[spa] Este trabajo analiza métodos y modelos de pronósticos
para predecir las toneladas vendidas de fertilizantes en
una empresa Argentina. Se emplean métodos
avanzados tales como Holt-Winters, modelos de
espacios de estados de innovaciones ETS (del inglés,
error, trend, seasonal), ETS robusto y ARIMA (del
inglés, autoregressive integrated moving average). El
desempeño y la elección del modelo de predicción
óptimo se establece por medio de pruebas de contraste,
comparando la predicción fuera de la muestra por las
funciones de pérdida RMSE (del inglés, root mean
squared error) de cada uno de ellos. Se contrasta que
el mejor método predictivo empleado es el modelo
ETS. Este análisis es de gran utilidad para la unidad de
negocios agropecuarios de la compañía, porque
supone una herramienta contrastada que le otorga un
poder y versatilidad para enfrentarse a la realización de
pronóstico sobre la demanda de fertilizantes. Además,
las revisiones de demanda serán fiables y por ende las
decisiones tomadas maximizarán los beneficios junto
con un alto nivel de entrega y servicio a los clientes.
[eng] In this study, we analyze forecasting methods and
models to predict demand for fertilizers from an Argentine company. We employ advanced methods such
as the Holt-Winters, model of innovation state space
ETS (error, trend, seasonal), the robust ETS, and the
ARIMA (autoregressive integrated moving average).
We select the optimal forecast model by applying a test
of out-of-sample comparison of forecasts that compares the RMSE (root mean squared error) of each pair
of models over an out-of-sample period. We find that
the best model is the ETS method. Our analysis is useful for the fertilizer business unit because it helps
accurately forecast fertilizer’s demand. In addition, it
enables reliable demand forecasts, which maximize
profits together with a high level of delivery to customers.