¿Tu Serie de Tiempo tiene Memoria? Cómo leer ACF y PACF para Forecasting

¿Tus datos de ventas e inventarios se comportan con inercia temporal? En este video (Fase 1 — Video 5 de nuestra serie de Análisis Exploratorio de Datos), dejamos de lado por un momento las líneas de código complejas para entender la intuición matemática y de negocio detrás de la memoria de las series de tiempo. Aprenderás a dominar y diferenciar la Función de Autocorrelación (ACF) y la Función de Autocorrelación Parcial (PACF), las dos herramientas definitivas dentro de la metodología Box-Jenkins para identificar los parámetros p y q de un modelo ARIMA o SARIMA. Veremos mediante analogías sencillas y visualizaciones cómo la ACF mide el eco total acumulado y cómo la PACF aísla quirúrgicamente las relaciones directas, eliminando las correlaciones arrastradas. Si trabajas en planificación de demanda (Demand Planning), forecasting o data analytics aplicado a operaciones, este concepto transformará la forma en que diseñas tus modelos predictivos. Lo que aprenderás en este video: 0:00 - Introducción: La memoria de las series de tiempo. 1:30 - La analogía del lago y el Scatter Plot para entender la autocorrelación. 3:30 - El gran enigma: Diferencias clave entre ACF y PACF. 6:00 - Cómo detectar la firma estacional en la demanda (Lags 52 y 104). 8:00 - Ljung-Box vs ACF/PACF: ¿Detector de humo o mapa eléctrico?. 9:30 - Tabla de decisión de Box-Jenkins y advertencias del mundo real. 11:30 - Conclusiones y flujo de preparación para ARIMA. Recursos mencionados: Series preparadas en los videos anteriores usando transformación Logarítmica y descomposición STL para remover tendencia y estacionalidad.