Estrategia de validación cruzada adaptada a series temporales que respeta el orden cronológico estricto mediante ventanas rodantes o expansivas para evaluar estabilidad.
Explicación y Contexto Conceptual
La Time-Series Cross-Validation (validación cruzada en series temporales, también conocida como 'rolling forecast' o evaluación en ventana rodante) es la metodología correcta para evaluar algoritmos de pronóstico y MMM sin violar la causalidad temporal de los datos. En problemas estándar de Machine Learning, la validación cruzada clásica K-fold mezcla aleatoriamente las observaciones entre entrenamiento y prueba, una práctica destructiva en series de tiempo donde el futuro terminaría 'filtrándose' al pasado (data leakage).
En la validación cruzada temporal, el modelo se evalúa respetando rigurosamente la flecha del tiempo a través de múltiples divisiones sucesivas: por ejemplo, entrenar con las semanas 1 a 52 y predecir las semanas 53 a 56; luego entrenar con las semanas 1 a 56 y predecir las semanas 57 a 60, y así sucesivamente a lo largo de todo el horizonte disponible.
Este proceso garantiza que las métricas de precisión reflejen con exactitud cómo operará el modelo en el mundo real cuando deba realizar proyecciones y optimizaciones presupuestarias hacia el futuro.
Ejemplo en la Práctica
El framework ejecuta 6 cortes de rolling cross-validation sobre 3 años de datos semanales para certificar que el ROI estimado de la televisión es estable y consistente a lo largo del tiempo.