Glosario
Aprendizaje supervisado: aprender de lo que ya pasó para prever lo que viene
Definición
El aprendizaje supervisado es un método en el que el modelo aprende de ejemplos que incluyen la respuesta correcta, por ejemplo las ventas de una semana y lo que se vendió en la siguiente. Con eso aprende a prever casos nuevos. Si la respuesta es un número se llama regresión (cuántas unidades); si es una categoría, clasificación (¿romperá o no?). Se evalúa con datos que el modelo no ha visto.
Casi toda la previsión de stock con modelos es aprendizaje supervisado: al modelo se le enseñan miles de casos pasados junto con lo que ocurrió después, y aprende a acertar con casos nuevos. Entender cómo se le enseña explica también por qué se equivoca cuando se equivoca.
Qué es exactamente
En el aprendizaje supervisado el modelo recibe pares de entrada y salida: lo que se sabía en un momento (las ventas recientes, la fecha, si había promoción) y lo que ocurrió después (la venta real). La respuesta conocida se llama etiqueta, y es lo que «supervisa» el aprendizaje. Según lo describe Wikipedia, el objetivo es prever la salida correcta para entradas nuevas, y el éxito se mide por la capacidad de generalizar, no por acertar lo ya visto.
Se distinguen dos tipos de tarea. En la regresión la respuesta es un número, como las unidades que se venderán la semana que viene. En la clasificación la respuesta es una categoría, como si un producto va a quedarse a cero antes del próximo envío. Los dos aparecen en control de stock, y se pueden derivar el uno del otro.
También se le llama
Supervised learning en inglés, modelo supervisado o aprendizaje con etiquetas. Se opone al aprendizaje no supervisado, donde no hay respuesta conocida y el modelo busca estructura por su cuenta, por ejemplo agrupar tiendas que se comportan igual. En la documentación de scikit-learn, la biblioteca de referencia, bajo «supervised learning» conviven desde modelos lineales hasta árboles, vecinos próximos, conjuntos de modelos y redes neuronales.
Un ejemplo
Un distribuidor de material de oficina quiere prever la venta semanal de un toner en cada delegación. Construye una fila por cada semana, producto y delegación pasadas. Entradas: ventas de las cuatro semanas anteriores, semana del año, si hubo campaña. Etiqueta: unidades vendidas esa semana. Con tres años de historial de 40 delegaciones y 150 productos de este tipo salen unas 936.000 filas (40 × 150 × 156 semanas).
No se entrena con todas. Se reservan las últimas 8 semanas como examen: el modelo aprende con el resto, prevé esas 8 semanas sin verlas y se compara con lo que vendieron de verdad. Si en el examen acierta bien y en el entrenamiento mejor todavía, hay que sospechar. Ese desfase tiene nombre, sobreajuste, y es el error clásico del método: aprender de memoria los casos pasados en lugar de lo que se repite. Wikipedia recoge como antídotos la regularización, la parada anticipada y evaluar con datos de prueba o validación cruzada.
En series de tiempo el examen siempre se hace con el futuro respecto al entrenamiento: no vale mezclar semanas al azar, porque el modelo vería datos posteriores al momento que debe prever. Eso es lo que hace el backtest.
Ojo con esto
Dónde falla el aprendizaje supervisado en stock:
- Etiquetas contaminadas: si el producto estuvo a cero tres semanas, la etiqueta «venta cero» es falsa; la demanda existía pero no pudo servirse.
- Fuga de información: usar como entrada un dato que no se conocía el día de prever, como el precio definitivo de una promoción que se decide después.
- Examen mal hecho: validar mezclando fechas da una nota inflada que luego no se cumple.
- Cambios de régimen: un producto sustituido, un competidor nuevo o un cambio de precio hacen que el pasado enseñe poco del futuro.
Dónde aparece en el sistema
La previsión de la venta de cada producto en cada sitio es un problema supervisado de regresión; el riesgo de rotura se obtiene con esa previsión y su margen de error. Cada semana el modelo se reentrena con los datos nuevos que leemos de tu programa con un usuario de solo lectura.
La simulación con tus datos es el examen del párrafo anterior aplicado a tu negocio: fechas pasadas, solo lo que se sabía ese día, y comparación con lo que hiciste.
Términos relacionados
Aprendizaje automático, sobreajuste, validación temporal, variables explicativas y demanda censurada.
Preguntas frecuentes
¿Qué diferencia hay entre regresión y clasificación en stock?
La regresión devuelve una cantidad, como 18 unidades. La clasificación devuelve una categoría, como «romperá antes del lunes». En reposición se suele hacer regresión y de ahí se deduce la categoría, porque la cantidad sirve para decidir cuánto enviar.
¿Hace falta que alguien etiquete los datos a mano?
En previsión de ventas no: la etiqueta es la venta real, que ya está en tu programa. El trabajo está en comprobar que esa venta refleja la demanda y no una rotura.
¿Qué pasa con un producto sin historial?
El modelo supervisado no tiene ejemplos propios. Se parte del comportamiento de productos parecidos hasta que haya semanas reales, y se marca la previsión como poco fiable para que alguien la revise.