EN 
Español
Українська🍽️ Pronosticador de Demanda para Restaurantes — Series Temporales en Vivo
Watch a real exponential-smoothing/ARIMA-style forecaster decompose seasonal, trend and noise components from synthetic daily order history and project next-week demand with a live confidence band.
Acerca de esta simulación
Este simulador genera un historial sintético de 18 semanas de pedidos diarios para un restaurante ficticio — con una tendencia de crecimiento ascendente genuina, un patrón semanal que se repite (entre semana tranquilo, un pico marcado el viernes/sábado, un domingo moderado) y ruido diario aleatorio más picos ocasionales tipo promoción — y luego le ajusta un modelo real de suavizado exponencial triple aditivo de Holt-Winters. Los componentes de nivel, tendencia y estacionalidad del modelo se actualizan usando las ecuaciones recursivas estándar en cada día de entrenamiento, y el pronóstico ajustado para los días finales reservados se compara con los valores reales reservados para reportar en vivo el Error Absoluto Medio y el Error Cuadrático Medio.
🔬 Qué muestra
El gráfico superior superpone la serie bruta de pedidos diarios, los valores ajustados de un paso adelante del modelo sobre la ventana de entrenamiento, y el pronóstico hacia adelante sobre el horizonte reservado, junto con una banda de confianza del 95%. Esa banda no tiene un ancho fijo meramente cosmético — se deriva de la desviación estándar de los propios residuos de un paso adelante del modelo, ensanchándose con la raíz cuadrada del horizonte de pronóstico, exactamente como predice la teoría de espacio de estados de suavizado exponencial. El gráfico inferior descompone la serie en sus componentes en vivo de nivel, tendencia y estacionalidad por día de la semana.
🎮 Cómo usarlo
Arrastra los controles deslizantes α (nivel), β (tendencia) y γ (estacional) para cambiar la rapidez con la que cada componente se adapta a los nuevos datos — valores bajos producen componentes suaves y de reacción lenta; valores altos siguen el ruido de cerca. El control deslizante de horizonte de pronóstico (7-28 días) establece cuántos días se reservan para validación. Los controles deslizantes de intensidad de estacionalidad y ruido controlan el generador de datos sintéticos; pulsa Regenerar para un nuevo historial aleatorio, o Reiniciar para restaurar los parámetros de suavizado predeterminados.
💡 ¿Sabías que...?
Holt-Winters fue desarrollado en las décadas de 1950 y 1960 por Charles Holt y su estudiante Peter Winters específicamente para el pronóstico de demanda, y hoy sigue siendo un estándar de referencia en los sistemas de inventario minorista y hotelero porque necesita solo tres parámetros ajustables y aun así captura tanto la tendencia como la estacionalidad — propiedades que un promedio móvil ingenuo o un modelo simple de suavizado exponencial no pueden representar por sí solos.
Preguntas frecuentes
¿Qué es el suavizado exponencial de Holt-Winters?
Holt-Winters (suavizado exponencial triple) extiende el suavizado exponencial simple con dos componentes recursivos adicionales: un término de tendencia que sigue la pendiente local de la serie, y un término estacional que sigue un desplazamiento aditivo que se repite por período (aquí, por día de la semana). Tres parámetros de suavizado — α para el nivel, β para la tendencia, γ para lo estacional — controlan la rapidez con la que cada componente se adapta a las nuevas observaciones frente a cuánto confía en su propio historial. Esta simulación implementa la variante aditiva con las ecuaciones recursivas de actualización estándar, no una animación guionizada.
¿Cómo se calcula la banda de confianza del pronóstico?
La banda no tiene un ancho fijo meramente cosmético. El modelo registra sus residuos de un paso adelante (real menos valor ajustado) a lo largo de la ventana de entrenamiento y calcula su desviación estándar, σ. Para un pronóstico h días adelante, la incertidumbre se modela creciendo con la raíz cuadrada de h — una aproximación estándar usada en el pronóstico de espacio de estados de suavizado exponencial — por lo que la banda del 95% es el pronóstico ± 1.96·σ·√h. Ensanchar correctamente la banda no requiere ningún truco de dibujo, solo la varianza residual que el modelo ya calculó al ajustarse.
¿Qué significan los componentes de nivel, tendencia y estacionalidad?
El nivel es la demanda base suavizada, sin estacionalidad ni ruido. La tendencia es el cambio estimado día a día en esa base — positivo durante la fase de crecimiento lento del negocio sintético. El componente estacional es un patrón repetitivo de 7 valores (un desplazamiento por día de la semana) que refleja el hecho de que el volumen de pedidos de viernes y sábado es estructuralmente más alto que el de entre semana, independientemente de la tendencia general de crecimiento. Sumar de nuevo estos tres componentes reconstruye la serie ajustada.
¿Cómo se usan el MAE y el RMSE para evaluar la calidad del pronóstico?
La simulación reserva el último bloque de días (el horizonte de pronóstico) fuera del entrenamiento y nunca deja que el modelo los vea mientras se ajusta. Luego compara el pronóstico para esos días con los valores reales reservados usando el Error Absoluto Medio (promedio de |real − pronóstico|) y el Error Cuadrático Medio (raíz cuadrada del error cuadrático promedio, que penaliza más los fallos grandes). Ambos se actualizan en vivo a medida que mueves los controles deslizantes α, β, γ u horizonte, mostrando directamente cómo las elecciones de los parámetros de suavizado se compensan frente a la precisión fuera de muestra.
¿Por qué los restaurantes necesitan pronóstico de demanda?
El volumen de pedidos varía bruscamente según el día de la semana (picos de fin de semana), crece o se reduce con el negocio a lo largo del tiempo, y es ruidoso día a día. Los pronósticos precisos a corto plazo permiten que un restaurante programe el número correcto de personal, pida la cantidad correcta de existencias perecederas y evite tanto el desperdicio de alimentos como el desabasto. Holt-Winters es popular en el sector minorista y de hostelería precisamente porque captura la tendencia y la estacionalidad semanal con solo tres parámetros ajustables y se actualiza de forma económica a medida que llegan nuevos datos diarios, sin necesitar un proceso completo de identificación ARIMA.
Un modelo real de suavizado exponencial triple aditivo de Holt-Winters, con ecuaciones de actualización recursivas genuinas de nivel/tendencia/estacionalidad, descompone una serie sintética de pedidos diarios y pronostica hacia adelante con una banda de confianza derivada de la varianza residual.
3D · Three.js / WebGL renderer · 60 FPS target · runs fully client-side, no install