Técnicas de Pronósticos (XVIII)

COMBINACIÓN DE PRONÓSTICOS.

Una variante que se ha vuelto popular en los últimos años en el desarrollo de los pronósticos comprende la combinación de dos o más métodos de pronóstico para producir un pronóstico final. Un ejemplar del International Journal of Forecasting (Vol. 5, Núm. 4, 1989) contiene una sección especial sobre esta técnica. Algunas partes de los resúmenes de tres artículos en este ejemplar ilustran la naturaleza del desarrollo de pronósticos combinados:

Una investigación sobre 200 estudios demuestra que la combinación de pronósticos produce ganancias consistentes aunque modestas en la precisión. Sin embargo, esta investigación no define bien las condiciones bajo las cuales es más efectiva la combinación, ni cuántos métodos deben combinarse en cada situación. El volumen de la investigación sobre combinación de pronósticos es sustancial. No obstante, se sabe poco relativamente sobre cuándo y cómo los administradores combinan pronósticos. Elementos gerenciales importantes que requieren un mayor estudio incluyen el ajuste gerencial de pronósticos cuantitativos, el uso de sistemas expertos en la combinación de pronósticos y el análisis de costos de la combinación de pronósticos.

A través de los años, se ha acumulado una considerable literatura respecto a la combinación de pronósticos. La primera conclusión de esta línea de investigación es que se puede mejorar sustancialmente la precisión de los pronósticos por medio de la combinación de varios pronósticos individuales. En los años venideros, es posible que se lleve a cabo una mayor investigación sobre las ventajas de combinar pronósticos, junto con las técnicas para hacerlo. El objetivo de tales combinaciones será el de desarrollar pronósticos precisos cuyo costo sea efectivo.

LOS PRONÓSTICOS Y LAS REDES NEURONALES.

Los métodos convencionales de pronóstico, como los que se describen en este curso, dependen de datos históricos para desarrollar un modelo y utilizarlo para proyectar a futuro las variables de interés. Estos valores proyectados se convierten en los pronósticos que se utilizan para desarrollar planes para el negocio o para lo que se desee. En estos modelos, se asume que el futuro será exactamente como el pasado, excepto para aquellas variables específicas reconocidas por el modelo.

En ocasiones, los modelos convencionales hacen suposiciones sobre la forma de la distribución de la población, suposiciones que pudieran o no estar sujetas a verificación. Por ejemplo, los intervalos de estimación que usan un modelo de regresión, asumen que la población fundamental sigue una distribución normal.

El campo de desarrollo de la inteligencia artificial pretende duplicar el proceso del cerebro humano y el sistema nervioso mediante la computadora. Aunque este campo se origina en la biología y en la psicología, está avanzando con rapidez hacia otras áreas, incluyendo los negocios y la economía. Los tres principales impulsos en la inteligencia artificial son el procesamiento del lenguaje, la robótica y las redes neurales artificiales. Este último campo posee las aplicaciones más comerciales, incluyendo a los pronósticos.

En las redes neurales, se programan muchos ejemplos en la computadora, ejemplos que captan el nivel completo de relaciones anteriores entre todas las variables que pudieran afectar los resultados de las variables dependientes. Después, el programa de redes neurales asimila estos ejemplos e intenta desarrollar las relaciones fundamentales "aprendiendo" al avanzar el proceso. Este proceso de aprendizaje, también denominado entrenamiento, es análogo al aprendizaje de capacitación del ser humano en el trabajo.

Algunos investigadores de pronósticos han apreciado la similitud entre las técnicas de redes neurales y los métodos convencionales de pronóstico que pretenden encontrar variables que predigan con éxito la variable dependiente. La ventaja teórica de las redes neurales como herramienta de pronóstico es que no se necesita especificar la relación por adelantado, ya que el método comprende el aprendizaje sobre las relaciones utilizando los ejemplos dados. Además, las redes neurales no requieren ninguna suposición sobre la distribución fundamental de la población y, a diferencia de muchos métodos convencionales de pronóstico, pueden funcionar con datos incompletos.

A una aplicación de red neural exitosa se le denomina en ocasiones enlace compatible. Esto significa que el programa de red neural puede rápida y fácilmente reemplazar el modelo existente, digamos un análisis de regresión, sin perder continuidad. Se puede lograr a veces una mejora en el desempeño, como pronósticos más precisos, con un impacto mínimo en las operaciones actuales. Las redes neurales son en especial valiosas en los casos en que faltan insumos o están altamente correlacionados, o cuando los sistemas no son lineales en extremo.

A continuación se presentan algunos ejemplos del uso exitoso de redes neurales en casos prácticos. Estos ejemplos fueron proporcionados por NeuralWare, Inc., un proveedor comercial de programas de redes neurales (Penn Center West, Building IV, Suite 227, Pittsburgh, PA 15276).

• Una planta de Kodak en Texas redujo sus costos en 3 millones de dólares, manteniendo el rendimiento y calidad del producto. Comenzaron reuniendo datos operativos históricos, que se utilizaron en una red neural para predecir la calidad del producto en función de los diversos parámetros de proceso.

• Uno de los problemas clásicos en la interpretación de señales sísmicas para la exploración petrolera consiste en encontrar la primera evidencia de una onda de choque en los registros de los sensores. Los métodos tradicionales de proceso de señales no han tenido mucho éxito en identificar la primera evidencia: sólo el 30% de un algoritmo. Varias compañías petroleras han utilizado con éxito una red neural para identificar la primera onda, Amoco reporta una tasa del 95%. Esto tuvo un gran impacto en su capacidad para mejorar el proceso de datos sísmicos para el modelo de embalse.

• Un fabricante alemán de motores de ventiladores eléctricos automotrices empleaba inspectores maestros para determinar si un motor terminado era muy ruidoso o presentaba un sonido "curioso". A una red neuronal le tomó una semana para aprender de un inspector maestro y actualmente realiza el trabajo de pruebas de ruido. El impacto financiero es un producto uniforme de mayor calidad con pocas quejas por parte de los clientes. Los inspectores maestros fueron relevados de este trabajo de gran presión para concentrarlos en otras tareas de mejoramiento de calidad en la fábrica.

• Varias compañías han descubierto que se pueden usar redes neurales para desarrollar indicadores útiles en el comercio. Los resultados indican que los indicadores comerciales de las redes neurales, acoplados con estrategias de comercio apropiadas, pueden arrojar utilidades en forma congruente en el mercado

• La Air Force está empleando una red neural para pronosticar las fallas de componentes en sus aviones. Se reunieron diversos datos sobre cada avión y se entrenó a la red neural para predecir la posibilidad de fallas específicas en aviones específicos. Los resultados se usan para el inventario de refacciones y el mantenimiento preventivo.

• Se ha desarrollado un producto comercial para predecir los resultados de las carreras de caballos. El sistema requiere que el usuario alimente información específica sobre los caballos en una carrera. Acierta el 80% de las veces que decide las probabilidades de la apuesta al favorito.

Con ejemplos como éstos que actualmente disfrutan de éxito en la práctica, no es difícil imaginar a un sistema de red neural prediciendo con éxito el volumen mensual de ventas, la tasa de abstencionismo de los empleados, la tasa líder de interés acertando en un 100% la quiniela, etc. Liberadas de las restricciones de confinamiento por adelantado de relaciones específicas y de la suposición de las distribuciones de la población, estas redes tienen un gran potencial de pronósticos precisos y su uso está ganando una amplia aceptación.