Análisis predictivo en Power BI. Forecast.

¿Alguna vez has deseado tener a mano a TARDIS para prever el futuro? Hoy nos centraremos en descubrir cómo las series temporales y los…

¿Alguna vez has deseado tener a mano a TARDIS para prever el futuro? Hoy nos centraremos en descubrir cómo las series temporales y los pronósticos en Power BI se combinan para hacer precisamente eso. Desde desentrañar patrones ocultos hasta anticipar tendencias.

GIF

Pero empecemos por el principio…

Conceptos clave

¿Qué es el análisis predictivo?

El proceso de utilizar datos para anticiparnos a acontecimientos futuros y a detectar posibles oportunidades de mejora en el entorno empresarial.

Con una buena estructura de datos y las herramientas correctas podemos tener un pronóstico de qué puede llegarles a suceder a nuestros números. Al ser capaces de visualizar el posible panorama futuro, las compañías pueden poner en práctica una mejor toma de decisiones, adoptando un papel mucho más productivo que reactivo.

Sin duda, es una excelente herramienta para potenciar la eficiencia, la productividad, el control y la rentabilidad de las organizaciones.

¿Qué son las series temporales?

Las series temporales son una secuencia de datos ordenados en función del tiempo. Se trata de una colección de observaciones o mediciones realizadas en momentos específicos a lo largo de un intervalo de tiempo continuo. Estas observaciones, generalmente, se recopilan en intervalos regulares, como minutos, horas, días, meses o años, dependiendo de la naturaleza de los datos y el fenómeno que se está observando.

Hay una gran variedad técnicas y herramientas detrás de estos modelos que nos ayudan a conseguir nuestro objetivo. Pero la idea no es contaros cómo funcionan al detalle, sino ver cómo lo podemos aplicar en nuestro reporte de Power BI.

¿Qué es un forecast?

Un forecast es una predicción de un valor en una serie temporal. El análisis predictivo de series temporales se refiere a la tarea de utilizar patrones y tendencias pasadas en los datos para predecir valores futuros. Esto implica modelar la relación entre los puntos de datos pasados en la serie temporal y utilizar ese modelo para hacer pronósticos sobre valores futuros.

¿Qué es el suavizamiento exponencial?

Por lo que se puede leer en blogs, el forecast automático del gráfico de líneas de Power BI está basado en el algoritmo exponential smooth. Estos modelos asignan diferentes niveles de importancia a los valores pasados de la serie temporal para dar más consideración a los datos recientes. Son útiles cuando los datos tienen una tendencia y/o una estacionalidad.

La fórmula, que mostramos con detalle en el ejemplo, incluye un dato real (Do) y un pronóstico (Po). Por otro lado, también se tiene en cuenta el factor de suavización (alfa) expresado en tantos por uno. La fórmula sería esta:

Para obtener nuestra previsión (P1) sumamos al pronóstico del período anterior (Po) la diferencia entre este y la demanda (Do) multiplicados por el factor de suavización (α). Con esto conseguimos pronósticos con un menor grado de variabilidad y se podrá observar mejor la evolución.

Pero lo dicho, no vamos a entrar en detalle y pasamos a como lo podemos aplicar de forma automática a nuestro gráfico de líneas.

¿Qué hay que tener en cuenta?

Lograr que un forecast se ajuste lo máximo posible a la realidad es un desafío importante. No existe una fórmula mágica para garantizar la precisión absoluta pero sí que hay algunas claves que nos ayudarán a acercarnos:

Entender los datos históricos. Antes de generar un pronóstico, debemos comprender a fondo los datos históricos, identificandopatrones estacionales, tendencias y comportamientos únicos. Esto nos ayudará a seleccionar y configurar adecuadamente el modelo de nuestra previsión.
Limpiar y procesar los datos. Los datos deberán estar limpios y ser coherentes. Si hay datos en blanco es importante tener una estrategia relacionada con su tratamiento.
Ajustar los parámetros. Esto irá muy vinculado a la experimentación. La optimización puede requerir pruebas y reajustes.
Monitorear y actualizar. Los modelos de pronóstico no son estáticos. Hay que revisar y ajustar tus pronósticos según las tendencias y patrones cambiantes en los datos.
Considerar el contexto. A veces, los factores externos pueden influir en los datos y los pronósticos. Si es relevante, descartamos eventos que puedan afectar los resultados.

Recordemos que ninguna técnica puede garantizar un ajuste perfecto en todos los casos, pero al aplicar estas claves y técnicas, podemos aumentar significativamente la precisión de los pronósticos y mejorar su ajuste a los resultados finales.

En un gráfico de líneas de Power BI

En Power BI, podemos aplicar un forecast a un gráfico de líneas utilizando el panel de analytics que permite generar pronósticos basados en los datos históricos. Vamos a explicar cómo hacerlo paso a paso:

Cargar datos en Power BI. Nos aseguramos de tener los datos en un formato adecuado y cargarlos en Power BI. Los datos deben incluir una columna de fecha/tiempo y una columna con los valores que deseamos predecir.

2. Crear una medida con los valores a predecir. En este caso hemos creado una media de las temperaturas.

Average Temperature = AVERAGE(GlobalLandTemperaturesByCity[AverageTemperature])

3. Crear un gráfico de líneas. Para hacerlo, seleccionamos el icono en la barra de visualizaciones y arrastramos las columnas de fecha y la medida creada en los ejes correspondientes del gráfico.

3. Generar el forecast. Una vez que tenemos el gráfico de líneas creado, seguimos los siguientes pasos para generar el pronóstico:

Seleccionar el gráfico de líneas para activarlo.
En la pestaña Visualizaciones en el panel lateral derecho, buscar la sección Analytics.

Sección Analytics

Activar el interruptor para habilitar la previsión.

4. Ajustar las configuraciones de la previsión. Después de habilitar la previsión veremos opciones adicionales.

4.1. Opciones.

Unidades. Se aplica a los puntos predecir duración y omitir el último.
Predecir duración. Define la cantidad de puntos de datos futuros que queramos pronosticar. Esto determina cuántos valores pronosticados se mostrarán en el gráfico de línea.
Omitir el último. Podemos elegir excluir ciertos puntos de datos históricos al generar el pronóstico. Puede ser útil si hay valores atípicos o datos no representativos que podrían afectar negativamente el pronóstico.
Estacionalidad (puntos). Si la serie temporal muestra patrones estacionales, podemos ajustar cómo se debe considerar la estacionalidad al generar el pronóstico. La detección y modelado de la estacionalidad es importante en el análisis de series temporales porque ayuda a separar los patrones regulares y repetitivos de los efectos a largo plazo y aleatorios en los datos.
Intervalo de confianza. Podemos ajustar los niveles de confianza que se utilizarán para generar los intervalos de confianza alrededor de los valores pronosticados. Los niveles de confianza representan la probabilidad de que los valores reales se encuentren dentro de los intervalos.

4.2. Línea de previsión

Color
Estilo
Transparencia (%)

4.3. Barra de confianza

Estilo

4.4. Título de información sobre herramientas

Texto de título

5. Visualizar el pronóstico. Una vez ajustadas las configuraciones del pronóstico, el gráfico de líneas mostrará los valores pronosticados en función de los datos históricos. Los puntos pronosticados generalmente se representan con un estilo diferente, como un trazo punteado.

6. Personalizar el gráfico. Podemos personalizar el color de los puntos pronosticados y otros aspectos para que se adapte a nuestras preferencias y necesidades de visualización.

Recordemos que el pronóstico generado por Power BI es una estimación basada en los datos históricos y las configuraciones que proporcionamos. Puede ser útil para identificar tendencias y patrones generales en los datos, pero esto no sustituye el análisis detallado y el juicio experto al interpretar los resultados.

Conclusiones

Hemos descubierto cómo las series temporales pueden revelar patrones y tendencias a lo largo del tiempo, y cómo el pronóstico nos permite tener una idea de lo que nos puede deparar el futuro. Sin embargo, aunque el modelo de pronóstico por defecto en Power BI pueda ser una excelente manera de obtener una idea general de las tendencias futuras, es esencial reconocer que su capacidad para adaptarse a datos específicos puede ser limitada. Puedes explorar el uso de Python y librerías de análisis de series temporales para crear modelos de pronóstico más ajustados a tus datos. También puedes explorar otras soluciones con las herramientas de Cognitive Services de Azure que pueden proporcionarnos mayor flexibilidad y personalización.

La elección entre utilizar el modelo de pronóstico incorporado en Power BI o buscar soluciones más personalizadas dependerá de nuestras necesidades o la de nuestros clientes y del nivel de precisión requerido para los pronósticos.