Pronosticando la Demanda en el Mundo de la Publicidad
Descubre cómo Multi-Stage HiFoReAd mejora la precisión de las previsiones de demanda para las empresas.
Zhengchao Yang, Mithun Ghosh, Anish Saha, Dong Xu, Konstantin Shmakov, Kuang-chih Lee
― 7 minilectura
Tabla de contenidos
- La importancia de las previsiones precisas
- ¿Qué es la previsión jerárquica?
- Los desafíos de la previsión tradicional
- La necesidad de un nuevo enfoque
- Cómo funciona Multi-Stage HiFoReAd
- Etapa 1: Recopilación de Perspectivas Diversas
- Etapa 2: Reconciliación de Arriba hacia Abajo
- Etapa 3: Armonización de Previsiones
- Etapa 4: Asegurando Coherencia a Través de los Niveles
- Etapa 5: Ajustes Finales
- Aplicación y Beneficios en el Mundo Real
- Pruebas del Marco
- Lecciones del Marco
- Respuesta a las Necesidades de la Industria
- Direcciones Futuras
- Conclusión: Previsión, Simplificada
- Fuente original
- Enlaces de referencia
En el mundo acelerado de hoy, las empresas necesitan planear con anticipación. Ya sea previendo cuántos productos hacer o cuánto pasta tener en el supermercado, entender la demanda futura es clave para el éxito. Esto es especialmente cierto en el mundo de la publicidad, donde las empresas tienen que saber cuántos anuncios crear y cómo asignar recursos de manera efectiva. Ahí es donde entra la previsión de demanda, actuando como una bola de cristal para las empresas que intentan averiguar qué esperar en el futuro.
La importancia de las previsiones precisas
Las previsiones de demanda precisas ayudan a las empresas a evitar tanto el exceso de stock como la falta de él. Sobreestimar la demanda puede llevar a un excedente de productos que pueden no venderse, mientras que subestimar puede resultar en oportunidades de venta perdidas. Para los publicistas, conocer la demanda esperada les permite tomar decisiones informadas sobre sus campañas y presupuestos. A pesar de la importancia de las previsiones precisas, a menudo puede ser una tarea complicada, especialmente con grandes cantidades de datos y números volando como confeti en una fiesta de Año Nuevo.
¿Qué es la previsión jerárquica?
La previsión jerárquica es como un árbol genealógico bien organizado para los datos. Imagina un padre en la cima y a los hijos abajo, cada uno representando un nivel diferente de datos. Esta estructura ayuda a las empresas a ver cómo se relacionan los componentes individuales entre sí. Por ejemplo, en el nivel superior, puedes tener el gasto total en publicidad, mientras que los siguientes niveles podrían desglosar esto en diferentes categorías de productos, regiones o períodos de tiempo. Al analizar cada uno de estos niveles, las organizaciones pueden obtener conocimientos más profundos, como cuántos anuncios navideños deben correr en Florida frente a California.
Los desafíos de la previsión tradicional
Los métodos de previsión tradicionales pueden fallar. Piensa en esto: si solo le preguntas a una persona su opinión sobre un restaurante, y a esa persona no le gusta, podrías perderte una gran experiencia gastronómica. De manera similar, los métodos que miran cada nivel de una jerarquía por separado podrían perder conexiones cruciales entre ellos. Podrían darte una previsión coherente, pero la precisión podría sacrificarse, especialmente para niveles más bajos en la jerarquía. Esto puede llevar a previsiones que son tan útiles como una tetera de chocolate.
Además, las empresas enfrentan numerosos factores que complican la previsión. Las tendencias del mercado pueden cambiar como el humor de un adolescente, la calidad de los datos puede ser inconsistente, y a veces las previsiones simplemente no cuadran entre diferentes niveles. ¡Es como tratar de equilibrar un balancín con una persona mucho más pesada que la otra!
La necesidad de un nuevo enfoque
Con tantos desafíos en la previsión de demanda, había una necesidad de un nuevo enfoque que abordara estos problemas de frente. Entra el marco de "Reconciliación y Ajuste de Previsión Jerárquica de Múltiples Etapas", o "Multi-Stage HiFoReAd" para abreviar. Este nombre elegante puede sonar complicado, pero promete llevar la previsión a otro nivel.
Cómo funciona Multi-Stage HiFoReAd
Este marco innovador está diseñado para mejorar el proceso de previsión de demanda a través de diferentes niveles de una jerarquía. Lo hace a través de varias etapas clave que ayudan a garantizar coherencia y precisión.
Etapa 1: Recopilación de Perspectivas Diversas
Primero, el sistema recopila una variedad de previsiones utilizando técnicas estadísticas avanzadas. Al combinar diferentes métodos de modelado, crea previsiones base que son más robustas que si solo se usara un método. Piensa en esto como pedir recomendaciones de restaurantes a un grupo de amigos en lugar de depender solo de un comensal exigente. ¡Más opiniones llevan a mejores decisiones!
Etapa 2: Reconciliación de Arriba hacia Abajo
En esta etapa, se organizan las previsiones iniciales. Usando un método de arriba hacia abajo, el marco mira el panorama general y lo desglosa en partes más pequeñas. Esto significa que puede tomar la predicción total de demanda y asignarla a diferentes departamentos o regiones. Es como tomar una pizza grande y cortarla en porciones individuales para que todos disfruten.
Etapa 3: Armonización de Previsiones
Luego, el marco revisa la Estacionalidad, esos patrones predecibles en la demanda que ocurren durante momentos particulares del año, como un breve romance de verano que regresa cada año. Al hacer ajustes basados en estos patrones estacionales, las previsiones se vuelven aún más precisas.
Etapa 4: Asegurando Coherencia a Través de los Niveles
Después de armonizar las previsiones, el marco utiliza una técnica conocida como reconciliación. Este paso asegura que las predicciones de demanda a través de diferentes niveles de la jerarquía tengan sentido juntos. Por ejemplo, si la previsión total dice que necesitas 100 anuncios, pero el desglose sugiere que solo se crearán 80 anuncios, algo está claramente mal-¡como un rompecabezas que le faltan piezas!
Etapa 5: Ajustes Finales
Finalmente, la última etapa del marco HiFoReAd implica ajustes finales, donde se afinan los valores pronosticados para reflejar la imagen más precisa posible. Este último paso es lo que convierte una buena previsión en una gran previsión.
Aplicación y Beneficios en el Mundo Real
En escenarios de la vida real, el marco Multi-Stage HiFoReAd ha mostrado mejoras significativas en la precisión al predecir la demanda de anuncios. Se ha probado en varios conjuntos de datos, demostrando su capacidad para adaptarse a diferentes situaciones, al igual que un camaleón cambiando de color.
Pruebas del Marco
Experimentos realizados usando conjuntos de datos internos y públicos han demostrado que el marco no solo mejora la precisión, sino que también mantiene la coherencia entre niveles. De hecho, los resultados mostraron reducciones en el Error Porcentual Absoluto (APE). En términos simples, HiFoReAd ayudó a hacer predicciones que estaban mucho más cerca de la realidad, lo que llevó a menos pasos en falso en la asignación de recursos y la planificación.
Lecciones del Marco
Una de las lecciones clave de implementar el marco Multi-Stage HiFoReAd es la importancia de abordar la previsión como un esfuerzo colaborativo. Al igual que un coro bien ensayado, donde cada voz complementa a la otra, una combinación de diferentes métodos puede llevar a resultados más armoniosos y precisos.
Respuesta a las Necesidades de la Industria
A medida que las empresas necesitan mantenerse ágiles y adaptarse a cambios rápidos, las soluciones escalables son esenciales. El marco HiFoReAd se destaca por su capacidad para manejar grandes conjuntos de datos de manera eficiente, gracias a la computación distribuida. Imagina malabarear varias pelotas a la vez; el marco asegura que ninguna de ellas caiga al suelo.
Direcciones Futuras
Mirando hacia adelante, siempre hay espacio para mejorar. En investigación y desarrollo, hay un esfuerzo continuo para refinar aún más las técnicas de previsión. Las ideas para mejorar el marco Multi-Stage HiFoReAd podrían incluir la integración de métodos de aprendizaje automático aún más avanzados y explorar cómo manejar mejor nuevos tipos y estructuras de datos.
Conclusión: Previsión, Simplificada
En conclusión, la previsión de demanda, especialmente en publicidad, no es tarea fácil. Sin embargo, al emplear marcos innovadores como Multi-Stage HiFoReAd, las empresas pueden prepararse mejor para el futuro. Así como nadie saldría a una tormenta sin un paraguas, las empresas no deberían navegar por el complejo mundo de la publicidad sin una sólida estrategia de previsión. Con las herramientas adecuadas en mano, como un paraguas de confianza, las empresas pueden enfrentar cualquier tormenta y alcanzar sus objetivos.
Así que la próxima vez que pienses en previsiones, imagina esas porciones de pizza y los rostros felices alrededor de la mesa. Con el enfoque correcto en la previsión de demanda, ¡todos pueden disfrutar de su parte del pastel!
Título: A Comprehensive Forecasting Framework based on Multi-Stage Hierarchical Forecasting Reconciliation and Adjustment
Resumen: Ads demand forecasting for Walmart's ad products plays a critical role in enabling effective resource planning, allocation, and management of ads performance. In this paper, we introduce a comprehensive demand forecasting system that tackles hierarchical time series forecasting in business settings. Though traditional hierarchical reconciliation methods ensure forecasting coherence, they often trade off accuracy for coherence especially at lower levels and fail to capture the seasonality unique to each time-series in the hierarchy. Thus, we propose a novel framework "Multi-Stage Hierarchical Forecasting Reconciliation and Adjustment (Multi-Stage HiFoReAd)" to address the challenges of preserving seasonality, ensuring coherence, and improving accuracy. Our system first utilizes diverse models, ensembled through Bayesian Optimization (BO), achieving base forecasts. The generated base forecasts are then passed into the Multi-Stage HiFoReAd framework. The initial stage refines the hierarchy using Top-Down forecasts and "harmonic alignment." The second stage aligns the higher levels' forecasts using MinTrace algorithm, following which the last two levels undergo "harmonic alignment" and "stratified scaling", to eventually achieve accurate and coherent forecasts across the whole hierarchy. Our experiments on Walmart's internal Ads-demand dataset and 3 other public datasets, each with 4 hierarchical levels, demonstrate that the average Absolute Percentage Error from the cross-validation sets improve from 3% to 40% across levels against BO-ensemble of models (LGBM, MSTL+ETS, Prophet) as well as from 1.2% to 92.9% against State-Of-The-Art models. In addition, the forecasts at all hierarchical levels are proved to be coherent. The proposed framework has been deployed and leveraged by Walmart's ads, sales and operations teams to track future demands, make informed decisions and plan resources.
Autores: Zhengchao Yang, Mithun Ghosh, Anish Saha, Dong Xu, Konstantin Shmakov, Kuang-chih Lee
Última actualización: 2024-12-19 00:00:00
Idioma: English
Fuente URL: https://arxiv.org/abs/2412.14718
Fuente PDF: https://arxiv.org/pdf/2412.14718
Licencia: https://creativecommons.org/licenses/by/4.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a arxiv por el uso de su interoperabilidad de acceso abierto.