Taller En Línea: Técnicas de Pronósticos de Demanda, Mejores Prácticas y Aplicaciones Utilizando Forecast Pro

Introducción a los Pronósticos
Una vista general a los pronósticos de la demanda y sus múltiples usos dentro de una organización. Los temas incluyen enfoques de pronósticos, características de los datos, el rol del juicio y experiencia, selección de métodos de pronósticos apropiados para conjuntos de datos variados y recursos para Forecasters.

Componentes de los Datos
Un vistazo a profundidad de los distintos componentes encontrados en datos de series de tiempo incluyendo tendencia, patrones estacionales, ciclos de negocios, variaciones por días del calendario, intervenciones (eventos) y ruido. La discusión incluye las formas que pueden tomar los componentes, detección de componentes locales vs. globales, interpretación de indicadores de ciclos de negocios y el uso de rutinas de descomposición.

Suavización Exponencial
Una variedad de técnicas de suavización exponencial con un énfasis particular en la familia de modelos Holt-Winters. Los temas incluyen las ventajas y desventajas de utilizar estos modelos, cuándo es mejor utilizarlos, cómo funcionan, identificación de componentes del modelo, optimización de parámetros y diagnóstico de modelos.

Extensiones de Suavización Exponencial
Esta sesión analiza tres útiles extensiones a la familia de modelos de suavización exponencial. La primera es el modelo NA-CL que usualmente mejorará la precisión de los pronósticos para conjuntos de datos que muestran una “demanda de temporada” donde la mayoría de la demanda ocurre en momentos específicos del año (por ejemplo, vacunas contra la influenza). La segunda es el Modelo de Demanda Intermitente de Croston que es utilizado para pronosticar datos que muestran periodos con demanda de cero frecuentemente. La tercera es el Modelo de Componentes Personalizados que permite estimar algunos componentes desde los datos y que el Forecaster los ajuste.

Modelos Box-Jenkins (ARIMA)
Un análisis del uso de los modelos ARIMA para pronósticos de la demanda. Los temas incluyen las ventajas y desventajas de utilizar estos modelos, cómo y cuándo deben de ser aplicados, procedimientos de identificación automática y diagnósticos de modelos.

Precisión y Evaluación de los Pronósticos
Un análisis detallado a la evaluación de la precisión de los métodos de pronósticos. Los temas incluyen la diferenciación entre errores del modelo y fuera de la muestra, una variedad de estadísticas para medición de errores, un resumen de resultados de competencias de pronósticos y una explicación sobre cómo utilizar reportes de seguimiento y realizar simulaciones como técnica de predicción de desempeño del modelo.

Identificando Problemas en tu Proceso de Pronósticos
Enfoques para concentrarse en artículos críticos cuando se pronostican grandes cantidades de datos. Los temas incluyen la evaluación y generación de pronósticos a niveles de artículo, clasificación ABC (Pareto) y filtros, detección y corrección de datos atípicos, reportes de excepciones y medición de precisión en múltiples series de tiempo.

Modelos de Índices de Eventos
Los modelos de índices de eventos extienden la funcionalidad de los modelos de suavización exponencial al proporcionar ajustes para promociones, paros o faltantes y otros eventos que no se basan en el calendario regular. Esta sesión habla sobre cómo funcionan estos modelos, cómo y cuándo deben ser utilizados y cómo personalizar su diseño para que se ajuste mejor a tus necesidades.

Pronósticos en Múltiples Niveles
Esta sesión analiza las técnicas de pronósticos de jerarquías. Los temas incluyen la necesidad de pronósticos en diferentes niveles, jerarquías de producto vs. geográficas, estrategias de reconciliación, enfoques top-down vs. bottom-up, el uso de asignación proporcional y ajustes de estacionalidad.

Pronósticos de Productos Nuevos
Esta sesión analiza una variedad de enfoques para pronósticos de productos nuevos. Los temas abarcan las ventajas y desventajas de diferentes métodos basados en la clasificación de un nuevo producto y una revisión de métodos típicos incluyendo remplazos de artículos, pronóstico por analogía y el modelo de difusión de Bass.

Pronóstico con Machine Learning

Esta sesión describe los conceptos básicos y los beneficios de la previsión con Machine Learning (ML). Los temas incluyen los conceptos básicos de la previsión basada en el aprendizaje automático, cuándo es probable que ML mejore sus previsiones, cómo utilizar la opción ML completamente automática en Forecast Pro y cómo crear modelos AA personalizados en Forecast Pro.

Regresión Dinámica
Un análisis detallado de los pros y contras de los pronósticos de regresión. Los temas incluyen cuándo es mejor aplicar modelos de regresión, cómo construir estos modelos, mínimos cuadrados ordinarios, indicadores que conducen un comportamiento, variables defasadas, modelos Cochrane-Orcutt, prueba de hipótesis y el uso de variables “dummy”.