Resumen Técnico: Desconvolución Contextual para la Detección de Demanda con Estabilidad de Varianza

Planteamiento del Problema

En entornos minoristas promocionales, los modelos estándar de aprendizaje automático (ML) —como los árboles de gradiente potenciado o los transformadores temporales— optimizan la precisión estadística punto a punto (por ejemplo, el RMSE), pero no logran contabilizar la volatilidad operativa. Estos modelos suelen confundir los choques de demanda transitorios (ej. promociones, eventos SNAP) con cambios estructurales de la demanda. En consecuencia, los pronósticos sin suavizar propagan la inestabilidad hacia arriba en la cadena de suministro, inflando los requisitos de stock de seguridad y amplificando el efecto Bullwhip (efecto látigo).

El desafío central es que los modelos autorregresivos clásicos carecen de restricciones estructurales para mapear los efectos exógenos retardados de vuelta a sus eventos de origen. Tratan las huellas promocionales de varios días como colapsos estructurales o anomalías instantáneas, lo que genera inestabilidad operativa. Aunque existen métodos de aprendizaje conscientes del inventario, estos suelen dirigirse directamente a la capa de decisión. Este documento aborda la capa de descomposición, con el objetivo de separar las líneas base estructurales latentes de los choques transitorios para proporcionar una entrada estable para los optimizadores de inventario descendentes.

Metodología: Desconvolución Contextual (CD)

Los autores replantean la detección de la demanda como un problema inverso: recuperar componentes estructurales y transitorios latentes a partir de señales de demanda observadas. El marco propuesto, la Desconvolución Contextual (CD), utiliza un estimador de dos etapas que combina la regresión de retardo distribuido con una descomposición de suavidad más dispersión convexa.

1. Formulación del Problema Inverso

La señal de demanda observada $b$ se modela como una superposición de una línea base estructural suave ($x_{base}$) y una señal transitoria dispersa ($x_{spec}$), mapeadas a través de operadores directos:
$$b = A_{base}x_{base} + A_{spec}(\theta)x_{spec} + \epsilon$$
Donde $A_{base} = I$ (identidad) y $A_{spec}(\theta)$ es un operador de banda modulado por contexto parametrizado por hiperparámetros de kernel $\theta$. La recuperación se formula como un problema de optimización convexa que minimiza la fidelidad, la suavidad (penalización $\ell_2$ sobre derivadas) y la dispersión (penalización $\ell_1$ sobre choques):
$$\min_{x_{base}, x_{spec}} \|b - (x_{base} + A_{spec}x_{spec})\|_2^2 + \lambda_{smooth}\|Lx_{base}\|_2^2 + \lambda_{sparse}\|x_{spec}\|_1$$

2. Operadores Modulados por Kernel

A diferencia de la descomposición clásica que asume choques instantáneos ($A=I$), la CD emplea un operador modulado por kernel para codificar la persistencia promocional (carryover).

• Familia Paramétrica: Para evitar los problemas de no normalidad y crecimiento transitorio encontrados en los operadores Koopman basados en datos (EDMD), la CD utiliza un kernel de Diferencia de Exponenciales (DoE) compacto e interpretable. Este kernel captura un aumento inmediato, una persistencia gradual y una opcional canibalización post-promoción (vacío).
• Propagación Modulada por la Fuente: El operador es una matriz de banda triangular inferior donde las subdiagonales son moduladas por características exógenas (ej. tipo de promoción). Crucialmente, la contribución en el tiempo $t$ proveniente de un retardo $k$ está modulada por el valor de la característica en el tiempo de origen $t-k$, reflejando la dinámica de la cadena de suministro.
• Ancho de Banda: El retardo del kernel se deriva de los datos (por defecto $n=14$ días), capturando $\ge 94\%$ de la energía de la respuesta al impulso en la mayoría de las categorías, manteniéndose computacionalmente eficiente.

3. Pipeline de Estimación de Dos Etapas

Para asegurar la escalabilidad y estabilidad, la CD desacopla la estimación de la línea base de la recuperación del kernel:

1. Suavizado Robusto (Robust Detrending): Una función de pérdida Huber extrae una tendencia robusta $\hat{\mu}$ de la señal bruta, reduciendo el peso de las observaciones extremas.
2. Regresión de Retardo Distribuido: El residuo se regresa contra las características de los eventos y sus retardos causales utilizando regresión ridge para estimar los coeficientes del kernel. Para familias paramétricas, estos se ajustan mediante mínimos cuadrados no lineales.

4. Pooling Parcial Jerárquico

Para abordar la fragilidad estadística de la estimación de kernel por SKU (común en el retail empresarial con historiales de eventos dispersos), la CD emplea pooling parcial jerárquico. Los parámetros del kernel se estiman a niveles de SKU, categoría y global. Los SKUs con historiales dispersos toman prestada fuerza de las medianas de categoría o globales, permitiendo el despliegje en decenas de miles de SKUs sin necesidad de ajuste por SKU.

5. Arquitectura de Pronóstico

El pronóstico final es una superposición de dos flujos:

• Flujo A: Extrapolación de la línea base suave (ej. Holt-Winters).
• Flujo B: Inyección determinista de eventos futuros conocidos a través del kernel fijo.

Contribuciones Clave

1. Operador de Banda Modulado por Contexto: Introduce un operador estructurado que codifica la persistencia promocional directamente en un problema inverso convexo, reemplazando el mapeo de identidad clásico por un operador invertible motivado físicamente.
2. Pipeline de Dos Etapas Escalable: Un proceso de estimación desacoplado (Suavizado Robusto + Regresión de Retardo Distribuido) que garantiza la estabilidad y permite el despliegue a escala de catálogo en CPUs.
3. Pooling Parcial Jerárquico: Un mecanismo que regulariza los kernels por SKU hacia las medianas de categoría y globales, haciendo que el método sea viable para SKUs con historiales de eventos dispersos.
4. Contabilidad de Costos Honesta: El documento proporciona un análisis riguroso de costos de inventario, identificando un punto de cruce específico donde la CD minimiza el costo total frente a donde intercambia costo por estabilidad.
5. Análisis Teórico de Operadores: Demuestra que los operadores aprendidos sin restricciones son altamente no normales, justificando el uso de kernels paramétricos compactos para la interpretabilidad y la estabilidad operativa.

Resultados Empíricos

El marco fue evaluado estrictamente fuera de la muestra en 30,490 SKUs de M5 y 2,845 artículos de Favorita, con todas las líneas base recibiendo calendarios promocionales futuros idénticos.

• Estabilidad Operativa (Ratio de Varianza): La CD logra un Ratio de Varianza (VR) mediano de 0.0007 en M5 y 0.0072 en Favorita. Esto es significativamente menor que el de Tuned XGBoost (0.0135 en M5, 0.0395 en Favorita) y otros baselines estructurales o potenciados.
• Stock de Seguridad: La CD reduce el stock de seguridad requerido a 0.16× el de Tuned XGBoost en M5 y 0.38× en Favorita, con niveles de servicio igualados.
• Confiabilidad vs. Tendencia Central: Aunque las ganancias de precisión mediana son modestas (wMAPE de la CD de 1.01 vs. 1.14 para XGBoost en M5), la CD exhibe una confiabilidad transversal superior. Tiene la menor dispersión de error por SKU (DE 0.23 vs. 1.11–4.51) y la menor tasa de fallos catastróficos (0.8% de los SKUs con >200% de error vs. 9.9–20.6% para los baselines).
• Relación Costo-Beneficio:
  • La CD reduce el costo total de inventario solo cuando los costos de mantenimiento superan aproximadamente el $\sim 20\%$ de los costos de falta de stock ($h/p \gtrsim 0.20$).
  • En regímenes donde los costos de falta de stock predominan (típico en el retail de alimentos), el suavizado agresivo de la CD provoca un aprovisionamiento insuficiente de los picos promocionales, aumentando los costos de falta de stock.
  • Por lo tanto, la CD se posiciona como una capa de estabilidad operativa y de capital de inventario en lugar de un minimizador universal de costos esperados.

Significado y Reivindicaciones

El documento sostiene que la Desconvolución Contextual ofrece una solución estructural al compromiso entre lo estadístico y lo operativo en las cadenas de suministro. Al separar explícitamente los choques transitorios de las líneas base estructurales mediante un operador modulado por kernel, la CD reduce la varianza del pronóstico y de los pedidos sin requerir entrenamiento por SKU ni recursos de GPU.

Los autores enfatizan que las ganancias operativas (reducción del efecto Bullwhip, menor stock de seguridad) provienen principalmente de la descomposición estructural (línea base suave + choques dispersos) más que de la forma específica del kernel de persistencia. El kernel actúa como un refinamiento adaptativo que mejora el rendimiento donde existe una verdadera persistencia de varios días (ej. categoría M5 Hobbies) pero se reduce a un impulso donde las promociones son instantáneas (ej. M la M5 Foods/Household, Favorita).

Este trabajo posiciona a la CD no como un reemplazo para los pipelines de pronóstico existentes, sino como una capa de soporte a la decisión que corre junto a ellos. Es particularmente valiosa para empresas que buscan estabilizar las señales de reabastecimiento y reducir el capital de inventario en entornos con calendarios promocionales futuros conocidos, siempre que la estructura de costos favorezca la reducción de costos de mantenimiento sobre la cobertura de picos.