Glosario
Modelo global y modelo local: qué son y cuándo conviene cada uno
Definición
Un modelo local se ajusta a una sola serie de ventas, por ejemplo un producto en una tienda, y solo aprende de su propio pasado. Un modelo global se entrena con muchas series a la vez y reparte lo aprendido entre todas. El global ayuda sobre todo a productos con poco histórico o ventas irregulares, porque aprovecha lo que se sabe de otros parecidos. El local es más simple y suficiente cuando las series son largas y estables.
Cuando hay que prever la venta de miles de productos en decenas de sitios, la primera decisión técnica es si se ajusta un modelo para cada combinación o uno solo que aprenda de todas a la vez. Esa es la diferencia entre modelo local y modelo global, y cambia mucho lo que se puede prever con poco histórico.
Qué es exactamente
Un modelo local ajusta sus parámetros usando una única serie temporal: las ventas semanales de un producto en un punto. Tantas series, tantos modelos. Un suavizado exponencial o un ARIMA por producto y por tienda son el ejemplo clásico, y es lo que hace casi cualquier hoja de cálculo de previsión.
Un modelo global ajusta un único conjunto de parámetros con muchas series a la vez y lo aplica a todas. Lo que aprende en los productos que se venden mucho (cómo sube la demanda en la semana de una promoción, cómo cae tras un festivo) se reutiliza para los que se venden poco. El artículo de DeepAR, de Amazon, lo planteó así para demanda de retail: un solo modelo entrenado con un gran número de series relacionadas, que además devuelve una distribución de ventas posibles y no una sola cifra.
También se le llama
En inglés, global model y local model. Hay quien habla de modelo por serie frente a modelo de panel, o de aprendizaje cruzado (cross-learning) para describir que las series se enseñan unas a otras. No debe confundirse con el modelo jerárquico, que reparte una previsión total entre niveles (empresa, región, tienda): ese es otro problema.
Un ejemplo
Una cadena de ferretería con 60 tiendas y 4.000 referencias tiene 240.000 combinaciones de producto y tienda. Un cubo de pintura de 15 litros se vende bien en todas y tiene tres años de histórico: un modelo local lo prevé sin problema. Pero una referencia de abrazaderas especiales que entró hace seis semanas tiene seis datos por tienda, casi todos ceros. Un modelo local no tiene de qué aprender y devuelve prácticamente la media.
Un modelo global ve que las abrazaderas se parecen a otras 300 referencias de fontanería de la misma familia, con ventas bajas pero con la misma forma: más salida en los meses de obra, cero en agosto. Con esa información, la previsión de la abrazadera nueva en una tienda concreta parte de lo que le ha pasado a sus parecidas, y se corrige a medida que llegan sus propias ventas. Esa es la ventaja real: no es que el global sea más inteligente, es que usa más datos para cada decisión.
Al revés, para una serie con cinco años de ventas estables, el modelo global no aporta casi nada y puede incluso suavizar de más sus rarezas. Por eso en la práctica se comparan los dos con las ventas pasadas de la propia empresa y se elige por resultado, no por moda.
Ojo con esto
Los errores típicos al hablar de uno u otro:
- Creer que global significa mejor: con series largas y limpias, un modelo local bien elegido iguala o supera al global y se explica más fácil.
- Mezclar series que no se parecen: un modelo global entrenado con productos de comportamientos muy distintos puede confundirlos. Se agrupa por familia, ritmo de venta o tipo de cliente.
- Olvidar la información de fuera: el global gana mucho cuando recibe variables como el precio, las promociones, el calendario o la tienda. Sin ellas, aprende menos de lo que podría.
- No separar entrenar de prever: un modelo global se reentrena con menos frecuencia que un modelo local, que se ajusta cada semana. Hay que decidir cada cuánto se actualiza.
- Juzgar por la media: un global puede mejorar el error medio y empeorar justo en los productos importantes. Se mira por grupos, no solo en total.
Dónde aparece en el sistema
En el sistema que montamos conviven los dos enfoques. Los productos con histórico largo y venta regular se prevén con modelos que se ajustan a su propia serie. Los de poca venta, los lanzamientos y los nuevos sitios reciben apoyo de lo aprendido en otros parecidos. Cuál se usa para cada producto no se decide a ojo: lo marca el resultado en la simulación con tus datos, que repite semanas pasadas con lo que se sabía cada día y compara los dos caminos.
Lo ves en el panel como una previsión por semana con su banda de incertidumbre, y el asistente puede explicarte de dónde sale: de la historia propia del producto o de su familia. El detalle de cómo se construye la previsión está en la pieza de previsión de demanda.
Términos relacionados
Previsión por cuantiles, estacionalidad, método de Croston, Holt-Winters, ARIMA, backtest y SKU. Para el cuadro completo, la guía de previsión de demanda.
Preguntas frecuentes
¿Cuántos productos hacen falta para que un modelo global merezca la pena?
No hay un número mágico. Merece la pena cuando hay muchas series cortas o irregulares que se parecen entre sí. Con un puñado de productos de venta estable, un modelo por serie suele bastar. Se decide comparando ambos con tus ventas pasadas.
¿Un modelo global necesita muchos datos nuestros?
Necesita varias series con algo de histórico, no millones de filas. Si la empresa tiene ventas semanales por producto y sitio de un par de años, hay material de sobra para empezar y comprobar si compensa.
¿Se puede combinar los dos en la misma empresa?
Sí, y es lo habitual: cada producto usa el modelo que mejor ha funcionado con su historia. Lo importante es que la elección se base en resultados pasados y que se pueda revisar.
¿El modelo global aprende de los datos de otras empresas?
No. En nuestro sistema el modelo se entrena solo con las series de tu empresa. Lo que se comparte entre productos es lo aprendido dentro de tu propio negocio.