- Definició de les sèries temporals com a conjunts de dades recollides en intervals regulars per predir tendències futures.
- Desglossament dels components fonamentals: tendència, estacionalitat, cicles i el soroll aleatori.
- Comparativa entre els diversos enfocaments de modelatge, des dels mètodes clàssics i ARIMA fins a l'aprenentatge profund i la IA.
- Aplicacions pràctiques a sectors crítics com la sanitat, les finances, l'energia i el comerç electrònic.
Segur que mai t'has preguntat com és que algunes empreses semblen endevinar el futur o com saben exactament quan hi haurà un pic de demanda d'un producte. No és màgia ni una bola de vidre, sinó que utilitzen l' anàlisi de sèries temporals , una eina brutal per entendre com evolucionen les dades al llarg del temps i anticipar-se a allò que ve.
Bàsicament, parlem de col·leccionar dades que es prenen en moments equidistants, com ara la pluja diària o les vendes mensuals. L'interessant aquí és que no tractem les dades com a peces soltes, sinó que entenem que el passat influeix directament en el futur , permetent detectar patrons que a simple vista passarien desapercebuts mitjançant la introducció a la mineria de dades.
Com s'estructura un model de sèrie temporal?
Perquè no ens llegim, és fonamental saber que una sèrie temporal es pot desglossar en diverses peces. En un model additiu, per exemple, diem que el valor en un moment donat és la suma de la tendència, l'estacionalitat i la part aleatòria . Si el comportament és més complex, potser necessitem un model multiplicatiu on aquests elements es potenciïn entre si.
- Tendència: És la direcció general. Ens diu si la cosa va cap amunt, cap avall o si es manté estable a llarg termini.
- Estacionalitat: Són aquests patrons que es repeteixen cada cert temps. Per exemple, vendre més bufandes a l'hivern o que el consum elèctric pugi durant el dia.
- Cicle: A diferència de l‟estacionalitat, els cicles són repeticions que no tenen un període fix i s‟analitzen des d‟una perspectiva més global.
- Variació aleatòria o soroll: Són els esdeveniments imprevisibles, aquests dades discordants o errors que no segueixen cap regla i que fan que la predicció sigui un repte.
Enfocaments i metodologies de classificació
Depenent del que busquem, podem atacar el problema des de diferents angles. No és el mateix voler una estimació ràpida que construir un sistema de predicció hiperprecís basat en Intel·ligència Artificial i el raonament profund en intel·ligència artificial.
Models Clàssics i No Paramètrics
Aquí trobem eines com la mitjana mòbil, que serveix per avaluar fluctuacions a curt termini calculant la mitjana d‟un interval determinat. També hi ha el suavitzat temporal, que dóna més pes a les dades més recents per adaptar-se millor a la tendència immediata. Aquests mètodes solen ser no paramètrics, ja que se centren a estimar la tendència sense assumir que el procés tingui una estructura fixa.
Models Autorregressius i Integrats (ARIMA)
Quan la cosa es posa més seriosa, entren els models ARIMA. Aquests combinen l'autoregressió, la diferenciació i les mitges mòbils. És un enfocament molt més potent per manejar dades complexes i sèries que no són estacionàries, permetent que les dades es transformin fins que es tornin estables i predictibles.
Aprenentatge Profund i Xarxes Neuronals
Amb el boom de la IA, ara fem servir xarxes neuronals recurrents i models de memòria a curt i llarg termini (LSTM) . Aquestes màquines són capaces de processar volums massius d'informació i comprendre com aprenen les xarxes neuronals per agafar patrons complexíssims que un model clàssic ni oloraria, encara que és clar, requereixen moltíssima més potència de còmput.
Classificacions Tècniques Avançades
Si ens posem més tècnics, la literatura especialitzada divideix aquestes tècniques en diversos grups. D'una banda, hi ha els mètodes de domini de freqüència (com l'anàlisi wavelet) i els de domini de temps (com la correlació creuada). També es distingeixen els mètodes paramètrics, que fan servir uns quants paràmetres per descriure l'estructura del procés, i els no paramètrics, que no assumeixen cap estructura prèvia.
A més, podem parlar de models lineals o no lineals, i de si són univariants o multivariants , depenent de quantes variables estiguem analitzant alhora. En situacions crítiques, com va passar amb la pandèmia de Covid-19, s'ha demostrat que un mètode robust basat en sèries temporals és de vegades preferible a models específics (com el SIR), ja que permet actualitzar les hipòtesis sobre la marxa amb noves dades.
Aplicacions reals al món laboral
Aquest modelatge no és només teoria matemàtica; s'aplica a sectors que mouen milions d'euros i salven vides. Al sector salut , ajuda a predir epidèmies ia gestionar els recursos hospitalaris abans que arribi la crisi. Al món de les finances i el trading , és l'eina estrella per anticipar el preu de les accions o el moviment de les criptomonedes.
A l'àmbit energètic, és clau per evitar el malbaratament de recursos, calculant quanta energia es necessitarà a l'hivern segons les dades d'anys anteriors . D'altra banda, l'ecommerce i el màrqueting el fan servir per optimitzar els inventaris i dissenyar campanyes publicitàries que arribin justament en el moment en què l'usuari té la intenció de compra, millorant així l'experiència del client i la fidelització.
La capacitat de transformar dades històriques en un full de ruta permet que qualsevol organització, des d'una petita botiga en línia fins a un govern, pugui minimitzar riscos i optimitzar la planificació dels seus recursos humans i materials, convertint la incertesa del demà en una estratègia basada en evidències estadístiques i computacionals.
Índex