Intervalos de predicción en pronóstico: cuantificar la incertidumbre más allá del pronóstico puntual

Un pronóstico puntual responde “cuánto será la demanda”. Un intervalo de predicción responde la pregunta más útil: “qué rango debo planear, y con qué confianza”. Un solo número siempre está equivocado por algún margen; un intervalo cuantifica ese margen, y todo pronóstico que lo omite esconde información que el lector necesita para dimensionar un buffer (FPP3 §5.4).

Qué significa un intervalo

Un intervalo de predicción del 80% se construye para que, en promedio, el valor real caiga dentro de él el 80% de las veces. No es una afirmación de certeza — es un enunciado calibrado sobre qué tan seguido se equivoca el modelo y por cuánto, dado su historial de residuales. Chatfield (1993) revisa décadas de evidencia de que los intervalos publicados suelen ser demasiado angostos porque solo capturan incertidumbre de parámetros e ignoran la incertidumbre de selección de modelo — una advertencia que vale la pena tener presente antes de confiar ciegamente en cualquier intervalo, incluso uno bien ajustado.

Cómo los calculan ETS y ARIMA

Como ETS y ARIMA son modelos estadísticos propiamente dichos con una distribución de error explícita, ambos derivan intervalos analíticamente a partir de la varianza estimada del modelo, ensanchándose con el horizonte de pronóstico bajo un supuesto de error gaussiano (FPP3 §8.7, §9.8). Esto es rápido y exacto cuando el supuesto gaussiano se cumple.

Cuando no se cumple: bootstrapping

La demanda de retail rara vez es gaussiana — suele estar sesgada, tener colas gruesas por promociones, o ser intermitente con una masa de ceros. En esos casos, hacer bootstrapping de los residuales (remuestrearlos y simular muchas trayectorias futuras alternativas) produce un intervalo empírico que no asume una forma de distribución, a costa de más cómputo (FPP3 §5.5).

Evaluar la calidad del intervalo, no solo el pronóstico puntual

Un intervalo es un pronóstico probabilístico, así que necesita sus propias métricas, no solo MAE/RMSE sobre la mediana:

• Coverage — ¿el valor real cae dentro del intervalo cerca de la tasa nominal (p. ej. ~80% de las veces para un intervalo del 80%), fuera de muestra?
• Pinball loss (quantile loss) — evalúa cada pronóstico de cuantil por qué tan bien calibrado está, premiando intervalos angostos-pero-correctos sobre anchos-pero-seguros (Gneiting & Raftery, 2007).

Un modelo bien calibrado pero con intervalos del doble de ancho que un competidor es estrictamente peor para planear — el ancho importa tanto como el coverage.

Checklist

• Nunca entregues solo un pronóstico puntual para una decisión que involucra un buffer (stock de seguridad, capacidad, personal) — reporta el intervalo.
• Verifica el coverage fuera de muestra; un intervalo nominal del 80% que solo cubre el 60% de los reales está mal calibrado, no solo “tuvo mala suerte”.
• Usa intervalos bootstrapped para series sesgadas, intermitentes o con muchas promociones en lugar de confiar por defecto en un supuesto gaussiano.
• Intervalos angostos y bien calibrados son el verdadero beneficio de un mejor modelo — se traducen directamente en buffers de stock de seguridad más pequeños sin agregar riesgo de quiebre de stock.

Forecast Studio reporta la distribución de error detrás de cada modelo entrenado, no solo un número de precisión, así que los intervalos reflejan lo que el modelo realmente se equivocó históricamente — reproducible en el tenant público del plan Free.

Fuentes: Hyndman & Athanasopoulos, FPP3 §5.4–5.5, §8.7, §9.8 · Chatfield (1993), Journal of Business & Economic Statistics · Gneiting & Raftery (2007), JASA