Pronóstico Predictivo y Simulación

Marzo de 2020. Todos los modelos de pronóstico en eBay Classifieds se rompieron de la noche a la mañana. Los listados de bienes raíces colapsaron. La demanda de autos se evaporó. Los patrones históricos en los que cada modelo se basaba dejaron de ser relevantes en una semana.

Ahí es cuando aprendes la diferencia entre un pronóstico y un plan. Un pronóstico te dice qué probablemente pasará. Un plan te dice qué hacer cuando no pasa.

Por qué la mayoría de los proyectos de pronóstico fracasan

Las empresas invierten en pronóstico cuando están cansadas de las sorpresas. Comprensible. Pero la mayoría de las implementaciones fracasan por la misma razón: construyen una predicción de un solo punto ("los ingresos del Q3 serán $12.4M") en lugar de un framework de escenarios ("Estos son los tres resultados más probables, las condiciones que disparan cada uno, y qué hacemos en cada caso").

Los pronósticos de un solo punto crean una falsa sensación de precisión. También se vuelven políticos — quien sea dueño del modelo es dueño del número, y nadie quiere equivocarse.

Qué construimos en su lugar

Construimos modelos que sirven a quienes toman decisiones, no a científicos de datos. Eso significa:

Simulación de escenarios, no estimaciones puntuales. Para los cinco mercados emergentes de eBay durante COVID, construimos parches de línea base "sin-COVID" — patrones históricos sintéticos sin efectos de pandemia — y luego colocamos escenarios de recuperación encima. Los CFOs y GMs usaban estos semanalmente para ajustar presupuestos en tiempo real, no trimestralmente.

Algoritmos específicos del dominio, no genéricos. En P&G, descubrimos que el sistema de reabastecimiento de Walmart estaba malinterpretando señales de demanda por una falla estructural en cómo procesaba la disponibilidad en anaquel — un problema que detallamos a fondo en nuestro trabajo de Supply Chain. El ángulo de pronóstico era distinto a la corrección operativa: nuestros modelos tenían que separar caída real de demanda de pérdida artificial de señal. Construimos indicadores de demanda compuesta que ponderaban velocidad POS contra posición de inventario y datos de escaneo en anaquel, permitiendo que el pronóstico distinguiera "este producto está perdiendo participación" de "este producto está perdiendo espacio en anaquel". Sin esa distinción, el equipo de operaciones habría sobrestockeado en todas partes en lugar de las 20 tiendas donde realmente importaba.

Re-ejecuciones mensuales del modelo, no entregas únicas. Un modelo de pronóstico que no se re-entrena con datos frescos se degrada rápido. En eBay, lo vimos directamente con un modelo de retención detallado en nuestro trabajo de Customer & Marketing Insights — la precisión del modelo se degradaba 8-12% en seis semanas si congelábamos la ventana de entrenamiento. La lección para pronósticos: ahora construimos disparadores automáticos de re-entrenamiento en cada modelo en producción. Cuando las distribuciones de input cambian más allá de un umbral configurable, el pipeline re-entrena con la ventana más reciente y compara contra la versión anterior antes de promover a producción. Ningún modelo debería correr sobre patrones viejos.

Los métodos detrás

Trabajamos en Python y R dependiendo del caso. Modelos de series de tiempo (ARIMA, Prophet, suavización exponencial personalizada) para demanda e ingresos. Modelos de clasificación (gradient boosting, regresión logística) para churn y scoring de riesgo. Frameworks de simulación (Monte Carlo, árboles de escenarios) para planeación bajo incertidumbre.

Las herramientas importan menos que el enfoque. Antes de escribir una línea de código, definimos: ¿qué decisión sirve este modelo, quién actuará sobre él, con qué frecuencia necesita actualizarse, y cuál es el costo de equivocarse por 5% versus 20%?

Qué recibes

Un modelo listo para producción con inputs, outputs y cadencia de re-entrenamiento claros. Un dashboard de escenarios donde stakeholders no técnicos pueden ajustar supuestos y ver resultados proyectados. Documentación que explica qué considera y qué no considera el modelo — porque un modelo honesto es más útil que uno sobreconfiado.

Cuándo el pronóstico es prematuro

Si tus datos históricos son poco confiables, incompletos o con menos de 12 meses de profundidad, un modelo de pronóstico aprenderá los problemas de calidad de tus datos, no los patrones de tu negocio. Limpia tu infraestructura primero. Te lo diremos si es el caso — preferimos construir algo que funcione en el mes dos que algo que se vea impresionante en la semana uno.

Preguntas de diagnóstico

Cuando tu pronóstico falla, ¿sabes por qué — o el equipo simplemente ajusta el número y sigue adelante? ¿Tu proceso de planeación contempla múltiples escenarios, o depende de una sola proyección "más probable"? ¿Podrías explicar a tu consejo directivo en qué supuestos está construido tu pronóstico actual?