El forecast es una de las necesidades más frecuentes en muchos ámbitos, aunque no siempre es sencillo escoger el método mas adecuado para llevarlo a cabo, existen técnicas generales para simplificarlo. Con Power BI podemos realizar forecast desde un gráfico de líneas que contenga una serie de tiempo o bien acudir a R para poder modelar el algoritmo en detalle adecuándolo a las particularidades de los datos.

Hacer una previsión simple con Power BI es tan fácil como el siguiente ejemplo.

R es un especialista en estadística y podemos encontrar paquetes con librerías para casi cualquier uso relacionado con ella. Uno de los usos más frecuentes tiene que ver con las regresiones y entre ellas la predicción de datos futuros a partir de series de anteriores.

Existe un paquete especialista en ello. Se trata de forecast, un conjunto de métodos y funciones para visualizar y analizar previsiones de series de tiempo univariables incluyendo el suavizado exponencial a través de modelos de espacio de estados y modelado ARIMA automático (aquí un excelente ejemplo de uso general).

Al ser una librería muy popular y al haber un gran numero de personas usando sus funciones existe mucha documentación en internet al respecto (por ejemplo esta útil introducción), aunque antes es necesario cierto conocimiento general de que es forecast, qué utilidad tiene y en qué ocasiones puede ser útil un modelo u otro, y para ello disponemos del libro online «Forecasting: pinciples and practice«. En este enlace se explican varios ejemplos paso a paso.

Existen otros paquetes menos generalistas o que complementan a forecast en problemas concretos, por ejemplo MAPA combina modelos de suavizado exponencial a diferentes niveles de agregación temporal para mejorar la precisión del forecast. En este enlace se describen multitud de librerías relacionadas con las series de tiempo: modelos univariables y multivariables, lineales, no lineales, tratamientos distintos de la estacionalidad, descomposición de las series, análisis de frecuencia.

Ejemplo de forecast con visual ARIMA

Con la siguiente configuración

Mediante 6 simples líneas de código simple podemos dibujar en pantalla la descomposición de una serie temporal en sus diferentes factores: los datos en sí, la estacionalidad, la línea de tendencia y los factores irregulares.