Pronóstico de Demanda de la Tienda

Como en el problema anterior, actualmente se utilizan modelos ligeramente diferentes para prever la demanda, más complicados que el habitual ARIMA. ¿Cuál, por ejemplo? SARIMAX.

Este modelo es muy similar al modelo ARIMA, excepto que hay un conjunto adicional de componentes autorregresivos y de media móvil.

El modelo SARIMA permite distinguir los datos por su frecuencia estacional, así como por otras diferencias no estacionales. Saber qué opciones son las mejores puede facilitarse con marcos de búsqueda automática de opciones como pmdarina.

Puede utilizar SARIMA con statsmodels:

``python from statsmodels.tsa.statespace.sarimax import SARIMAX

model = SARIMAX(dataset, order=(1, 1, 1), freq="D") resultados = model.fit() ```

La media móvil también puede utilizarse para predecir la demanda. Sin embargo, los resultados que podemos obtener utilizando este método pueden superar incluso a XGBoost (reduce el error en un 32%). Pero, ¿qué podemos esperar de un método tan sencillo?

En cualquier caso, su principal tarea en la predicción de series temporales es la elección óptima del tamaño del modelo (su rendimiento computacional) y los resultados que puede aportar.