Análisis de series temporales y forecasting

No: leer una tendencia o una estacionalidad a ojo lleva a confundir ruido con señal y a proyectar hacia delante un patrón que quizá no estaba. Aplica a cualquier dato indexado en el tiempo, como demanda, consumo, incidencia o exposición, sobre el que se quiera afirmar algo más que una impresión visual. Una serie temporal tiene tendencia, estacionalidad y dependencia, y cada componente se evalúa con métodos adecuados: que una serie suba, baje o parezca repetirse cada año no se afirma mirando la curva, se contrasta. La inspección del gráfico no separa estacionalidades múltiples o solapadas, ni distingue una tendencia real de una fluctuación de corto plazo. Caracterizar bien la estructura es lo que convierte una lectura visual en una afirmación defendible y, sobre ella, una predicción con intervalo en lugar de una extrapolación a mano. Lo que aporta el servicio es la evidencia diagnóstica detrás de cada componente que se interpreta, no una interpretación de la forma de la curva.

Separando la estructura de la serie en sus componentes con métodos formales, no por inspección visual. Aplica a toda serie de la que se quiera caracterizar la tendencia, la estacionalidad o los ciclos antes de modelizar o concluir. La tendencia de fondo se estima por regresión, suavizados y filtros, separándola de la fluctuación de corto plazo; la estacionariedad se contrasta con pruebas de raíz unitaria como Dickey-Fuller aumentado y KPSS; y la señal se descompone por análisis de Fourier, periodograma y descomposición STL para identificar las frecuencias que la componen. Esa descomposición espectral revela estacionalidades múltiples o solapadas que el gráfico no separa. Cuando la serie no es homogénea en todo su recorrido, se contrastan además cambios de nivel o de pendiente en puntos de ruptura. Lo que se entrega es una caracterización de cada componente con los diagnósticos y pruebas que correspondan, de modo que afirmar "hay tendencia" o "hay estacionalidad anual" descanse en una prueba, no en la lectura de la curva.

ARIMA es uno de los modelos, no el único: el modelo se elige por la estructura del dato, no se aplica un ARIMA por defecto a todo. Aplica a la fase de forecasting, una vez caracterizada la serie. Una serie con una sola estacionalidad regular, otra con varias estacionalidades solapadas y otra con saltos de régimen piden modelos distintos. Por eso se evalúa primero la dependencia, la estacionalidad y la estacionariedad, y se elige entre ARIMA y SARIMA para dependencia temporal y estacionalidad regular, suavizado exponencial y espacio de estados (ETS), TBATS para estacionalidades múltiples, Prophet u otros métodos flexibles cuando la estructura de la serie y el objetivo de predicción lo justifican. La elección se justifica por lo que el dato sostiene, no por preferencia de herramienta. Aplicar el mismo modelo a cualquier serie es uno de los errores más frecuentes en forecasting. Lo que se entrega es el modelo que la estructura de la serie justifica, no una plantilla única.

Un horizonte con sus intervalos de predicción, no un número suelto: una predicción sin margen de error es una cifra sin defensa. Aplica a cualquier proyección que vaya a usarse para planificar, porque decidir sobre un punto engañosamente preciso es asumir una certeza que el dato no da. La predicción se entrega siempre con intervalos que cuantifican la incertidumbre y que crecen con la distancia temporal: cuanto más lejos en el tiempo, más ancho el intervalo, porque la incertidumbre se acumula. Eso permite planificar sobre un rango compatible con el modelo y la historia observada en lugar de sobre una cifra única. Conviene un límite honesto: el intervalo refleja la incertidumbre estimada bajo el modelo y la estructura observada, no garantiza capturar cualquier cambio futuro de régimen o un evento sin precedente en la serie. La fiabilidad se sostiene además en la validación fuera de muestra, no en lo bien que el modelo ajusta el pasado. Lo que se entrega es un horizonte con su incertidumbre explícita, no una promesa de acertar el valor exacto.

Validándola sobre la propia historia de la serie respetando el orden del tiempo, no por lo bien que reproduce los datos ya conocidos. Aplica a todo modelo de forecasting, porque un modelo que ajusta perfecto el pasado puede predecir pésimo el futuro: ajustar y predecir no son lo mismo. La validación se hace sobre ventanas deslizantes que respetan la dirección del tiempo, sin contaminar el ajuste con información futura, y los modelos se comparan por su error de predicción fuera de muestra, no por su bondad de ajuste a los datos que ya conocían. A esto se añade el diagnóstico de los residuos, que verifica que el modelo ha capturado la estructura y no deja señal sin explicar. La medida de calidad es la predicción, no el ajuste. Esa validación temporal honesta es lo que ayuda a distinguir un modelo con capacidad predictiva retrospectiva de uno que solo reproduce bien el pasado y fallará en cuanto el futuro se aparte de él.

No como objeto principal del servicio: este servicio caracteriza la estructura de una serie y la proyecta, no monitoriza la serie para emitir alertas cuando un valor se desvía de lo esperado. Aplica precisar este límite porque "analizar una serie" puede entenderse de las dos formas. La detección operativa de anomalías o aberraciones, que consiste en comparar cada nuevo valor contra un valor esperado para disparar una alerta, es el cometido de la vigilancia, un enfoque orientado a la alerta temprana, no a la caracterización y la predicción. Aquí, en cambio, el foco es entender la estructura de la serie (tendencia, estacionalidad, dependencia) y proyectar su evolución con intervalos. Un buen modelo de la serie puede ser el cimiento sobre el que después se construya un sistema de detección, pero ese sistema de alerta es otro trabajo. Si la necesidad es vigilar la serie para detectar desviaciones, esa es la vigilancia; si es caracterizarla y predecirla, es este servicio.

No directamente: atribuir un cambio en la serie al efecto de una intervención es una pregunta causal, distinta de caracterizar y proyectar la serie, que es el objeto de este servicio. Aplica cuando lo que se busca no es predecir la evolución, sino estimar si un punto de cambio —una política, un protocolo, un evento— alteró el curso de la serie. Ese análisis, con series temporales interrumpidas, controles sintéticos y otros diseños cuasi-experimentales, pertenece a la inferencia causal o a la evaluación de impacto, según el diseño y el contexto, porque requiere construir un contrafactual: qué habría pasado sin la intervención. Este servicio sí puede contrastar de forma descriptiva si hay un cambio de nivel o de pendiente en un punto de ruptura, pero describir ese cambio no es lo mismo que atribuirlo causalmente a una intervención. Si la pregunta es "¿qué efecto tuvo esta intervención sobre la serie?", el encuadre es inferencia causal; si es "¿cómo se comporta y hacia dónde va la serie?", es este servicio.

Se necesita la serie indexada en el tiempo, el indicador registrado a intervalos, con su marca temporal, y conviene que el muestreo sea lo más regular posible, aunque tratar huecos y valores ausentes sin romper la estructura temporal forma parte del trabajo previo. Aplica a series de cualquier dominio, como demanda, consumo, incidencia o exposición, porque el núcleo metodológico de caracterizar la señal y predecir es el mismo con independencia del campo. El reparto es claro: el cliente registra y mide la serie; el servicio verifica la regularidad del muestreo, caracteriza la estructura, modeliza, predice y valida. Lo que condiciona el alcance no es el dominio, sino la calidad y la longitud de la serie: una serie corta o con muchos huecos limita lo que se puede estimar y proyectar, y eso se dice con honestidad antes de modelizar. Lo que se entrega es la caracterización de la serie y, cuando procede, su predicción con intervalos, sobre datos que el cliente registra y conserva.