En SAP Analytics Cloud, puede trabajar con modelos de series temporales a los que les faltan datos. En esta publicación, se analizará este tema.

Comencemos con algunas definiciones:

• Cero: El período existe y hay un valor igual a cero que está presente para este período (por ejemplo, marzo de 2023 existe en los datos y el valor correspondiente es 0).
• Blanco: Se trata de un período para el que no hay ningún punto de datos disponible (por ejemplo, marzo de 2023 no existe en los datos, junto con el valor correspondiente). Este punto de datos faltante también podría corresponder a un cero faltante. Existen diversas razones por las que estos puntos de datos podrían estar en blanco, como detallaremos en la siguiente tabla.

• Series temporales discontinuadas: Esta serie temporal tiene valores ingresados ​​para un período continuo y luego contiene solo períodos en blanco (por ejemplo, períodos completos de enero de 2015 a diciembre de 2020, períodos «en blanco» desde enero de 2021). Vea la figura a continuación para ver un ejemplo de una serie temporal discontinuada. Un ejemplo de una serie temporal discontinuada es la evolución de las ventas de un producto cuando un producto ya no está a la venta en un momento determinado.

• Series temporales emergentes: Esta serie temporal tiene valores completos para un período determinado, generalmente hasta el presente, mientras que antes tenía períodos en blanco (por ejemplo, períodos completos de enero de 2020 a febrero de 2022, períodos «en blanco» antes de enero de 2020). Vea la siguiente figura para ver un ejemplo de una serie temporal emergente. Por ejemplo, esto podría corresponder a un nuevo producto que comenzó a venderse recientemente en el mercado.

• Series temporales intermitentes: Esta serie temporal tiene una cantidad considerable de ceros, lo que significa que se trata de una combinación de períodos de tiempo llenos de valores (> = 0) y períodos de tiempo correspondientes a valores cero. Esta figura muestra un ejemplo de una serie temporal intermitente.

Ahora haremos algunas recomendaciones para manejar series de tiempo con datos faltantes.

Lo primero que debe hacer es comprobar la naturaleza de las distintas series temporales. También debe medir el porcentaje de valores faltantes que tiene en el rango de datos que utiliza para entrenar los modelos de pronóstico de series temporales. Esto debería darle una buena señal de qué esperar con las series temporales y las medidas de solución que puede tomar. Cuanto menor sea el porcentaje de valores faltantes en las series temporales, mejor.

Tienes diferentes formas de comprobar el porcentaje de datos rellenados:

• Si está utilizando un modelo de pronóstico de series de tiempo basado en entidades, puede consultar la Número de registros por entidad en el Descripción general Pestaña de su modelo de pronóstico de series temporales (vea la figura a continuación). Si tiene un solo modelo de pronóstico de series temporales, puede ver la Número de registros en el Modelos predictivos

• Puede crear historias ad hoc basadas en sus datos de entrenamiento para informar sobre la cantidad de períodos de datos completados por diferentes granularidades de tiempo.

A continuación se presentan algunas medidas de corrección que puede adoptar en función de su exploración y análisis de datos iniciales:

• Debe medir el porcentaje de ceros en una serie temporal intermitente. Una serie temporal intermitente con demasiados valores cero no suele ser adecuada para la previsión predictiva, ya que el modelo de previsión de series temporales tenderá a promediar ceros, valores rellenos y previsiones predictivas planas y promediadas.
• Debe descartar las series de tiempo discontinuadas, ya que probablemente ya no sean relevantes para su caso comercial una vez que haya confirmado que las observaciones faltantes corresponden a esta serie de tiempo que se discontinuó efectivamente.
• No debe reemplazar los espacios en blanco con ceros al comienzo de las series de tiempo emergentes, ya que es normal que falten dichos períodos.

Cuando reemplaza espacios en blanco por ceros, es importante que pueda evaluar el porcentaje de ceros en su serie temporal. Tener un porcentaje importante de ceros en una serie temporal no es la mejor manera de lograr el éxito, ya que los modelos de pronóstico de series temporales no son buenos para realizar predicciones basadas en una combinación de ceros y valores completos.

Obtenga más información sobre SAP Analytics Cloud en esta descripción general.

Nota del editor: esta publicación ha sido adaptada de una sección del libro. SAP Analytics Cloud: análisis predictivo por Antoine Chabert y David Serre.