Una serie de tiempo es una secuencia de observaciones (números típicamente) sobre intervalos de tiempo separados de manera regular. Por ejemplo: las tasas mensuales de desempleo durante los cinco años previos; la producción diaria en una planta de manufactura durante un mes; la población década por década de un estado en el siglo anterior; o las ventas anuales de una cadena de tiendas.

Componentes de una serie de tiempo

Tendencia: La inclinación general a largo plazo de una serie de aumentar o disminuir (tendencia creciente o tendencia decreciente).

Estacionalidad: La fluctuación periódica en las series de tiempo dentro de un período determinado. Estas fluctuaciones forman un patrón que tiende a repetirse de un período estacional al siguiente.

Ciclos: Largas desviaciones de la tendencia debido a factores diferentes de la estacionalidad. Los ciclos por lo general se producen durante un intervalo de tiempo extenso, y los tiempos que transcurren entre los picos o valles sucesivos de un ciclo no necesariamente son iguales.

Movimiento irregular: El movimiento que queda después de explicar los movimientos de tendencia, estacionales y cíclicos; también se conoce como ruido aleatorio.

Aplicaciones de las series de tiempo

Representar los datos del negocio como series de tiempo suele ayudar a las empresas y otras organizaciones a visualizar la actividad del negocio. A su vez, usualmente las series de tiempo se utilizan para predecir el comportamiento futuro de la variable medida.

En este contexto, las herramientas predictivas clásicas vinculadas a series de tiempo son las regresiones y ARIMA, pero también existen otros algoritmos más sofisticados como Prophet (de Meta), DeepAR (Amazon), Temporal Fusion Transformer (Google) y, por supuesto, Blue Raptor.

Predicción de series de tiempo

La predicción de series de tiempo corresponde a la extensión los valores históricos de la serie hacia el futuro, donde aún no se han realizado mediciones.

Para llevar a cabo el pronóstico se debe tener presente dos variables principales: cantidad de períodos y horizonte de predicción. La cantidad de períodos representa el nivel de agregación de los datos. Habitualmente, los datos se encuentran agrupados por meses, semanas o días, permitiendo obtener el grado necesario de desagregación para obtener conclusiones acertadas o al menos razonables. Por su parte, el horizonte de planificación representa el número de períodos futuros o alcance a pronosticar.