Jedox AIssisted Planning para Series de Tiempo

 A continuación un video demostrando la facilidad con la que se puede efectuar una predicción de ventas/demanda utilizando series de tiempo. El asistente de Series de Tiempo es uno de los cuatro disponibles actualmente. Los otros son los de Predicción Basada en Drivers, Preparación de Datos y Selección de Drivers.

Preparación de Datos Para Forecasting con Jedox AIssisted Planning

El sueño de un usuario de negocio enfrentado a una herramienta de machine learning para efectuar sus proyecciones, es que una vez entregados los datos obtenga resultados inmediatos.

Al querer obtener una predicción de la posible demanda de sus productos por parte de sus clientes, un usuario de negocios podría verse tentado a simplemente alimentar de datos al algoritmo predictivo. Craso error.

Una de las principales consideraciones que debemos tener en cuenta antes de poder efectuar una predicción, es la calidad de los datos históricos que se utilizarán para la selección y entrenamiento de los algoritmos. Sin datos de calidad el resultado será malo resultando simplemente en un desperdicio de tiempo y recursos.

La preparación de datos es una parte fundamental pero también puede resultar compleja para un usuario de negocios no familiarizado con herramientas y algoritmos de machine learning.

• Separar en Segmentos
• Detectar anomalías (outliers) en las series de tiempo
• Suavizar los datos
• Extrapolar/Interpolar valores en donde estos no existan en la fuente 

Todo lo anterior puede resultar complejo, sobre todo si se hace sin las herramientas adecuadas, pero aquí es donde hace su aparición el asistente de Jedox AIssisted Planning.

Separar en Segmentos

Cuando vemos las ventas mensuales de todos nuestros clientes, a un nivel agregado las series tienden a verse regulares pero no será lo mismo cuando ahondamos en los niveles jerárquicos de los datos según su clasificación.

Si deseamos analizar las ventas de nuestros clientes, será útil segmentarlos por la cantidad de observaciones disponibles (6, 12, 24, 36, más), frecuencia de compra (todos los meses, algunos meses, esporádicamente), volumen de compra. Por ejemplo no tiene sentido, ni para la preparación como para la predicción, agrupar a clientes que solo tienen 6 meses de compras junto a los que tienen 36 meses. También es conveniente eliminar a todos los que tengan pocas o ninguna observación (en este caso venta mensual).

El asistente de Jedox solicita tener al menos 36 meses (observaciones) para producir un pronóstico confiable.

En la etapa de preparación de los datos, la segmentación es útil para detectar de mejor forma las anomalías, discriminar cuándo un valor es realmente anómalo, por que escapa a la tendencia o cuando un valor efectivamente debe ser cero. Esa venta extraordinaria en un mes del año, ¿se repite todos los años o es una excepción? ¿Cómo trataremos los datos de clientes que no compran todos los meses vs los que exhiben un comportamiento regular? ¿Debe interpolarse un valor o permanecer en cero? 

Una buena segmentación posteriormente nos servirá tanto para una mejor detección de anomalías como para seleccionar el mejor algoritmo predictivo para un determinado grupo de clientes.

Data Preparation Wizard de Jedox AIssisted Planning

Para facilitar el trabajo al usuario de negocios, Wizard de AIssisted Planning de Jedox agrega automáticamente los escenarios “Outlier”, “Interpolation”, “Extrapolation” y “Prediction” al cubo de datos seleccionado por el usuario. Los resultados son almacenados transparentemente para el usuario en los distintos escenarios sin necesidad de que el usuario se preocupe de exportar e importar datos. Un beneficio adicional es que Jedox permite que se entreguen datos a nivel agregado y que los resultados se distribuyan hacia los niveles inferiores ponderando los valores históricos de ventas por ejemplo para una categoría de clientes en los casos en que no se desea procesar cliente a cliente los datos.

Así si se selecciona “OnlyNodes” se está indicando que queremos proyectar la serie de datos agregados. Si seleccionamos “onlyBases” le estamos indicando que queremos que lo haga para todo los elementos base de la jerarquía. En el ejemplo si la dimensión “Customer” tiene mil elementos, el asistente hará la preparación para cada uno de los mil clientes.

Detección de Outliers e Interpolaciones

Como mencioné anteriormente, para obtener una buena predicción es indispensable tener datos históricos de buena calidad. También es necesario decidir si algunos valores faltantes deben ser reemplazados o “suavizados” para que no alteren la predicción.

En el cuadro anterior se aprecian peaks en las ventas que podrían ser excepciones y no necesariamente obedecen a un comportamiento habitual de compras del cliente.

Para detectar esos outliers y obtener sugerencias de reemplazo del dato, Jedox AIssisted Planning nos provee un asistente de preparación de datos con varios algoritmos de detección, el cual además nos permite generar los valores a ser interpolados o extrapolados en caso de ser necesario.

El asistente nos muestra gráficamente los datos fuente en el escenario “Actual” y nos permite reemplazar los valores utilizando los que están en la columna “Outlier” o “Interpolation”. Como mencioné en el artículo anterior aquí es donde el conocimiento del negocio por parte del usuario cobra importancia. La ausencia de ventas puede deberse a que falta el dato o a que realmente no se vendió y si no se vendió esto quizás fue una excepción en este cliente.

Ya obtenidos los “outliers” e interpolaciones podemos decidir si reemplazamos los valores de nuestro escenario “Actual Adj.” por las sugerencias del wizard.

Una vez preparados los datos ya estamos listos para realizar nuestro pronóstico pero eso es tema de un siguiente post.

Inteligencia Artificial para la Planificación Financiera y Comercial

 Hoy en día las empresas y muchos usuarios de negocio están escuchando sobre las oportunidades que ofrece la Ciencia de Datos (Data Science) y quienes la dominan, los Data Scientists o Científicos de Datos. Al fin el avance de la tecnología, la capacidad y el poder de los sistemas de computación hacen posible lo que hace algunos años era difícil de lograr: procesar grandes volúmenes de datos y exprimirlos hasta sacar información valiosa para el negocio.

Si bien es cierto que ahora es posible extraer información de los datos existentes en la empresa y mejorarlos con datos de fuentes externas los usuarios de negocio se enfrentan obstáculos tales como la ausencia de un científico de datos en las filas de su organización, lo complejas que se ven las múltiples plataformas disponibles en el mercado y la idea de que todo es “Big Data”. Esta última idea ha hecho que muchas organizaciones se hayan enfrentado a proyectos que consideran plataformas complejas de difícil y costosa implementación en tiempo y recursos que terminan manejando lo mismos datos estructurados que manejaban antes.

Para un usuario de negocios pensar en big data o en tener un científico de datos al interior de su equipo hace que el deseo de contar con los beneficios de la ciencia de datos se vea lejano.

No todo es Big

En primer lugar debemos aclarar que no todo se trata de “big data”. Más importante es “good data” y “right data”. No es más importante tener un gran volumen de datos a disposición que el tener los datos correctos y de buena calidad. Por ejemplo, si deseo hacer un pronóstico de la demanda de mis productos para un cliente o grupo de clientes basándome en su historia de compras de los últimos 36 meses no necesito una gran cantidad de datos sino más bien necesito que los mismos sean los apropiados y que no contengan errores u omisiones. Tampoco necesitaré Hadoop, Spark, etc. Podemos tener un gran volumen de información pero no necesariamente necesitaremos una plataforma compleja para manejarla.

¿Y qué hay del Científico de Datos?

 Junto con el desarrollo de software, implementación de algoritmos predictivos y la aparición de plataformas de machine learning algunas empresas han desarrollado asistentes o “wizards” potenciados por Inteligencia Artificial. La dificultad asociada a la elección del mejor algoritmo para predecir valores a partir de una serie histórica o determinar qué factores tienen un impacto en el rendimiento futuro de un producto o identificar anomalías en los datos ya no es tal, y aún más, no es obligatoria la presencia de un científico de datos al interior de la organización.

Los “wizards” o asistentes son capaces de evaluar nuestros datos, detectar anomalías, sugerir correcciones y como si esto fuese poco seleccionar qué algoritmo predictivo se ajusta mejor a estos. Trabajo de muchas horas e incluso días pueden ser drásticamente reducidos a un par de horas y, en algunas ocasiones, solo minutos.

¿Qué continúa siendo importante?

Para obtener el máximo de provecho para nuestro negocio de la ciencia de datos y de estos asistentes que casi nos parecen mágicos lo importante es conocer el negocio.

¿Cómo se comportan nuestros productos o clientes? ¿Cuál es la frecuencia de sus compras?, ¿es un cliente ocasional o frecuente? Lo mismo es cierto para nuestros productos. Un analista de negocio que conoce bien su negocio sabe cuándo un dato se debe a una anomalía y no es parte del comportamiento habitual de su producto/cliente. ¿Se trató de una venta o compra única?, ¿es así cómo se comporta su producto, cliente o segmento de los mismos?

Todo lo anterior es crucial para una actividad de suma importancia: preparar los datos. Para obtener una buena predicción es indispensable disponer de los datos correctos y no necesariamente de todos los datos disponibles. Es aquí donde el conocedor del negocio es importante. No se trata solo de procesar y predecir números. Hay que conocer el contexto.

Definir el nivel de granularidad al cual se efectuará el pronóstico también requiere de conocimiento. Mientras las series de datos aparecen regulares a nivel agregado a medida de que ahondamos en el nivel de detalle estas se pueden tornar irregulares y terminar siendo de poco o ningún valor para la predicción. No es lo mismo pronosticar las compras de todos los clientes, de un segmento de ellos o de uno en particular. Determinar hasta qué punto los datos pueden ser valiosos es tarea del analista del negocio.

En la preparación de datos el analista se ve enfrentado a la tarea de eliminar los datos anómalos (“outliers”). El asistente con inteligencia artificial puede mostrarle las anomalías e incluso sugerirle los valores necesarios para mejorar los datos que serán valiosos para la predicción pero es responsabilidad del analista decidir cuándo reemplazarlos.

Finalmente testear y validar. Ejecutar varias veces el proceso predictivo, ver cómo se ven los datos predichos comparados con escenarios reales y cuánto se acerca la predicción a la realidad es otra tarea más del analista que continúa siendo de importancia.

En un próximo artículo revisaremos como funciona uno de estos asistentes o “wizards” utilizando el servicio AIssisted Planning de #Jedox potenciados por Inteligencia Artificial.

Y estas son mis funcionalidades favoritas de Jedox 5.1

Jedox AG ha anunciado nuevas y útiles características, tales como “OLAP cell locking” y “predictive splashing”, “copy like” utilizando reglas y atajos para el ingreso de datos,  para su nuevo release 5.1. Para quienes estén trabajando con cubos de planificación dichas características son algo muy útil y deseable de tener a disposición para facilitar el trabajo de los analistas de planificación y presupuestos.

“Data Driven Modelling”. Este es un nuevo wizard o asistente que nos permite definir un cubo desde cero utilizando los datos fuente en una hoja Excel. El asistente crea las dimensiones, jerarquías y procesos ETL necesarios para la carga periódica de los datos lo que obviamente es un acelerador en el proceso de desarrollo.

“OLAP cell locking” se refiere a la capacidad de “congelar” algunos valores indicando que dichos valores no serán afectados por los cálculos efectuados en una operación de “splash” o prorrata de valores. Digamos que deseamos incrementar las ventas anuales en un 10% pero dejando Enero y Febrero intactos. Ahora esto puede efectuarse seleccionando las celdas y haciendo click en un nuevo botón de la barra de complementos de Jedox-Excel.

“Copy Like using Rules”. ¿Cuántas veces nos han consultado sobre esta posibilidad nuestros clientes/usuarios? Si disponemos de reglas de cálculo por supuesto que también desearíamos tener la posibilidad de utilizarlas para el llenado de otras celdas/escenarios “materializando” dichos valores.

“Predictive Splashing” ahora nos permite predecir valores de forma masiva basados en la historia de nuestros datos. Como nos indica el ejemplo contenido en el boletín “What´s new?”, si ingresamos el comando “predict 2011:2012:2013” en una celda de  “2014”, Jedox Olap Server calculará el resultado de la regresión lineal de los tres años ya indicados resultando en un nuevo escenario de ventas completamente poblado (productos, regiones, meses) para el 2014. ¡Fantástico!

 “Usabilidad”. Si deseamos mayor velocidad y usabilidad durante el ingreso de valores podemos utilizer los siguientes atajos: k para miles y M para millones. Ej.: #5k (en lugar de #5000). #7M (en lugar de #7000000).

“R”. Y para quienes necesiten mayor poder analítico/predictivo/estadístico, el ETL de Jedox ahora incluye un nuevo componente (transformation) para integración con R.

Presupuesto de Gastos con Jedox

Les dejo un enlace a un video demostrativo de cuán fácil puede ser construir una aplicación simple de Presupuesto de Gastos con Jedox.

Video Demo Jedox 3.3

Hemos publicado un video demostrando las funcionalidades básicas de Jedox 3.3. La primera parte es pincipalmente de las capacidades en Excel.




La segunda parte muestra funcionalidad básica de la publicación Web.

Palo BI Suite ahora es sexy...en Ipad

Ahora sí ya está oficialmente disponible y se puede descargar para demos desde http://ow.ly/4BmNj en AppStore de Apple.