Series temporales en Excel
El análisis de series temporales se refiere a una serie de técnicas que se utilizan para analizar un conjunto de datos ordenados por una variable de tiempo (hora, fecha, mes-año etc.). Estos tipos de análisis se estudia la relación de los datos con los anteriores y posteriores en la línea temporal, así como la presencia de patrones que se repiten en el tiempo.
¡No te pierdas ningún nuevo vídeo!
Visita mi canal de Youtube
MEDIA MÓVIL
El supuesto que subyace a este modelo es que la demanda reciente es un buen dato de predicción de la demanda futura. La fórmula es:
La previsión de la demanda (F) para el siguiente periodo (t + 1) se pronostica a través del promedio de la demanda (X) a lo largo de un determinado número de periodos (n) incluido el periodo actual (t). Aquí, la elección del número de periodos resulta fundamental. Cuantos más periodos incluyamos en la media, más reduciremos el carácter aleatorio del modelo, pero, por otro lado, perderemos información importante sobre la estacionalidad. Una variación de este modelo es un modelo de media móvil ponderado en el que distintos periodos tienen diferentes impactos sobre la media móvil. Por lo general, se suele asignar más peso a los periodos más recientes pero es posible elegir un enfoque diferente en función del tipo de negocio.
La media móvil no funciona bien en caso de que haya estacionalidad o ciclos de negocio dado que suaviza las series temporales utilizadas. No obstante, se trata de un método valioso para la extracción de la estacionalidad, los ciclos o la irregularidad de una serie temporal para llevar a cabo unos métodos de predicción más avanzados tales como las regresiones o el modelo autorregresivo integrado de media móvil (ARIMA, por sus siglas en inglés)
SUAVIZACIÓN EXPONENCIAL
A diferencia de la media móvil, la suavización exponencial incluye todos los datos de las series temporales en el pronóstico y otorga más peso a los valores más recientes, reduciendo el peso de los datos más antiguos de manera exponencial a lo largo del tiempo.
El pronóstico para el siguiente periodo (Ft+1) se calcula mediante un promedio ponderado del valor del periodo actual (Xt) y el pronóstico del periodo actual (Ft). El peso del valor del periodo actual (a) es arbitrario, y la bondad del pronóstico debería probarse utilizando distintas ponderaciones. Un a más bajo (cercano a 0) significa que se otorga más peso a las observaciones más tempranas, lo cual equivale a una curva más suave (esto suele ser adecuado cuando las series temporales son estables). Un a más cercano a 1, otorgará más peso a las observaciones más recientes y responderá más rápido ante los cambios en las series temporales. Puesto que no tenemos datos para el pronóstico del primer periodo, podemos utilizar los datos reales del periodo.
Al igual que la media móvil, la suavización exponencial por sí sola no resulta adecuada para las series temporales que tengan una estacionalidad o una tendencia significativas; no obstante, podemos incluir los componentes de tendencia y estacionalidad en la fórmula siguiente:
en la que S es la estacionalidad, y es el peso de la estacionalidad, T es la tendencia, y β es el peso de la tendencia. Cuanto mayor sea el peso, más sensible ante los cambios será el pronóstico. Cuanto menor sea el peso, más estable será el pronóstico.
SERIES TEMPORALES MÁS COMPLEJAS
El análisis de series temporales es útil para realizar predicciones basándose en los patrones que subyacen a los datos del pasado. Existen cuatro componentes principales:
- Tendencia: un movimiento a largo plazo relativo a las series temporales que puede ser ascendente, descendente o fijo (un ejemplo puede ser la tendencia ascendente del crecimiento de la población);
- Componente cíclico: un patrón que suele observarse a lo largo de dos o más años, y viene causado por circunstancias que se repiten en ciclos (por ejemplo, los ciclos económicos que presentan cuatro fases: prosperidad, declive, depresión y recuperación);
- Componentes estacionales: variaciones a lo largo de un año que suelen depender del tiempo, los hábitos de los clientes, etc.;
- Componentes irregulares: acontecimientos aleatorios con influencias impredecibles sobre las series temporales.
Existen dos tipos de modelos principales en función de cómo se incluyan los cuatro componentes anteriores:
- Y(t)=T(t) x S(t) x C(t) x I(t)
Modelos multiplicativos: los cuatro componentes se multiplican, y en este caso, asumimos que los componentes pueden afectarse los unos a los otros.
- Y(t)=T(t) + S(t) + C(t) + I(t)
Modelos aditivos: asumimos que los componentes son independientes.
Otro elemento importante de las series temporales es la estacionaridad. Un proceso es estacionario cuando un evento se ve influido por otro(s) evento(s) anterior(es). Por ejemplo, si hoy la temperatura es bastante elevada, resulta más probable que mañana también siga siendo bastante elevada.
Existen muchos modelos para el análisis de series temporales aunque uno de los más utilizados es el modelo autorregresivo integrado de media móvil (ARIMA, por sus siglas en inglés). Hay algunas variaciones del mismo así como modelos no lineales. No obstante, los modelos lineales como el modelo ARIMA se utilizan ampliamente debido a su simplicidad de implementación y facilidad de comprensión.
Un buen análisis de series temporales conlleva varios análisis exploratorios y validaciones de modelo, lo cual requiere experiencia y conocimientos estadísticos. La plantilla contiene una simplificación de un modelo de series temporales en el que la estacionalidad y las tendencias se aíslan para predecir futuras ventas.
Los datos pueden recopilarse en cada periodo de tiempo (series temporales continuas), por ejemplo, una lectura de temperaturas, o bien en puntos temporales separados (series temporales discretas), cuando se observan diariamente, semanalmente, mensualmente, etc.
Puedes descargar la plantilla Excel con los cálculos para crear una media móvil, una suavización exponencial y una serie temporal más compleja. Suscríbete al blog para descargarla gratis.
