el número 1 en todos los casos, pero fue mucho más consistente.
• Lo más importante: AHSIV eligió el mejor método para cada momento específico con mucha más frecuencia. Es como si el capitán del barco supiera exactamente cuándo cambiar de vela según el viento.

💡 ¿Por qué importa esto para ti?

Si eres un gerente de una tienda, un dueño de un negocio o incluso alguien que gestiona su presupuesto familiar:

1. Menos desperdicio: Si predices mal cuánto pan comprar, o te quedas sin pan (y pierdes clientes) o te sobra y se pudre (y pierdes dinero). Este sistema ayuda a encontrar el punto justo.
2. Adaptabilidad: No hay una solución mágica única. Lo que funciona para vender paraguas en invierno no funciona para vender helados en verano. Este sistema entiende esa diferencia.
3. Visión a largo plazo: Te ayuda a tomar decisiones hoy pensando en lo que pasará en 3 o 6 meses, no solo en la próxima semana.

En resumen

Este artículo nos enseña que la predicción no es un "talla única". Es un arte que requiere adaptar la herramienta a la tarea. Los autores crearon un sistema que actúa como un director de orquesta: sabe cuándo usar el violín (un método estadístico) y cuándo usar el tambor (un método de aprendizaje automático), dependiendo de si la música es suave (demanda estable) o ruidosa (demanda caótica), y de si la canción es corta o larga.

¡Es una forma más inteligente y flexible de mirar hacia el futuro! 🚀🔮

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Un Marco de Selección de Modelos Adaptativo para la Predicción de la Demanda bajo Degradación Inducida por el Horizonte para Apoyar la Estrategia Empresarial y las Operaciones

Autores: Adolfo González y Víctor Parada (Universidad de Santiago de Chile).

---

1. Problema Identificado

El entorno empresarial actual se caracteriza por una alta volatilidad, demanda intermitente y la necesidad de planificación a múltiples pasos (horizontes de tiempo). El estudio identifica tres desafíos críticos en la selección de modelos de pronóstico de demanda:

• Ausencia de un modelo dominante universal: Ningún modelo de pronóstico supera consistentemente a los demás en todos los conjuntos de datos, regímenes de demanda o horizontes de predicción.
• Inconsistencia en las métricas de evaluación: Diferentes métricas de error (MAE, RMSE, RMSSE, etc.) generan clasificaciones de modelos contradictorias, creando ambigüedad en la toma de decisiones multi-SKU (Unidad de Mantenimiento de Stock).
• Degradación inducida por el horizonte: La precisión del pronóstico tiende a degradarse a medida que aumenta la longitud del horizonte de predicción debido a la acumulación de incertidumbre. La literatura previa a menudo evalúa modelos en horizontes fijos y cortos, asumiendo erróneamente que el rendimiento se mantiene estable en horizontes operativos más largos, lo que lleva a decisiones subóptimas en la planificación de inventarios.

2. Metodología Propuesta

Los autores proponen un marco integral que integra la clasificación estructural de la demanda, la adaptación al horizonte y la optimización multiobjetivo.

A. Procedimiento de Degradación de Métricas por Horizonte de Pronóstico (MDFH)

Este es un componente fundamental para ajustar las métricas de error.

• Concepto: Proyecta las métricas de error obtenidas en el conjunto de prueba hacia horizontes futuros operativos sin utilizar realizaciones futuras no observadas.
• Mecanismo: Utiliza una ley de potencia dependiente del horizonte ($E(h) \propto h^\alpha$) para modelar el crecimiento del error.
• Condicionamiento Estructural: El ajuste solo se aplica si el proceso se diagnostica como "estable" (baja variabilidad relativa y cambios suaves en la pendiente). Si la serie muestra sesgo o comportamiento explosivo, no se extrapola el error para evitar optimismo injustificado.

B. Selector Híbrido Adaptativo para Intermitencia y Variabilidad (AHSIV)

Es el núcleo del marco de selección, diseñado para adaptarse dinámicamente al régimen de la serie temporal.

1. Clasificación de Regímenes: Clasifica cada serie de demanda en dos categorías basadas en la frecuencia de la demanda ($p$) y la variabilidad relativa ($c$):
   • Régimen Regular-Estable: Demanda frecuente con variabilidad acotada.
   • Régimen Intermitente o de Alta Variabilidad: Demanda esporádica o muy volátil.
2. Lógica de Selección:
   • Para Régimen Regular: Aplica un enfoque de optimización multiobjetivo utilizando dominancia de Pareto sobre las métricas de error escalado (RMSSE) y absoluto (MAE) ajustadas por MDFH. Luego, refina la selección minimizando el sesgo (BIAS) y el error porcentual (sMAPE).
   • Para Régimen Intermitente/Variable: Adopta una estrategia conservadora, seleccionando directamente el modelo que minimiza el RMSSE proyectado, evitando combinaciones multiobjetivo que podrían ser inestables en estos contextos.
3. Salida: Genera un ranking normalizado de los modelos candidatos.

C. Métrica de Calidad Estratégica (GRA)

Para evaluar el impacto real en los negocios, se introduce la Precisión Relativa Global (GRA).

• Evalúa la coherencia entre el volumen total proyectado y el volumen real total en el horizonte de evaluación.
• A diferencia de las métricas puntuales, GRA mide el impacto económico agregado de los errores (sobre-stock vs. falta de stock), alineando la evaluación del modelo con objetivos de gestión de inventarios.

D. Diseño Experimental

• Datos: Walmart, M3, M4 y M5 (competencias de pronóstico reconocidas).
• Configuración: Se probaron tres esquemas de partición entrenamiento/prueba (91:9, 80:20, 70:30) y horizontes de 1 a 12 ciclos.
• Modelos Comparados: AHSIV se comparó contra un selector monométrico (RMSSE ajustado por horizonte) y un selector de agregación de rangos de equilibrio (ERA). Se evaluaron más de 20 modelos (desde estadísticos como ARIMA hasta Deep Learning como LSTM y Transformers).

3. Contribuciones Clave

1. Formalización del MDFH: Un procedimiento teórico y operativo para proyectar métricas de error a horizontes futuros bajo condiciones de estabilidad estructural, permitiendo comparaciones coherentes sin necesidad de datos futuros.
2. Desarrollo de AHSIV: Un mecanismo de selección que no es estático, sino que adapta su lógica de decisión (Pareto vs. Minimización simple) según la estructura de la demanda (intermitencia/variabilidad) y el horizonte.
3. Integración de Sesgo y Estrategia: Vincula explícitamente la evaluación de la precisión predictiva con las implicaciones económicas asimétricas de las decisiones de inventario a través de la minimización de sesgo y la métrica GRA.
4. Evidencia Empírica de Inestabilidad: Demuestra estadísticamente que la selección de modelos es inherentemente dependiente del horizonte, invalidando la práctica de usar un único ranking global.

4. Resultados

• Rendimiento Estadístico: En términos de la métrica agregada GRA, AHSIV alcanzó una equivalencia estadística con el mejor selector monométrico (RMSSE ajustado) en la mayoría de los conjuntos de datos y esquemas de partición. Sin embargo, ambos superaron significativamente al selector ERA.
• Adaptabilidad del Horizonte: El análisis de frecuencia de selección mostró que no existe un modelo único dominante en todos los horizontes. AHSIV seleccionó con mayor frecuencia el modelo óptimo para cada horizonte específico en comparación con los otros métodos, demostrando su capacidad para capturar la variabilidad inducida por el horizonte.
• Robustez: Los resultados se mantuvieron consistentes a través de diferentes tamaños de conjuntos de entrenamiento (91:9 a 70:30), lo que sugiere que la lógica adaptativa de AHSIV no depende críticamente de una proporción específica de datos históricos.
• Estadística Inferencial: Las pruebas no paramétricas (Kruskal-Wallis y Dunn) confirmaron diferencias significativas entre los selectores, atribuidas principalmente al bajo rendimiento de ERA, mientras que AHSIV y RMSSE ajustado mostraron comportamientos competitivos pero con AHSIV mostrando mayor sensibilidad a los cambios de régimen.

5. Significado e Implicaciones

• Para la Gestión de Operaciones: El estudio demuestra que la selección de modelos de pronóstico no debe tratarse como un problema estático de clasificación, sino como un proceso dinámico que debe considerar explícitamente la degradación del error a lo largo del tiempo y la naturaleza de la demanda.
• Eficiencia de Inventario: Al utilizar AHSIV y la métrica GRA, las organizaciones pueden mejorar la alineación entre las compras planificadas y la demanda real, reduciendo los costos de mantenimiento de inventario y las pérdidas por faltantes.
• Avance Metodológico: Proporciona un marco reproducible y estructurado para entornos de negocio complejos (multi-SKU, alta heterogeneidad), llenando un vacío en la literatura sobre cómo integrar la teoría de la degradación del horizonte con la clasificación de regímenes de demanda en la práctica operativa.

En conclusión, el artículo valida que los mecanismos de selección de modelos adaptativos, sensibles al régimen y conscientes del horizonte ofrecen una solución superior y operativamente coherente para la predicción de demanda en entornos empresariales modernos.