Diseño e implementación de módulo de forecasting en la plataforma no-code Agile AI para apoyar al área de estrategia de Brain Food en la creación de modelos preliminares

Abstract

En un mundo cada vez más orientado por datos, la inteligencia artificial y las herramientas de self-service han transformado la manera en que las empresas abordan el análisis de información. Estas soluciones permiten que equipos no técnicos utilicen modelos analíticos, como los modelos de forecasting, para tomar decisiones estratégicas fundamentadas. Este enfoque permite eliminar barreras técnicas y aumentar la autonomía de los usuarios.

En este contexto, Agile AI es una plataforma no-code desarrollada por Brain Food como un proyecto interno para apoyar al área de estrategia. Actualmente, cuenta con módulos de segmentación y RFM. Este proyecto tuvo como objetivo diseñar e implementar un módulo de forecasting en Agile AI, que permita a los trabajadores de Brain Food, de manera simple e intuitiva, utilizar modelos preliminares para mejorar la eficiencia en la etapa inicial de sus proyectos.

Se empleó la metodología CRISP-DM, adaptándola a las necesidades del proyecto. En la comprensión del negocio, se destacó la necesidad de una herramienta intuitivo y auto explicativa. Con un dataset de ejemplo, se desarrolló el módulo, cuya usabilidad fue evaluada mediante entrevistas. Estas resaltaron la importancia de incluir funcionalidades como la comparación de modelos. El enfoque iterativo permitió priorizar las necesidades prácticas y optimizar recursos.

El resultado fue una plataforma web que permite cargar conjuntos de datos en formato .csv, seleccionar la variable a predecir (serie de tiempo), la columna de fecha, y la frecuencia de agrupación. Los usuarios pueden elegir entre algoritmos de predicción como Prophet, AutoARIMA y XGBoost, además de establecer el número de períodos a predecir. También se incluyeron herramientas como detección de outliers, de datos faltantes y métricas de desempeño.

Una de las conclusiones clave fue la relevancia de diseñar funcionalidades que respondan directamente a las necesidades del usuario antes de iniciar el desarrollo. En futuras versiones, se recomienda incluir nuevas características, como la integración de más variables, diferentes opciones de agregación, mejorar las evaluaciones del módulo con indicadores cuantitativos y el uso de librerías avanzadas como Nixtla.

El módulo fue evaluado por cuatro usuarios, quienes completaron con éxito las predicciones en un promedio de 48 minutos, incluyendo el tiempo necesario para familiarizarse con la herramienta y entregar retroalimentación. Finalmente, el proyecto cumplió su objetivo al crear un módulo funcional que establece una línea base de desempeño para los modelos, estandariza el uso de técnicas de forecasting y fomenta el conocimiento técnico dentro del área de estrategia.