Modelos que anticipan precios, demanda y riesgo — y que dicen con cuánta confianza. La incertidumbre se mide; no se maquilla.
Decir "el precio será 320" sin decir cuánto puede desviarse no ayuda a nadie que tenga que firmar. Un intervalo calibrado sí: acota el riesgo con el que estás tomando la decisión.
Casi todo el costo de un año se concentra en unas pocas horas extremas. Un modelo que acierta el promedio y falla los picos es un modelo que no te sirvió el día que importaba.
Hay décadas de datos públicos disponibles y sin explotar. Traerlos, limpiarlos y convertirlos en una señal utilizable es la mitad del trabajo.
Directo de la API oficial, no de un archivo que alguien exporta a mano. Si el dato no es reproducible, el modelo tampoco.
Descomposición estacional y agrupamiento antes de modelar: entender qué mueve la serie evita modelos que memorizan en vez de aprender.
Predicción conforme para producir intervalos con cobertura real, no barras de error decorativas.
Los picos se modelan aparte, con cadenas de Markov para los regímenes. Es donde un modelo promedio siempre falla.
Con qué
Proyectos reales de este servicio.
Pronóstico del precio de bolsa con clasificación de picos e intervalos calibrados.
Descomposición y agrupamiento de 26 años de demanda del sistema.
Optimización MILP para decidir, hora a hora, entre vender o quemar el combustible.
Depende de la estacionalidad del fenómeno, pero como regla necesitas varios ciclos completos: para algo con estacionalidad anual, tres o cuatro años. Con menos se puede empezar, aunque el modelo dirá poco sobre lo que no ha visto todavía.
Que si el modelo dice "80 % de confianza", en el 80 % de los casos el valor real cae dentro. Suena obvio y casi ningún modelo lo cumple: se logra con predicción conforme, validando la cobertura contra datos que el modelo nunca vio.
Sí. El método —traer el dato de su fuente, separar señal de ruido y cuantificar la incertidumbre— es el mismo para demanda de producto, riesgo de cartera o rotación de inventario. Lo que cambia son las variables, no el enfoque.
Depende sobre todo de si el dato ya existe y está limpio. Casi siempre el trabajo grande no es el modelo: es dejar el dato entrando solo todos los días. Cotizamos esas dos partes por separado para que veas cuál te pesa antes de comprometerte con la otra.
En que aquí el número viene con su intervalo y con la prueba de que ese intervalo se cumple. Un modelo calibrado te dice cuándo no sabe. Un chat te da siempre una respuesta segura de sí misma, tenga o no con qué sostenerla.
Es el punto de partida normal, no la excepción. Primero armamos el pipeline que los limpia y los junta cada día, y sobre eso va el modelo. Si el histórico es demasiado corto o tiene huecos grandes, te lo decimos antes de cobrarte por modelarlo.
[ ¿Tienes algo que debería estar corriendo solo? ]
Respuesta en 24 horas · Colombia