Selección de modelos de pronóstico de demanda: Prophet vs. XGBoost vs. aprendizaje profundo — ¿cuál necesita realmente tu almacén?

Cada conversación sobre pronóstico de demanda en un almacén parece seguir el mismo guion estos días. El área de negocio dice: "Necesitamos pronóstico con IA." El proveedor dice: "Nuestro modelo de aprendizaje profundo tiene la mayor precisión." Y el gerente de planeación, que será quien rinda cuentas del pronóstico, está pensando en algo completamente distinto: cuando el pronóstico falla, ¿es culpa del modelo, o elegimos la herramienta equivocada desde el principio?

Empecemos con evidencia: lo que realmente demostró una competencia pública

Para responder "cuál es más preciso", lo mejor no es leer los materiales de marketing de los proveedores, sino mirar una competencia que nadie podía amañar. La competencia de pronóstico M5, que concluyó en 2020, usó datos reales de ventas a nivel tienda de Walmart — más de cuarenta mil series temporales de productos — con participantes pronosticando 28 días hacia adelante. Según los análisis publicados después de la competencia, las mejores soluciones en la pista de precisión pura estaban construidas casi todas con árboles de gradient boosting, liderados por LightGBM, en lugar de los enfoques de aprendizaje profundo de moda en ese momento.

Ese resultado merece una mirada más cercana. Los datos del M5 tenían características específicas: un número enorme de series, historial relativamente corto por serie, y fuertes impulsores externos como promociones y precios. El gradient boosting ganó, según los reportes de varios competidores, por su ajuste a este tipo de problema: datos tabulares que se pueden convertir en variables. Una vez que construyes las variables correctas — ventas rezagadas, medias móviles, elasticidad de precios, variables ficticias de días festivos — un modelo de árboles las aprende rápido y con estabilidad. Igualar eso con aprendizaje profundo requirió mucho más ajuste y cómputo, con una peor relación costo-beneficio.

Nada de esto significa que el aprendizaje profundo "no funcione". Algunos equipos lograron excelentes resultados con aprendizaje profundo en la misma competencia; simplemente pagaron un costo de ingeniería visiblemente mayor. La evidencia no apunta a un ganador y un perdedor, sino a una conclusión más tranquila: para el pronóstico de demanda en almacenes, el techo lo ponen más la ingeniería de variables y el entendimiento del negocio que la sofisticación del modelo en sí.

El temperamento de cada modelo: dónde encajan, desde los primeros principios

Prophet, liberado como código abierto en 2017 por el equipo Core Data Science de Meta (entonces Facebook), descompone una serie temporal en tendencia, estacionalidad y efectos de días festivos. Su temperamento: pide poco a tus datos, arranca con solo unas pocas docenas de observaciones por serie; tolera con gracia valores faltantes y atípicos; y su salida se puede explicar al negocio en lenguaje sencillo. Sus debilidades son igual de claras: es fundamentalmente un modelo de una sola serie, así que con muchos SKUs entrenas un modelo por serie; su soporte para regresores externos como precios y promociones es rudimentario; y no tiene esencialmente nada que ofrecer para productos nuevos sin historial.

XGBoost — del artículo de 2016 de Tianqi Chen y Carlos Guestrin — y la familia del gradient boosting toman otro enfoque: convierten el pronóstico en un problema de regresión. Tú construyes las variables, y el modelo aprende las relaciones no lineales. Su temperamento: cuanto mejor tu ingeniería de variables, más fuerte se vuelve; entrena naturalmente un solo modelo para miles de SKUs; y las salidas de importancia de variables le dan al negocio algo de visibilidad sobre lo que el modelo observa. El precio es mucho trabajo manual en variables, más sensibilidad a la deriva de datos: cuando la estrategia de promociones cambia, reentrenas y revalidas.

La ruta del aprendizaje profundo, representada por DeepAR de Amazon (2017) y el Temporal Fusion Transformer (2019), toma un tercer camino: deja que el modelo aprenda representaciones de secuencias crudas, con una fortaleza particular en el aprendizaje entre series — usando el historial de miles de SKUs para aprender cómo se ve el arranque de un producto nuevo o un pico de promoción, y luego transferirlo a SKUs con historiales cortos. Su temperamento: cuanto mayor la escala de datos, mayor su ventaja; alta automatización, así que una vez que el pipeline corre, el costo marginal de mano de obra baja; pero la interpretabilidad más débil, requisitos de GPU para entrenar, y necesidad de personal dedicado de machine learning para el ajuste y el monitoreo de deriva.

Haciendo cuentas: el triángulo de precisión, mano de obra y mantenimiento

La selección de modelos no puede tratarse solo de precisión. Aquí va un cálculo simplificado e ilustrativo — estimaciones de orden de magnitud para mostrar la estructura, no cotizaciones precisas. Consideren un centro de distribución regional con 8,000 SKUs activos, pronosticando a diario para reposición.

La ruta Prophet: modelar los 200 SKUs clase A individualmente, pronosticar la cola larga a nivel categoría y prorratear hacia abajo. La mano de obra es un analista de datos de medio tiempo, sin cómputo extra, y cuando el modelo se porta mal el negocio puede entenderlo e intervenir. El costo es un techo de precisión visible: los pronósticos de cola larga dependen de la lógica de prorrateo, y la volatilidad de temporada de promociones se captura mal.

La ruta XGBoost: entrenar un solo modelo para todos los SKUs, construir el pipeline de variables una vez. La mano de obra es una persona de datos que entiende ingeniería de variables, comprometida de forma continua: cada cambio importante en promociones o precios necesita revalidación. El cómputo son servidores ordinarios. A esta escala de datos su precisión suele ser la mejor de las tres, pero la "pudrición del pipeline de variables" es una carga real de mantenimiento: cuando cambia una fuente de datos, las variables fallan en silencio, y la calidad del pronóstico se degrada lentamente sin disparar jamás una alarma.

La ruta del aprendizaje profundo: el techo de precisión más alto, sobre todo para productos nuevos y de cola larga, pero empieza con un ingeniero de ML dedicado, entrenamiento en GPU y un stack completo de MLOps. Para un grupo minorista de miles de millones de dólares esa inversión se amortiza fino; para un solo CD regional bien puede exceder los ahorros de inventario de una mejor precisión.

La fórmula del ROI debería ser: (reducción de quiebres de stock + mejora de rotación por mejor precisión) − (mano de obra + cómputo + mantenimiento anualizados). Muchos almacenes fallan en el primer término: sobreestiman cuánto se convierte "un pronóstico más preciso" en dinero real.

Un hallazgo contraintuitivo: un mejor pronóstico no siempre ahorra dinero en inventario

Este punto sigue apareciendo en la investigación y es el más difícil de aceptar para los interesados del negocio: la relación entre mejoras de precisión y reducción de costos de inventario no es lineal. En la fórmula del stock de seguridad, la variabilidad de la demanda es solo una entrada: el tiempo de entrega, la confiabilidad de entrega de los proveedores y los costos de penalización por quiebre determinan conjuntamente qué tan bajo te atreves a llevar el inventario. Si los tiempos de entrega de los proveedores oscilan salvajemente, o los costos de quiebre son demasiado altos para arriesgar, entonces reducir el error de pronóstico de 25% a 20% puede no cambiar nada en la política de reposición: el planificador sigue ordenando con el stock de seguridad de antes, porque nadie va a arriesgar un quiebre por cinco puntos de mejora en precisión.

En otras palabras, el techo del ROI de un modelo de pronóstico lo pone el eslabón más débil de tu cadena de suministro, no el modelo. En un almacén con tiempos de entrega inestables, mala calidad de datos y procesos de reposición rígidos, desplegar aprendizaje profundo es como ponerle un motor de auto de carreras a un tractor. Por el contrario, si tu pipeline de datos está limpio, la reposición se dispara por sistema y los tiempos de entrega son estables, entonces los pocos puntos de precisión ganados al pasar de Prophet a XGBoost se traducirán concretamente en menos días de inventario.

Así que la pregunta de primeros principios no es "qué modelo es más preciso" sino "para qué modelo está lista mi organización". Los cimientos de datos, la automatización de procesos y la capacidad del equipo determinan cuánto del valor del modelo puedes realmente cobrar.

Mirando atrás, Prophet les dio a los almacenes pequeños y medianos su primera capacidad de pronóstico interpretable; XGBoost convirtió la experiencia en ingeniería de variables en un activo reutilizable; el aprendizaje profundo, a suficiente escala de datos, convirtió el pronóstico en infraestructura. Hay un patrón interesante en la historia de la tecnología: cada modelo "más preciso" que aparece nunca termina de matar a sus predecesores: solo empuja a cada uno a la posición donde mejor encaja.

Lo que plantea una pregunta que vale la pena seguir: cuando la precisión de cada modelo convencional entre en la zona de "suficientemente bueno" y el pronóstico en sí se vuelva un commodity, ¿de dónde vendrá la brecha entre almacenes? ¿De quién tenga el pipeline de datos más limpio, de cuyo proceso de reposición se atreva a confiar en el modelo, o de quién cierre primero de verdad el ciclo entre pronóstico, reposición automática y precios dinámicos? La selección de modelo puede ser la decisión que necesites tomar este año, pero más difícil que la selección es lo que viene después: si estás dispuesto a dejar que los procesos de tu organización se vuelvan dignos del modelo que elegiste.

Por Dr. Chen, investigador de cadena de suministro

Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.