Parte II - Auto-Calibrar Parámetros de Suavización

Esta es nuestra segunda entrada acerca de la ¨Funcionalidad de Suavización¨ en NumXL. En una entrada anterior discutimos cada una de sus funciones, resaltamos sus supuestos y parámetros y demostramos su aplicación a través de ejemplos.

¿Qué hay de nuevo? Desde la vez que publicamos la primera entrada, hemos mejorado significativamente la función exponencial de suavización a través de la introducción de una opción para auto-calibrar los valores de los parámetros de suavización.

Las funciones de suavización exponencial (exponencial simple, exponencial linear, doble exponencial y triple exponencial) tienen un optimizador incorporado que, si se activa, hace una búsqueda de valores óptimos para los parámetros de suavización.

¿Por qué adicionamos esta mejora? Las funciones de suavización son probablemente las funciones más usadas en NumXL. Desde el lanzamiento de esas funciones hemos tenido numerosas peticiones de clientes para impulsar la reestructuración de los procesos de suavizado y, como siempre, las hemos escuchado y hemos llevado a cabo las mejoras requeridas. Las funciones de suavizado no han cambiado, sólo las hicimos más fáciles de usar.

¿Por qué nos debe interesar? Además del tiempo y del esfuerzo ahorrados al encontrar los valores óptimos en Excel (refiéranse a nuestra primera entrada), ahora ustedes pueden conducir las pruebas retrospectivas para utilizar el suavizado exponencial con sus datos. 

¿Qué significa ¨prueba en retrospectiva¨? Significa que el optimizador incorporado en las funciones de suavizado trata de encontrar los mejores valores para los parámetros de suavizado usando solamente el grupo de datos de registro dado.

Ejemplo: para calcular el valor de la función de suavizado en el tiempo $t_n$, pasamos el grupo de datos de registro $\{x_1,x_2,\cdots,x_n\}$ y el optimizador incorporado utiliza solamente esas observaciones ¨n¨ para encontrar los mejores valores para los parámetros de suavizado. Luego, para calculcar los valores de la función de suavizado en el tiempo $t_{n+1}$, pasamos el siguiente grupo de datos: $\{x_1,x_2,\cdots,x_{n+1}\}$. El optimizador utilizará la observación n+1 para encontrar los mejores valores que pueden ser un tanto diferentes a aquellos encontrados anteriormente. En otras palabras, los valores de parámetros de suavizado son re evaluados siempre utilizando las observaciones anteriores.

¿Por qué no usar los mismos valores (fijos)? En la entrada anterior, utilizamos todo el grupo de datos para encontrar los valores óptimos del grupo de datos, cosa que no es útil para evaluar cómo las funciones tarifarán fuera de una situación de prueba. Usando el enfoque mencionado arriba, la función solamente utiliza la información disponible hasta esta instancia de tiempo, y a medida que más información se tenga disponible va re evaluando el cálculo.

Esto es a lo que con frecuencia nos referimos como prueba retrospectiva.

¿Cuáles son los valores de inicio de los parámetros de suavizado? Ahora tenemos la opción de pasar los valores de inicio usando los mismos argumentos (e.g. alfa, beta y gamma) o podemos omitir uno o más argumentos, caso para el cual las funciones encajarán en un valor fijo (i.e. 0.33). En una implementación futura, estamos considerando usar los valores de inicio regidos por datos basados en literatura de mejores prácticas.