Modelos de pronósticos de series temporales aplicados a la gestión de operaciones

Abstract

[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.