Detección de Anomalías en Series de Tiempo de Ventas: IQR vs STL vs Isolation Forest

¿Sabes si ese pico de ventas fue un error de datos o una promoción exitosa? En este video (Fase 1, Video 6 de la serie Forecasting de Ventas de la A a la Z), resolvemos el dilema de la detección de outliers. Usamos un dataset único donde conocemos la "verdad de campo" para evaluar científicamente qué método funciona mejor en series de tiempo con tendencia y estacionalidad. Lo que aprenderás: Diferencia entre Outlier Aditivo (AO) y Eventos Sostenidos. Por qué los métodos ingenuos como Z-score global o IQR a veces fallan (o ganan por sorpresa). Cómo aplicar Z-score robusto sobre el residual de una descomposición STL en Python. Uso de Isolation Forest (Scikit-Learn) para detección multivariante. Cálculo de Precision, Recall y F1-score contra eventos reales. Librerías usadas: Pandas, Numpy, Matplotlib, Statsmodels (STL), Scikit-Learn (Isolation Forest).