8. CONCLUSIONES Y TRABAJOS FUTUROS

El proyecto ha permitido demostrar que un enfoque robusto y gobernado, como el planteado en la Estrategia 3, aporta mejoras claras frente al baseline SNaive12 y al modelo actual de presupuestación utilizado por el equipo de FM de FerMar SL.

A nivel global, el modelo final consiguió reducir el error medio ponderado (WAPE) del 39.2% al 35.9%, validando el valor añadido del pipeline con reconciliación y Control F. La gobernanza jugó un papel determinante: gracias a los reemplazos automáticos, se consiguió mantener el error agregado bajo control, evitando que la inestabilidad de variantes como P12_STD deteriorara el rendimiento.

La cobertura alcanzada fue del 78.07%, con 660 reemplazos y 104 casos especiales clasificados como cero estructural, lo que refleja un sistema capaz de adaptarse a la heterogeneidad de las series. Los análisis estructurales de la Estrategia 2 confirmaron la dificultad del problema: apenas entre un 15% y un 18% de las series eran estables, y el 57.5% fueron catalogadas como intermitentes. Los gráficos de dispersión y boxplots reforzaron esta conclusión, mostrando cómo las series intermitentes concentran los errores más altos y la dispersión más marcada.

El análisis por país y tipo de coste permitió identificar patrones específicos: México y Costa Rica destacaron por picos en categorías concretas (Licencias y Suministros), mientras que España y Perú mostraron un error más diversificado. El mapa de calor y las líneas de evolución evidenciaron la necesidad de aplicar políticas diferenciadas según contexto. El diagrama de Pareto confirmó que unas pocas categorías de coste —principalmente Licencias, Suministros y Eficiencia Energética— concentran la mayor parte del error, ofreciendo una hoja de ruta clara sobre dónde enfocar las mejoras.

En conjunto, los resultados confirman que el modelo desarrollado no solo mejora frente al baseline, sino que además proporciona un marco de gobernanza sólido que garantiza estabilidad y transparencia. Con ello, el equipo de FM de FerMar SL dispone ahora de una herramienta predictiva que combina rigor técnico y aplicabilidad práctica, accesible de manera centralizada a través de la aplicación web www.fmpredict.com.

1. Trabajos Futuros y Mejoramiento de la Solución:

1. Mejorar la Comprensión del Origen de los Datos: La fuente FD1 presenta una elevada dispersión, parcialmente atribuible a la realidad operativa que necesitamos capturar, pero también derivada de diferencias en los procesos implementados por el equipo de FM a lo largo del tiempo y entre países. Profundizar en la comprensión y homogeneización de esta fuente permitirá trabajar con un dataset más confiable, asegurando que los patrones identificados reflejen la realidad y, en consecuencia, que las decisiones se alineen mejor con ella. En el notebook entregado se han documentado varios pendientes en el índice, actualmente en standby, que se evaluarán con el equipo de FM en caso de aprobar la continuación de la propuesta.
2. Integración de Variables Exógenas: El siguiente paso natural es incorporar las fuentes de datos solicitadas (FD2 y FD3), como indicadores de ingresos de gaming operation y condiciones medioambientales. Esto añadiría contexto, especialmente útil en las series GENERALES, y reduciría las desviaciones por causas externas.
3. Refinamiento del Modelado Intermitente: El segmento INTERMITENTE (57.5% de las series) aún presenta un alto fallback al baseline SNaive12. Se debe priorizar el refinamiento con modelos avanzados específicos como TSB (Temporal State-Space models) o la combinación de modelos intermitentes.
4. Optimización de la Conciliación Jerárquica: A pesar de que la versión P10 fue la mejor prediciendo el real 2024, las variantes de reconciliación (P12 STD y ACTIVE) tuvieron un desempeño menor. Se debe revisar la construcción de las anclas basadas en Real 2023 + IPC y la lógica de pesos (MinT WLS) para mejorar la coherencia agregada sin sacrificar la precisión en el bottom.