La predicción de series temporales es una de las tareas más importantes en analítica de negocios, ya que permite anticipar ventas, precios, demanda o cualquier variable que evoluciona en el tiempo. En este curso aprenderás a aplicar paso a paso dos de los modelos más utilizados en forecasting: ARIMA y Prophet.

Comenzaremos con una introducción a los fundamentos: qué son las series temporales, sus componentes (tendencia, estacionalidad y ruido) y cómo preparar los datos corrigiendo outliers, valores nulos y duplicados. Verás cómo usar SQL y Python para cargar y limpiar información real de ventas.

Luego entrarás en el modelado con ARIMA, entendiendo los parámetros p, d, q, aplicando auto_arima y validando supuestos como autocorrelación, estacionariedad y normalidad de residuos. Aprenderás a calcular métricas de precisión como MAPE y RMSE, y a visualizar los resultados comparados con datos reales.

Posteriormente, exploraremos Prophet, una herramienta desarrollada por Meta que simplifica la creación de modelos de predicción. Verás cómo incorporar variables exógenas (promociones, precios), ajustar changepoints, personalizar parámetros de estacionalidad y holidays, y generar gráficos de componentes para explicar mejor las predicciones.

También compararemos ambos modelos con métricas avanzadas como AIC y BIC, destacando ventajas y desventajas de cada enfoque. El curso cierra con buenas prácticas para presentar forecasts al negocio, incluyendo intervalos de confianza, visualizaciones claras y almacenamiento de resultados en CSV o bases de datos.

Como proyecto final, aprenderás a automatizar predicciones exportando modelos a pickle y programando notebooks o scripts recurrentes.

Este curso combina teoría, práctica y casos reales, ideal para quienes buscan dominar forecasting con ARIMA y Prophet en entornos de negocio.

¿Para quién es este curso?

• Analistas de datos, científicos de datos y profesionales de BI.
• Equipos de marketing, ventas y finanzas que necesitan proyecciones confiables.
• Estudiantes o autodidactas interesados en machine learning aplicado a series temporales.
• Profesionales que quieran comparar métodos clásicos (ARIMA) con modernos (Prophet).