Del ARIMA a la IA: qué debe demostrar un pronóstico para merecer confianza

Una institución necesita anticipar cuántas solicitudes recibirá el próximo mes. Tiene registros históricos, conoce las fechas de sus campañas y debe decidir cuántas personas asignará a la atención. Un equipo propone ajustar un ARIMA; otro recomienda árboles de aprendizaje automático; un tercero ofrece un modelo preentrenado que entrega resultados en segundos. Las tres propuestas pueden producir una curva convincente. Lo que todavía falta saber es cuál ayudará a tomar una mejor decisión.

El problema empieza cuando la selección se resuelve por el nombre de la tecnología. Un método puede parecer anticuado y seguir siendo competitivo; otro puede incorporar avances importantes y ofrecer escasa ventaja en una aplicación particular. La discusión requiere reconocer qué aporta cada familia de modelos y establecer una comparación que respete las condiciones reales del pronóstico.

La evolución del campo puede entenderse a partir de una pregunta: ¿de dónde aprende el modelo? Algunos métodos estiman sus parámetros principalmente con la historia de una serie; otros comparten información entre muchas series; los modelos fundacionales aprovechan un preentrenamiento realizado sobre grandes colecciones. Cada ampliación ofrece posibilidades, pero también introduce nuevas preguntas sobre la pertinencia de la información utilizada y la validez de los resultados.

Aprender de la historia de una serie

El pronóstico tiene una historia más larga que las tecnologías que hoy concentran la atención. Desde procedimientos clásicos como los promedios móviles y el suavizamiento exponencial, el campo avanzó hacia formulaciones sistemáticas como la metodología Box-Jenkins y los modelos ARIMA, así como hacia representaciones probabilísticas del suavizamiento mediante modelos de espacio de estados (Box et al., 2015; Hyndman et al., 2002). Más adelante, el aprendizaje automático y las redes neuronales ampliaron las posibilidades de aprovechar información de múltiples series, mientras que los modelos fundacionales incorporaron el preentrenamiento sobre grandes colecciones de datos (Das et al., 2024; Salinas et al., 2020). Este recorrido reúne enfoques que siguen coexistiendo: cada uno ofrece una forma distinta de representar los patrones temporales y aprovechar la información disponible.

Los modelos ARIMA representan la dependencia temporal mediante componentes autorregresivos, diferenciación y medias móviles de las innovaciones. En la notación ARIMA (p, d, q), los órdenes p y q indican, respectivamente, cuántos rezagos de la serie diferenciada y de las innovaciones intervienen; d señala cuántas diferencias se aplican. La finalidad de diferenciar es obtener una representación compatible con los supuestos de estacionariedad del modelo, cuando esa transformación resulta necesaria (Box et al., 2015). Las medias móviles de ARIMA se refieren a las innovaciones o errores del modelo y son distintas de los promedios móviles calculados sobre las observaciones.

Una diferencia ordinaria se expresa como:

La transformación desplaza la atención del nivel observado hacia su cambio entre dos períodos. Si una institución registra un crecimiento sostenido de solicitudes, modelar directamente sus niveles y modelar sus variaciones supone describir procesos distintos. Diferenciar automáticamente tampoco resuelve el análisis: hacerlo en exceso puede deteriorar la representación de la serie.

Las extensiones estacionales incorporan dependencias asociadas con ciclos regulares. En datos mensuales, por ejemplo, puede importar la relación con el mes anterior y con el mismo mes del año previo. El diagnóstico de residuos permite examinar si quedan dependencias temporales que el modelo no ha recogido; aun así, un diagnóstico satisfactorio necesita complementarse con evaluación fuera de muestra (Box et al., 2015).

El suavizamiento exponencial ofrece otra representación. En su forma simple, actualiza un nivel estimado mediante una combinación del dato reciente y el nivel anterior:

El parámetro α regula la rapidez de actualización. La familia ETS amplía esta lógica mediante estructuras de error, tendencia y estacionalidad. Su formulación en espacio de estados permite estimar modelos y obtener distribuciones predictivas dentro de un marco probabilístico explícito (Hyndman et al., 2002).

Estas familias siguen siendo candidatas razonables cuando la información disponible consiste principalmente en la trayectoria de cada indicador. Su utilidad debe juzgarse en la tarea concreta. La fecha de aparición de un método aporta contexto histórico; su desempeño predictivo exige evidencia adicional.

Compartir información entre muchas series

La situación cambia cuando una organización dispone de registros de numerosas oficinas, productos o territorios. Ajustar cada serie por separado puede desaprovechar regularidades compartidas. Un modelo global estima relaciones utilizando varias series y puede aprovecharlas para pronosticar cada una.

Los métodos basados en árboles permiten organizar el problema mediante variables como rezagos de la demanda, promedios históricos y características del calendario. En la competición M5, desarrollada con datos de ventas minoristas, destacaron soluciones basadas en LightGBM, capaces de trabajar con múltiples características y relaciones no lineales (Makridakis et al., 2022).

Sin embargo, el algoritmo necesita una representación temporal bien construida. Para anticipar solicitudes, un promedio móvil debe calcularse con información anterior al momento de emitir el pronóstico. Una campaña futura puede incorporarse si su programación ya era conocida. El número de personas que efectivamente asistieron a esa campaña todavía pertenece al futuro y no puede utilizarse como si hubiera estado disponible.

Las redes neuronales también pueden aprender conjuntamente de muchas series. DeepAR, por ejemplo, utiliza una arquitectura recurrente autorregresiva para estimar distribuciones predictivas a partir de conjuntos de series relacionadas. Compartir parámetros permite aprovechar regularidades entre ellas, en lugar de estimar un modelo completamente independiente para cada trayectoria (Salinas et al., 2020).

La cuestión técnica pasa entonces por determinar qué series conviene reunir. Oficinas con procesos comparables podrían aportar información útil entre sí; registros producidos con definiciones incompatibles podrían introducir confusión. El tamaño del conjunto de entrenamiento no sustituye la revisión de cómo se generaron los datos.

Aprovechar un aprendizaje previo

Los modelos fundacionales de series temporales amplían esta lógica mediante el preentrenamiento sobre colecciones extensas. El trabajo original de TimesFM presentó un modelo basado en una arquitectura de tipo transformer, capaz de generar pronósticos para series nuevas sin entrenamiento específico adicional sobre cada tarea. Esta modalidad suele denominarse zero-shot (Das et al., 2024).

La posibilidad tiene interés práctico: una organización puede evaluar un modelo previamente entrenado sin desarrollar desde cero todo su proceso de aprendizaje. Pero zero-shot describe la forma de aplicación; no certifica su pertinencia para cualquier población, frecuencia o proceso institucional.

El campo continúa cambiando. El 31 de agosto de 2026, Google Research presentó TimesFM-3 con soporte nativo para pronóstico multivariado y covariables. Sus autores comunicaron resultados favorables en varios bancos de evaluación. Se trata de un anuncio técnico del equipo desarrollador, una condición que debe distinguirse de la evaluación académica del modelo original y de una validación independiente en un contexto de uso particular (Jain & Sen, 2026).

Para la institución que necesita organizar su personal, esta disponibilidad abre una opción adicional. Todavía debe examinar si los patrones aprendidos se transfieren a sus registros, cómo responde el modelo ante cambios administrativos y qué recursos necesita para operarlo. La facilidad para obtener una predicción puede reducir el trabajo de implementación; la responsabilidad de evaluarla permanece.

Lo que las competiciones permiten aprender

Las competiciones de pronóstico ayudan a contrastar expectativas tecnológicas con resultados observados. En M4, uno de los hallazgos destacados fue el desempeño de un enfoque híbrido que combinaba componentes estadísticos y de aprendizaje automático (Makridakis et al., 2018). En M5 sobresalieron soluciones basadas en aprendizaje automático para una tarea de ventas minoristas con información adicional disponible (Makridakis et al., 2022).

La lectura conjunta permite cuestionar una clasificación rígida entre métodos tradicionales y modernos. También obliga a reconocer el alcance de cada resultado: las competiciones fijan datos, horizontes, métricas y reglas. Ganar bajo esas condiciones constituye evidencia valiosa sobre esas tareas; trasladar la preferencia a otro problema requiere una nueva evaluación.

Para CODESE, esta distinción es relevante cuando una organización solicita incorporar inteligencia artificial a su planificación. Antes de seleccionar una herramienta conviene precisar qué necesita anticipar, con cuánta antelación y qué consecuencias tendrá equivocarse. Esa definición permite construir una prueba cuyo resultado tenga sentido para quien debe decidir.

Una comparación que reproduzca el trabajo real

Volvamos a la institución que planifica su atención. Si necesita asignar personal con cuatro semanas de anticipación, evaluar únicamente pronósticos para el día siguiente respondería otra pregunta.

La validación temporal con origen móvil permite reproducir sucesivos momentos de decisión: se entrena con los datos disponibles hasta una fecha, se pronostica el horizonte establecido y luego se desplaza el origen para repetir el ejercicio. Cada entrenamiento utiliza exclusivamente información anterior a su correspondiente período de evaluación (Hyndman & Athanasopoulos, 2021).

El ejercicio debería incluir referencias simples. El método ingenuo utiliza la última observación; el ingenuo estacional repite el último valor de la estación correspondiente, como el mismo mes del año anterior. Son puntos de comparación reconocidos para establecer cuánto aporta una alternativa más elaborada (Hyndman & Athanasopoulos, 2021).

A partir de ese diseño, nuestra propuesta es examinar conjuntamente tres aspectos: la información disponible al emitir el pronóstico, la estabilidad de la mejora y su relevancia para la decisión. Un modelo que mejora el promedio, pero falla repetidamente durante las semanas de mayor presión, plantea un problema distinto de otro cuyos errores están distribuidos de manera más uniforme.

También conviene reservar un tramo final que no intervenga en la selección. Si el equipo modifica continuamente los modelos después de observar sus resultados en un mismo período, termina adaptando sus decisiones a ese examen. Documentar cuándo se seleccionó la alternativa y con qué información permite interpretar mejor la evaluación final.

El error depende de cómo se mida

El error absoluto medio expresa la magnitud promedio de las equivocaciones en las unidades del indicador. La raíz del error cuadrático medio asigna mayor peso a los errores grandes. Las medidas porcentuales, como MAPE, presentan dificultades cuando los valores observados son cero o se aproximan a cero; las medidas escaladas, como MASE, permiten otras comparaciones, con una referencia que debe especificarse (Hyndman & Koehler, 2006).

Elegir la medida también implica decidir qué aspecto del desempeño se considera relevante. Si la institución tiene días sin solicitudes, una métrica porcentual puede resultar inadecuada. Si necesita comparar oficinas de tamaños muy distintos, un promedio de errores en unidades puede estar dominado por las más grandes.

Hay otra distinción que merece atención: equivocarse por exceso y por defecto puede tener costos diferentes. Subestimar la demanda podría producir esperas prolongadas; sobreestimarla podría dejar capacidad ociosa. Una mejora estadística pequeña puede resultar valiosa si reduce errores especialmente costosos. Para demostrarlo hace falta relacionar las predicciones con una regla de asignación y evaluar sus consecuencias.

La incertidumbre también debe evaluarse

Un pronóstico puntual de 800 solicitudes deja abierta una pregunta operativa: cuánto margen conviene prever alrededor de esa cifra. Los pronósticos probabilísticos permiten expresar esa incertidumbre mediante distribuciones, cuantiles o intervalos.

Su calidad requiere evaluar tanto la calibración como la concentración de las predicciones. Un intervalo nominal del 80 % debería aproximarse a esa cobertura en evaluaciones repetidas pertinentes; hacerlo excesivamente amplio facilitaría la cobertura, pero reduciría su utilidad. Las reglas de puntuación propias permiten evaluar pronósticos probabilísticos considerando la distribución comunicada y el resultado observado (Gneiting & Raftery, 2007).

La interpretación necesita conservar el contexto. Una cobertura aceptable en el conjunto de oficinas puede ocultar un comportamiento deficiente en algunas de ellas. Además, los resultados históricos ofrecen evidencia bajo las condiciones evaluadas: una reforma institucional, una interrupción del servicio o un cambio en la definición del registro pueden alterar la relación entre pasado y futuro.

Por eso, la entrega de un modelo debería acompañarse de criterios para revisar su desempeño y reconsiderar su uso. La confianza necesita mantenerse después de la primera evaluación.

Qué confianza puede sostener este recorrido

Este artículo propone una lectura metodológica de la literatura; no presenta un experimento propio ni establece un ganador para los datos de CODESE. Las investigaciones citadas corresponden a tareas y condiciones diferentes. Esa limitación impide convertir sus resultados en una clasificación universal, aunque permite fundamentar mejores preguntas de evaluación.

El recorrido del ARIMA a la IA muestra una ampliación de las fuentes de aprendizaje: la trayectoria individual, la información compartida entre series y el preentrenamiento a gran escala. Para una organización, aprovechar esa ampliación exige comprobar qué información resulta pertinente y qué mejora se conserva cuando el modelo enfrenta el trabajo real.

Escribimos sobre este recorrido porque la oferta tecnológica suele avanzar más rápido que la capacidad institucional para examinarla. Desde CODESE, sostenemos que un pronóstico merece confianza cuando su ventaja puede demostrarse con información disponible a tiempo, evaluaciones pertinentes y una incertidumbre bien comunicada. Elegirlo también exige comprender sus costos, sus fallas y las circunstancias que obligarían a revisarlo. Ese es el vínculo entre desarrollar capacidad analítica y mejorar una decisión.