![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2022\/09\/luca-serr.jpeg\")
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog.png\" "\\"Mediano")
<\/span><\/div>Contexto empresarial<\/p><\/h2><\/div>Al planificar futuras campa\u00f1as promocionales, los planificadores de la demanda deben decidir qu\u00e9 surtidos de productos se rebajar\u00e1n, con un determinado mecanismo promocional (por ejemplo, \u201c-15%\u201d, \u201ccompre 2, ll\u00e9vese 1 gratis\u201d, etc.).<\/p>\n
Se trata de decisiones dif\u00edciles ya que:<\/p>\n<\/div>
- <\/i><\/span>Optar por\u00a0demasiadas promociones<\/strong>\u00a0ser\u00eda\u00a0no ser<\/strong>\u00a0un\u00a0eficaz<\/strong>\u00a0estrategia (los clientes se acostumbrar\u00e1n a las promociones y tender\u00e1n a esperar a la siguiente).<\/div><\/li>
- <\/i><\/span>Elegir el\u00a0promociones equivocadas<\/strong>\u00a0provocar\u00eda d\u00e9ficits y\u00a0p\u00e9rdidas<\/strong>.<\/div><\/li><\/ul>
Para la mayor\u00eda de las empresas minoristas, el\u00a0opciones de campa\u00f1a<\/strong>\u00a0se hacen\u00a0bas\u00e1ndose en sus conocimientos empresariales<\/strong>\u00a0y el\u00a0resultados de promociones anteriores<\/em>. Sin embargo, el \u201crendimiento<\/strong>\u00a0de promociones anteriores\u201d es\u00a0dif\u00edcil de estimar<\/strong>. Efectivamente, las campa\u00f1as promocionales aumentan las ventas (en la mayor\u00eda de los casos), pero \u00bfc\u00f3mo estimar la eficacia o el retorno de la inversi\u00f3n (ROI) si no sabemos cu\u00e1les habr\u00edan sido las ventas sin promoci\u00f3n? Este valor hipot\u00e9tico de las ventas sin promoci\u00f3n puede denominarse\u00a0l\u00ednea de base<\/em>. En otras palabras, se trata de poder estimar el\u00a0incremento de las ventas<\/strong>\u00a0(o\u00a0elevar<\/em>) de una campa\u00f1a de promoci\u00f3n, correspondiente al\u00a0ventas reales<\/strong>,\u00a0menos la l\u00ednea de base<\/strong>.<\/p>\nPara responder a esta pregunta, construimos una herramienta capaz de estimar el aumento de las ventas promocionales de campa\u00f1as pasadas, con una precisi\u00f3n de casi 90%.
\nEsta tarea es todo un reto, ya que el objetivo es hacer previsiones de\u00a0hipot\u00e9tico<\/em>\u00a0ventas en otra situaci\u00f3n (aqu\u00ed, si la campa\u00f1a promocional no se hubiera producido para un producto determinado). Esto puede denominarse \u201cprevisi\u00f3n contrafactual<\/em>\u201d. Este art\u00edculo se basa principalmente en nuestra experiencia en un proyecto que realizamos para una cadena de tiendas francesa.<\/p>\nSu objetivo es describir el enfoque que hemos utilizado, dar consejos y advertencias a la hora de aplicar una soluci\u00f3n de previsi\u00f3n contrafactual (Preparaci\u00f3n data<\/em>,\u00a0modelado<\/em>), explique el\u00a0evaluaci\u00f3n<\/em>\u00a0proceso y finalmente discutir el\u00a0limita<\/em>\u00a0y\u00a0pr\u00f3ximos pasos<\/em>\u00a0a este enfoque.<\/p>\n<\/div>\u00bfQu\u00e9 es la previsi\u00f3n contrafactual y por qu\u00e9 es dif\u00edcil de predecir?<\/h2><\/div>La previsi\u00f3n contrafactual es el proceso de predecir algo en la forma:\u00a0\u00bfqu\u00e9 har\u00eda\u00a0<\/em>X\u00a0ser\u00eda si no hubiera\u00a0<\/em>Y. En nuestro caso de uso,\u00a0X<\/em>\u00a0ser\u00edan las ventas y\u00a0Y<\/em>\u00a0ser\u00eda una campa\u00f1a de promoci\u00f3n.<\/p>\nEn realidad hay\u00a0m\u00faltiples campos<\/strong>\u00a0donde se puede aplicar este proceso:\u00a0escasez de existencias<\/strong>\u00a0(estimar el d\u00e9ficit debido a art\u00edculos agotados), cualquier\u00a0acontecimientos especiales que no duran demasiado<\/strong>\u00a0(Covid: \u00a1no funciona!) con el fin de tener suficiente data para estimar ese contrafactual.<\/p>\nEl problema de la promoci\u00f3n puede abordarse desde 3 \u00e1ngulos (ordenados por dificultad ascendente):<\/p>\n<\/div>
- <\/i><\/span>\n
1. Comprender las promociones anteriores:<\/strong> Estimar con un enfoque exhaustivo el rendimiento (aumento de las ventas o retorno de la inversi\u00f3n, por ejemplo) de las campa\u00f1as de promoci\u00f3n anteriores.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
2. Predecir <\/strong>el rendimiento <\/strong>de promoci\u00f3n futura<\/strong>\u00a0campa\u00f1as dadas sus caracter\u00edsticas (productos rebajados, fechas de inicio y fin, mecanismo...)<\/p>\n<\/div><\/li>- <\/i><\/span>\n
3. Optimizar el plan de promociones<\/strong>: encontrar la mejor configuraci\u00f3n de futuras promociones para maximizar una m\u00e9trica empresarial.<\/p>\n<\/div><\/li><\/ul>En este art\u00edculo,\u00a0nos centraremos en el primer paso<\/em>\u00a0ya que era el objetivo de nuestro proyecto. Sin embargo, daremos algunas ideas sobre c\u00f3mo abordar los dos siguientes, en las secciones siguientes.<\/p>\nHay dos razones principales que hacen de la tarea de la previsi\u00f3n contrafactual un proceso desafiante:<\/p>\n<\/div>
- <\/i><\/span>\n
Hay un escasez de bibliograf\u00eda o ejemplos<\/strong>\u00a0sobre el tema mientras que es muy \u00fatil en el comercio minorista y otras industrias.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
En la previsi\u00f3n contrafactual,\u00a0no hay verdad sobre el terreno<\/strong>, ya que es algo que no ha sucedido. As\u00ed pues, la evaluaci\u00f3n del rendimiento parece bastante dif\u00edcil (afortunadamente, se nos ocurri\u00f3 un enfoque que se presentar\u00e1 en la secci\u00f3n de Evaluaci\u00f3n).<\/p>\n<\/div><\/li><\/ul>Enfoque propuesto<\/h2><\/div>El enfoque que hemos utilizado para construir nuestra herramienta es el siguiente:<\/p>\n<\/div>
- <\/i><\/span>\n
1. Tren<\/strong>\u00a0una previsi\u00f3n\u00a0modelo en fechas fuera de promoci\u00f3n<\/strong>, para conocer una l\u00ednea de base de c\u00f3mo deber\u00edan ser las ventas sin ninguna promoci\u00f3n programada.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
2. Predecir<\/strong>\u00a0en todos los puntos data (en realidad, s\u00f3lo se utilizan las predicciones durante la promoci\u00f3n, pero puede ser bueno conservar las predicciones en todas partes para facilitar la interpretaci\u00f3n).<\/p>\n<\/div><\/li>- <\/i><\/span>\n
3. Comparar<\/strong>\u00a0esa l\u00ednea de base prevista a las ventas reales durante cada promoci\u00f3n para inferir su aumento.<\/p>\n<\/div><\/li><\/ul>![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2022\/09\/article-medium1.png\" "\\"art\u00edculo-medio1\\"")
<\/span><\/div>Nota importante<\/em>: El objetivo es utilizar las previsiones durante los periodos de promoci\u00f3n, que se encuentran en el pasado. Es porque esta tarea es una\u00a0a posteriori<\/em>\u00a0an\u00e1lisis<\/strong>\u00a0que, contrariamente a la previsi\u00f3n cl\u00e1sica, es\u00a0posible entrenar en fechas\u00a0despu\u00e9s de<\/em>\u00a0el periodo de inferencia<\/strong>, correspondiente a la campa\u00f1a de promoci\u00f3n. Aqu\u00ed no existe la noci\u00f3n de fuga data, ya que intentamos explicar un fen\u00f3meno que ocurri\u00f3 en el pasado. As\u00ed pues, el flujo de trabajo de formaci\u00f3n - inferencia tiene el siguiente aspecto:<\/p>\n<\/div>![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2022\/09\/Article-medium2.png\" "\\"Art\u00edculo-medio2\\"")
<\/span><\/div>Implementaci\u00f3n<\/p><\/h2><\/div>Preparaci\u00f3n del data<\/p><\/h3><\/div>Para abordar el problema de la promoci\u00f3n, hay que utilizar el formato data adecuado. Normalmente, tenemos acceso a dos tipos de data:<\/p>\n
1. Promocional data<\/strong>\u00a0(informaci\u00f3n descriptiva relacionada con las promociones)<\/p>\n2. Ventas data<\/strong>.<\/p>\n<\/div>![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2022\/09\/article-medium3.png\" "\\"art\u00edculo-medio3\\"")
<\/span><\/div>El data preprocesado es b\u00e1sicamente el data de ventas, enriquecido con informaci\u00f3n de promoci\u00f3n (uni\u00f3n izquierda, v\u00e9ase la figura anterior). Cada fila con un \u201cTipo de promoci\u00f3n\u201d no nulo corresponde a un d\u00eda en el que el producto est\u00e1 en promoci\u00f3n.<\/p>\n
Antes de realizar la primera implantaci\u00f3n, es importante\u00a0evaluar la calidad data<\/strong>. He aqu\u00ed algunas pautas para las comprobaciones a realizar:<\/p>\n1. Busque los principales cuestiones<\/strong>\u00a0en el\u00a0series temporales<\/strong>:<\/p>\n<\/div>- <\/i><\/span>\n
Intermitente<\/strong>\u00a0y\/o muy\u00a0bajas ventas\u00a0<\/strong>(ser\u00e1 dif\u00edcil aprender una l\u00ednea de base).<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Las promociones duran demasiado<\/strong>\u00a0y\/o son demasiado frecuentes (por lo tanto, no hay suficientes puntos data para entrenarse).<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Algunos\u00a0productos<\/strong>\u00a0est\u00e1n en\u00a0promociones m\u00faltiples<\/strong>\u00a0al mismo tiempo (\u00bfqu\u00e9 promoci\u00f3n es responsable de estas ventas incrementales?)<\/p>\n<\/div><\/li><\/ul>2. Defina un\u00a0granularidad<\/strong>\u00a0para el caso de uso:<\/p>\n<\/div>- <\/i><\/span>\n
Tiempo<\/strong>\u00a0granularidad: \u00bfel an\u00e1lisis ser\u00e1 diario o semanal?<\/p>\n<\/div><\/li>- <\/i><\/span>Art\u00edculo<\/strong>\u00a0granularidad: \u00bfuna serie temporal por art\u00edculo? \u00bfPor familia de art\u00edculos? A veces, no podr\u00e1 reducir la granularidad si el n\u00famero de unidades vendidas por elemento temporal no es lo suficientemente alto o si la serie temporal es demasiado intermitente. En\u00a0ventas agregadas\u00a0<\/strong>ser\u00e1\u00a0m\u00e1s suave<\/strong>, con menos problemas de volumen pero a veces\u00a0carecen de interpretabilidad<\/strong>.<\/div><\/li><\/ul>
As\u00ed pues, si las series temporales est\u00e1n lo suficientemente limpias, un buen punto de partida es adoptar el enfoque m\u00e1s granular (por ejemplo, producto X d\u00eda, especialmente si se trabaja con Prophet, como hicimos en este proyecto).<\/p>\n
3. Tener un\u00a0alcance claro de la promoci\u00f3n<\/strong>\u00bfqu\u00e9 productos\/familias de productos forman parte de una promoci\u00f3n determinada? \u00bfSe planifican las promociones a nivel nacional? (si no es as\u00ed, no se pueden, por ejemplo, agregar las ventas de un producto en todas las tiendas de un pa\u00eds).<\/p>\nUna vez comprobado y preparado el data, es hora de modelarlo.<\/p>\n<\/div>
Modelado<\/p><\/h3><\/div>Primeras iteraciones y conclusiones clave<\/h4><\/div>Nosotros\u00a0comenz\u00f3<\/strong>\u00a0nuestras primeras iteraciones con\u00a0Profeta<\/strong><\/a>\u00a0porque nos permiti\u00f3 tener una\u00a0l\u00ednea de base<\/strong>\u00a0muy\u00a0r\u00e1pidamente<\/strong>, a\u00f1ada f\u00e1cilmente\u00a0regresores<\/strong><\/a>, y\u00a0interpretar<\/strong>\u00a0los resultados de forma natural (gracias a su descomposici\u00f3n aditiva).<\/p>\nHe aqu\u00ed un resumen de las principales mejoras de iteraci\u00f3n que tuvimos durante el proyecto:<\/p>\n<\/div>
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2022\/10\/article-medium4.png\" "\\"art\u00edculo-medio4\\"")
<\/span><\/div>B\u00e1sicamente, el\u00a0principales mejoras<\/strong>\u00a0ven\u00edan del\u00a0regresores<\/strong>\u00a0a\u00f1adimos:<\/p>\n<\/div>- <\/i><\/span>
Al planificar futuras campa\u00f1as promocionales, los planificadores de la demanda deben decidir qu\u00e9 surtidos de productos se rebajar\u00e1n, con un determinado mecanismo promocional (por ejemplo, \u201c-15%\u201d, \u201ccompre 2, ll\u00e9vese 1 gratis\u201d, etc.).<\/p>\n
Se trata de decisiones dif\u00edciles ya que:<\/p>\n<\/div>
- <\/i><\/span>Optar por\u00a0demasiadas promociones<\/strong>\u00a0ser\u00eda\u00a0no ser<\/strong>\u00a0un\u00a0eficaz<\/strong>\u00a0estrategia (los clientes se acostumbrar\u00e1n a las promociones y tender\u00e1n a esperar a la siguiente).<\/div><\/li>
- <\/i><\/span>
Elegir el\u00a0promociones equivocadas<\/strong>\u00a0provocar\u00eda d\u00e9ficits y\u00a0p\u00e9rdidas<\/strong>.<\/div><\/li><\/ul>Para la mayor\u00eda de las empresas minoristas, el\u00a0opciones de campa\u00f1a<\/strong>\u00a0se hacen\u00a0bas\u00e1ndose en sus conocimientos empresariales<\/strong>\u00a0y el\u00a0resultados de promociones anteriores<\/em>. Sin embargo, el \u201crendimiento<\/strong>\u00a0de promociones anteriores\u201d es\u00a0dif\u00edcil de estimar<\/strong>. Efectivamente, las campa\u00f1as promocionales aumentan las ventas (en la mayor\u00eda de los casos), pero \u00bfc\u00f3mo estimar la eficacia o el retorno de la inversi\u00f3n (ROI) si no sabemos cu\u00e1les habr\u00edan sido las ventas sin promoci\u00f3n? Este valor hipot\u00e9tico de las ventas sin promoci\u00f3n puede denominarse\u00a0l\u00ednea de base<\/em>. En otras palabras, se trata de poder estimar el\u00a0incremento de las ventas<\/strong>\u00a0(o\u00a0elevar<\/em>) de una campa\u00f1a de promoci\u00f3n, correspondiente al\u00a0ventas reales<\/strong>,\u00a0menos la l\u00ednea de base<\/strong>.<\/p>\n
Para responder a esta pregunta, construimos una herramienta capaz de estimar el aumento de las ventas promocionales de campa\u00f1as pasadas, con una precisi\u00f3n de casi 90%.
\nEsta tarea es todo un reto, ya que el objetivo es hacer previsiones de\u00a0hipot\u00e9tico<\/em>\u00a0ventas en otra situaci\u00f3n (aqu\u00ed, si la campa\u00f1a promocional no se hubiera producido para un producto determinado). Esto puede denominarse \u201cprevisi\u00f3n contrafactual<\/em>\u201d. Este art\u00edculo se basa principalmente en nuestra experiencia en un proyecto que realizamos para una cadena de tiendas francesa.<\/p>\nSu objetivo es describir el enfoque que hemos utilizado, dar consejos y advertencias a la hora de aplicar una soluci\u00f3n de previsi\u00f3n contrafactual (Preparaci\u00f3n data<\/em>,\u00a0modelado<\/em>), explique el\u00a0evaluaci\u00f3n<\/em>\u00a0proceso y finalmente discutir el\u00a0limita<\/em>\u00a0y\u00a0pr\u00f3ximos pasos<\/em>\u00a0a este enfoque.<\/p>\n<\/div>
\u00bfQu\u00e9 es la previsi\u00f3n contrafactual y por qu\u00e9 es dif\u00edcil de predecir?<\/h2><\/div>
La previsi\u00f3n contrafactual es el proceso de predecir algo en la forma:\u00a0\u00bfqu\u00e9 har\u00eda\u00a0<\/em>X\u00a0ser\u00eda si no hubiera\u00a0<\/em>Y. En nuestro caso de uso,\u00a0X<\/em>\u00a0ser\u00edan las ventas y\u00a0Y<\/em>\u00a0ser\u00eda una campa\u00f1a de promoci\u00f3n.<\/p>\n
En realidad hay\u00a0m\u00faltiples campos<\/strong>\u00a0donde se puede aplicar este proceso:\u00a0escasez de existencias<\/strong>\u00a0(estimar el d\u00e9ficit debido a art\u00edculos agotados), cualquier\u00a0acontecimientos especiales que no duran demasiado<\/strong>\u00a0(Covid: \u00a1no funciona!) con el fin de tener suficiente data para estimar ese contrafactual.<\/p>\n
El problema de la promoci\u00f3n puede abordarse desde 3 \u00e1ngulos (ordenados por dificultad ascendente):<\/p>\n<\/div>
- <\/i><\/span>\n
1. Comprender las promociones anteriores:<\/strong> Estimar con un enfoque exhaustivo el rendimiento (aumento de las ventas o retorno de la inversi\u00f3n, por ejemplo) de las campa\u00f1as de promoci\u00f3n anteriores.<\/p>\n<\/div><\/li>
- <\/i><\/span>
\n2. Predecir <\/strong>el rendimiento <\/strong>de promoci\u00f3n futura<\/strong>\u00a0campa\u00f1as dadas sus caracter\u00edsticas (productos rebajados, fechas de inicio y fin, mecanismo...)<\/p>\n<\/div><\/li>
- <\/i><\/span>
\n3. Optimizar el plan de promociones<\/strong>: encontrar la mejor configuraci\u00f3n de futuras promociones para maximizar una m\u00e9trica empresarial.<\/p>\n<\/div><\/li><\/ul>
En este art\u00edculo,\u00a0nos centraremos en el primer paso<\/em>\u00a0ya que era el objetivo de nuestro proyecto. Sin embargo, daremos algunas ideas sobre c\u00f3mo abordar los dos siguientes, en las secciones siguientes.<\/p>\n
Hay dos razones principales que hacen de la tarea de la previsi\u00f3n contrafactual un proceso desafiante:<\/p>\n<\/div>
- <\/i><\/span>\n
Hay un escasez de bibliograf\u00eda o ejemplos<\/strong>\u00a0sobre el tema mientras que es muy \u00fatil en el comercio minorista y otras industrias.<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nEn la previsi\u00f3n contrafactual,\u00a0no hay verdad sobre el terreno<\/strong>, ya que es algo que no ha sucedido. As\u00ed pues, la evaluaci\u00f3n del rendimiento parece bastante dif\u00edcil (afortunadamente, se nos ocurri\u00f3 un enfoque que se presentar\u00e1 en la secci\u00f3n de Evaluaci\u00f3n).<\/p>\n<\/div><\/li><\/ul>
Enfoque propuesto<\/h2><\/div>
El enfoque que hemos utilizado para construir nuestra herramienta es el siguiente:<\/p>\n<\/div>
- <\/i><\/span>\n
1. Tren<\/strong>\u00a0una previsi\u00f3n\u00a0modelo en fechas fuera de promoci\u00f3n<\/strong>, para conocer una l\u00ednea de base de c\u00f3mo deber\u00edan ser las ventas sin ninguna promoci\u00f3n programada.<\/p>\n<\/div><\/li>
- <\/i><\/span>
\n2. Predecir<\/strong>\u00a0en todos los puntos data (en realidad, s\u00f3lo se utilizan las predicciones durante la promoci\u00f3n, pero puede ser bueno conservar las predicciones en todas partes para facilitar la interpretaci\u00f3n).<\/p>\n<\/div><\/li>
- <\/i><\/span>
\n3. Comparar<\/strong>\u00a0esa l\u00ednea de base prevista a las ventas reales durante cada promoci\u00f3n para inferir su aumento.<\/p>\n<\/div><\/li><\/ul>
<\/span><\/div>Nota importante<\/em>: El objetivo es utilizar las previsiones durante los periodos de promoci\u00f3n, que se encuentran en el pasado. Es porque esta tarea es una\u00a0a posteriori<\/em>\u00a0an\u00e1lisis<\/strong>\u00a0que, contrariamente a la previsi\u00f3n cl\u00e1sica, es\u00a0posible entrenar en fechas\u00a0despu\u00e9s de<\/em>\u00a0el periodo de inferencia<\/strong>, correspondiente a la campa\u00f1a de promoci\u00f3n. Aqu\u00ed no existe la noci\u00f3n de fuga data, ya que intentamos explicar un fen\u00f3meno que ocurri\u00f3 en el pasado. As\u00ed pues, el flujo de trabajo de formaci\u00f3n - inferencia tiene el siguiente aspecto:<\/p>\n<\/div>
<\/span><\/div>Implementaci\u00f3n<\/p><\/h2><\/div>
Preparaci\u00f3n del data<\/p><\/h3><\/div>
Para abordar el problema de la promoci\u00f3n, hay que utilizar el formato data adecuado. Normalmente, tenemos acceso a dos tipos de data:<\/p>\n
1. Promocional data<\/strong>\u00a0(informaci\u00f3n descriptiva relacionada con las promociones)<\/p>\n
2. Ventas data<\/strong>.<\/p>\n<\/div>
<\/span><\/div>El data preprocesado es b\u00e1sicamente el data de ventas, enriquecido con informaci\u00f3n de promoci\u00f3n (uni\u00f3n izquierda, v\u00e9ase la figura anterior). Cada fila con un \u201cTipo de promoci\u00f3n\u201d no nulo corresponde a un d\u00eda en el que el producto est\u00e1 en promoci\u00f3n.<\/p>\n
Antes de realizar la primera implantaci\u00f3n, es importante\u00a0evaluar la calidad data<\/strong>. He aqu\u00ed algunas pautas para las comprobaciones a realizar:<\/p>\n
1. Busque los principales cuestiones<\/strong>\u00a0en el\u00a0series temporales<\/strong>:<\/p>\n<\/div>
- <\/i><\/span>\n
Intermitente<\/strong>\u00a0y\/o muy\u00a0bajas ventas\u00a0<\/strong>(ser\u00e1 dif\u00edcil aprender una l\u00ednea de base).<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nLas promociones duran demasiado<\/strong>\u00a0y\/o son demasiado frecuentes (por lo tanto, no hay suficientes puntos data para entrenarse).<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nAlgunos\u00a0productos<\/strong>\u00a0est\u00e1n en\u00a0promociones m\u00faltiples<\/strong>\u00a0al mismo tiempo (\u00bfqu\u00e9 promoci\u00f3n es responsable de estas ventas incrementales?)<\/p>\n<\/div><\/li><\/ul>
2. Defina un\u00a0granularidad<\/strong>\u00a0para el caso de uso:<\/p>\n<\/div>
- <\/i><\/span>\n
Tiempo<\/strong>\u00a0granularidad: \u00bfel an\u00e1lisis ser\u00e1 diario o semanal?<\/p>\n<\/div><\/li>
- <\/i><\/span>
Art\u00edculo<\/strong>\u00a0granularidad: \u00bfuna serie temporal por art\u00edculo? \u00bfPor familia de art\u00edculos? A veces, no podr\u00e1 reducir la granularidad si el n\u00famero de unidades vendidas por elemento temporal no es lo suficientemente alto o si la serie temporal es demasiado intermitente. En\u00a0ventas agregadas\u00a0<\/strong>ser\u00e1\u00a0m\u00e1s suave<\/strong>, con menos problemas de volumen pero a veces\u00a0carecen de interpretabilidad<\/strong>.<\/div><\/li><\/ul>As\u00ed pues, si las series temporales est\u00e1n lo suficientemente limpias, un buen punto de partida es adoptar el enfoque m\u00e1s granular (por ejemplo, producto X d\u00eda, especialmente si se trabaja con Prophet, como hicimos en este proyecto).<\/p>\n
3. Tener un\u00a0alcance claro de la promoci\u00f3n<\/strong>\u00bfqu\u00e9 productos\/familias de productos forman parte de una promoci\u00f3n determinada? \u00bfSe planifican las promociones a nivel nacional? (si no es as\u00ed, no se pueden, por ejemplo, agregar las ventas de un producto en todas las tiendas de un pa\u00eds).<\/p>\n
Una vez comprobado y preparado el data, es hora de modelarlo.<\/p>\n<\/div>
Modelado<\/p><\/h3><\/div>
Primeras iteraciones y conclusiones clave<\/h4><\/div>
Nosotros\u00a0comenz\u00f3<\/strong>\u00a0nuestras primeras iteraciones con\u00a0Profeta<\/strong><\/a>\u00a0porque nos permiti\u00f3 tener una\u00a0l\u00ednea de base<\/strong>\u00a0muy\u00a0r\u00e1pidamente<\/strong>, a\u00f1ada f\u00e1cilmente\u00a0regresores<\/strong><\/a>, y\u00a0interpretar<\/strong>\u00a0los resultados de forma natural (gracias a su descomposici\u00f3n aditiva).<\/p>\n
He aqu\u00ed un resumen de las principales mejoras de iteraci\u00f3n que tuvimos durante el proyecto:<\/p>\n<\/div>
<\/span><\/div>B\u00e1sicamente, el\u00a0principales mejoras<\/strong>\u00a0ven\u00edan del\u00a0regresores<\/strong>\u00a0a\u00f1adimos:<\/p>\n<\/div>
- <\/i><\/span>
- <\/i><\/span>
- <\/i><\/span>
- <\/i><\/span>
- <\/i><\/span>
- <\/i><\/span>
- <\/i><\/span>