Haz que el total cuadre

Unos 22 minutos de lectura, con 2 ejemplos en 7 secciones.

Edición 2026.11.11 Ejemplos verificados el 20 de nov de 2026 41 de 41 ejemplos pasan Qué ha cambiado

Traducido con IA. Verificado por personas en inglés. Cómo hacemos los libros

Traducido del libro en inglés, edición 2026.11.11. Lee el original

Vas a pronosticar la demanda total de treinta clientes de dos maneras, elegir entre las dos en ventanas de decisión y repartir ese total en partes por cliente usando solo el histórico anterior a cada fecha de corte.

El proveedor fija su compra única de energía para el día siguiente frente a la demanda total de sus clientes, no frente a uno solo de ellos. El capítulo 6 pronostica a cada cliente, y el total puede construirse a partir de esos pronósticos o pronosticarse por sí mismo. Este capítulo se pregunta si ambos coinciden y en cuál de los dos conviene confiar. Las dos opciones se evalúan en las mismas ventanas que antes, para que la comparación sea justa. Los ejemplos usan los clientes, las ventanas y la escala del capítulo 6, así que cada cifra que aparece aquí la imprime un ejemplo que puedes ejecutar.

Por qué el total necesita una comprobación

Último cambio en la edición 2026.11.5

Dos pronósticos de una misma cantidad pueden no coincidir, porque se obtienen por caminos distintos. Aquí la cantidad es la demanda total de los treinta clientes (ALL30) en cada hora. Un camino suma los pronósticos de los treinta clientes. El otro ajusta un solo modelo a la serie total. Ambos leen las mismas mediciones, pero cada uno falla a su manera. La suma traslada el error de cada cliente al total. El modelo del total solo ve el patrón propio del total, y los patrones separados de los clientes pueden desaparecer dentro de él.

La comprobación importa porque el proveedor compra en función del total, no de cada cliente, y un total puede equivocarse aunque cada cliente se pronostique bien, si los errores de los clientes se inclinan en el mismo sentido en la misma hora. Por eso este capítulo plantea dos preguntas, en orden. Primero, ¿suman las partes el todo en los datos? Segundo, ¿es un pronóstico del total mejor que la suma de las partes en las ventanas que importan?

A los pronósticos que suman se les llama coherentes. Hyndman y Athanasopoulos, en Forecasting: Principles and Practice, 3.ª ed., capítulo 11, describen varias formas de lograrlo, y dos son relevantes aquí. El ascendente (bottom-up) pronostica el nivel inferior, aquí los clientes, y suma los resultados. El descendente (top-down) pronostica el nivel superior, el total, y lo reparte hacia abajo según proporciones. Este capítulo usa estos dos nombres solo en esos sentidos.

La coherencia es una restricción, no una medida de precisión. Un total que suma puede ser peor que uno que no suma. Por eso este capítulo evalúa el total y cada cliente por separado, y nunca acepta un pronóstico porque sus partes coincidan.

El libro construye ambos totales a mano, en pandas, en lugar de usar hierarchicalforecast. La jerarquía tiene un solo nivel, así que cada camino es una suma o un reparto, y el tiempo de ejecución se mantiene bajo. Existe un método que combina ambos caminos de forma óptima. MinT elige los pronósticos coherentes que minimizan el error cuadrático medio de los pronósticos coherentes, bajo un supuesto de insesgadez, y usa la matriz de covarianzas de los errores de pronóstico (Wickramasuriya, Athanasopoulos y Hyndman, 2019; un documento de trabajo abierto está en robjhyndman.com/papers/mint.pdf). Estimar esa matriz es un proyecto aparte, y este capítulo no lo aborda.

Regla práctica: Pronostica el total por ambos caminos siempre que una decisión dependa de él. Evalúa ambos sobre las mismas ventanas, frente al total y frente a cada cliente. Conserva el método que gana en las ventanas de decisión, y nunca aceptes un total solo porque sus partes suman.

Suma los pronósticos de los clientes

Último cambio en la edición 2026.11.5

El total de abajo hacia arriba es la suma, hora a hora, de los treinta pronósticos de cliente que produjo el Capítulo 6. Para cada punto de corte, un modelo global pronostica a todos los clientes para las siguientes 24 horas, con rezagos 24 y 168 y el identificador de cliente que el Capítulo 6 conservó. El pronóstico del total para una hora es la suma de los treinta valores de esa hora. Con c un cliente y t una hora, la regla es total(t) = sum over c of forecast(c, t).

La suma cuadra por construcción, así que lo que importa es comprobarlo con los datos. La serie del total tiene que igualar la suma de las treinta lecturas en cada hora, o todas las puntuaciones se miden contra el número equivocado. La excepción son las horas cuando cambia el reloj. Una marca de cambio de reloj pone la lectura de un cliente en ausente, así que el total falta a las 01:00 del 31 de marzo de 2013 y del 30 de marzo de 2014, las horas de hueco, y a las 01:00 del 27 de octubre de 2013 y del 26 de octubre de 2014, las horas repetidas.

Todas las puntuaciones que siguen se miden contra el total, así que primero el total debe coincidir con sus partes. El primer ejemplo construye ambos totales y los puntúa, y sus últimas líneas comprueban esa coincidencia en cada hora sin cambio de reloj.

total-bottom-up-and-direct.py Python 3.13.16 · holidays 0.110.dev20261118063242 · lightgbm 4.7.0 · mlforecast 1.1.0 · numpy 2.5.5 · pandas 2.3.3 · statsforecast 2.1.1 · utilsforecast 0.2.17 Superado
"""Forecasts the total of the thirty clients two ways, bottom-up (the sum of the client forecasts) and direct (one model on thetotal), and chooses between them on the four decision windows by MAE on the total. The choice rests on the two decision-windowMAE lines; the standard cutoffs then report both beside seasonal naive, and the last two lines check the total and the scale."""import pandas as pdfrom lib.baselines import seasonal_scalefrom lib.electricity import loadfrom lib.panel import ALL30, DECISION_CUTOFFS, check_decision_hoursfrom lib.scoring import actual_hours, score_windowsfrom lib.settings import EVAL_CUTOFFS, showfrom lib.totals import (DIRECT_SCALED, METHODS, TOTAL, direct_windows, plain_mae, pooled_mae, total_checks,                        total_forecasts, total_frame, total_scale_rows)raw = load(ALL30)total = total_frame(raw)  # the hourly sum of the thirty clients, after the start rule; missing in a clock-change hourdec, cut = pd.to_datetime(DECISION_CUTOFFS), pd.to_datetime(EVAL_CUTOFFS)dec_actual = actual_hours(total, dec)# the direct model here uses the target setting the book chose: DIRECT_SCALED is False, so the direct total is unscaleddec_mae = pooled_mae(dec_actual, total_forecasts(raw, dec), ["bottom-up", "direct"])# the direct model's MAE with its target scaled (True) and unscaled (False)direct_setting = {s: pooled_mae(dec_actual, direct_windows(raw, dec, scaled=s), ["direct"])["direct"]                  for s in (True, False)}# stops the run if the constant no longer names the setting with the lower MAEif direct_setting[DIRECT_SCALED] != min(direct_setting.values()):    raise ValueError("DIRECT_SCALED is not the target setting with the lower MAE on the decision windows")show("decision cutoffs", len(dec))# raises if a decision hour is a Portuguese holiday or reaches the held-out week; the count is printed for the recordshow("decision holiday hours", check_decision_hours(dec_actual))show("MAE bottom-up, decision windows", dec_mae["bottom-up"])show("MAE direct, decision windows", dec_mae["direct"])show("MAE direct with a scaled target, decision windows", direct_setting[True])show("chosen direct target", "unscaled" if not DIRECT_SCALED else "scaled")# the bottom-up total without the client identifier, which Chapter 6 also triedshow("MAE bottom-up without identifier, decision windows", plain_mae(raw, dec))show("chosen total method", dec_mae.idxmin())# the scale reads the readings before the first standard cutoff, and no later onesscale = total_scale_rows(raw, cut[0])scored, per_client = score_windows(actual_hours(total, cut), total_forecasts(raw, cut), METHODS, scale)show("scored hours", len(scored))# seasonal_scale returns one value per unique_id, so [TOTAL] picks the total'sshow("MASE scale of the total", seasonal_scale(scale)[TOTAL])for model in METHODS:    show(f"MAE {model}", (scored["y"] - scored[model]).abs().mean())for model in METHODS:    show(f"MASE {model}", per_client.loc[TOTAL, model])show("MAE bottom-up without identifier", plain_mae(raw, cut))# the first cutoff is passed as first_cutoff; the scale check then runs on every cutoff in cutfor label, value in total_checks(raw, cut[0], cut).items():    show(label, value)
Salidapython total-bottom-up-and-direct.py
decision cutoffs: 4
decision holiday hours: 0
MAE bottom-up, decision windows: 1267.47
MAE direct, decision windows: 1678.62
MAE direct with a scaled target, decision windows: 1705.71
chosen direct target: unscaled
MAE bottom-up without identifier, decision windows: 1383.29
chosen total method: bottom-up
scored hours: 72
MASE scale of the total: 2689.26
MAE SeasonalNaive: 3639.41
MAE bottom-up: 2985.88
MAE direct: 3423.11
MASE SeasonalNaive: 1.35
MASE bottom-up: 1.11
MASE direct: 1.27
MAE bottom-up without identifier: 2837.66
clock-free hours where the total differs from the sum of the thirty clients: 0
scale changes after poisoning readings from each scored cutoff: 0

En cada hora sin marca de cambio de reloj, el total es igual a la suma de los treinta clientes. La comprobación cuenta 0 horas que difieren.

Las horas de cambio de reloj necesitan una regla más. El total falta en esas horas, pero el pronóstico no. Cada ventana de pronóstico sigue produciendo un valor para cada hora etiquetada, así que la cuadrícula de salida no tiene huecos que una tabla posterior tendría que rellenar. La puntuación rechaza una hora pronosticada que no tiene lectura, así que una hora enmascarada no puede puntuarse como cero. Ninguna ventana puntuada en este capítulo tiene una.

La regla de inicio se aplica a cada cliente antes de la suma. Los ceros de un cliente que empieza tarde, antes de su primera lectura, no son demanda, así que la regla los descarta, como mostró el Capítulo 4 para un solo cliente. La regla no cambia el total, porque un cero no suma nada a una suma, y un cliente que aún no ha empezado tampoco aporta nada. La comprobación de arriba lo muestra. Sí cambia el pronóstico propio de cada cliente, porque un modelo ajustado a esos ceros aprendería que su uso es bajo.

El total de abajo hacia arriba hereda los errores de los clientes, buenos y malos. El Capítulo 6 encontró que el modelo supera a la referencia de estacionalidad ingenua para 23 de los treinta clientes en los puntos de corte estándar, y lo hace peor en el resto. La comparación más adelante en el capítulo mide cuánto de ese error llega al total.

Solo las medias se suman. La media de una suma es la suma de las medias, porque la esperanza es lineal. La mediana de una suma no es, en general, la suma de las medianas, y lo mismo vale para otros cuantiles. Se suman solo en casos especiales, como errores que se mueven juntos de forma perfecta. Por eso el total de abajo hacia arriba es un pronóstico puntual. Un intervalo para el total no puede construirse sumando los intervalos de los clientes. El Capítulo 8 vuelve sobre esto con los intervalos.

Regla práctica: Suma los pronósticos de los clientes hora a hora, después de comprobar que la serie del total iguala la suma de sus lecturas en cada hora sin marca de cambio de reloj. Aplica la regla de inicio a cada cliente antes de la suma, para que ningún modelo se ajuste a sus ceros. Trata la suma como un pronóstico puntual, y no tomes la suma de las medianas de los clientes como la mediana del total.

Pronostica el total directamente

Último cambio en la edición 2026.11.5

El total directo es un modelo ajustado a la propia serie del total. Su historia es la historia del total antes del corte: las lecturas de las 1,344 horas anteriores, que son 8 semanas, la misma longitud que las historias de los clientes. La historia de cada cliente se recorta según la regla de inicio, sus horas de cambio de hora se rellenan a partir de sus propios vecinos, como hace el capítulo 3, y las lecturas se suman por hora. Por tanto, la historia del total no tiene ninguna hora faltante.

El modelo usa las mismas variables que los clientes. Sus entradas son las lecturas del total 24 y 168 horas antes, de modo que ninguna entrada procede del día que se pronostica. Su objetivo es el total tal cual, sin escalar. El capítulo 6 escala el objetivo de cada cliente, porque un solo modelo sobre clientes de tamaños distintos se ajustaría sobre todo a los grandes. Un único total no tiene esa mezcla, así que esa razón no se traslada. En las ventanas de decisión, el objetivo sin escalar tiene el menor error, 1678.62 kWh frente a 1705.71 kWh con el objetivo escalado, como muestra el primer ejemplo, de modo que el modelo directo lo usa. El modelo se ajusta una vez por corte, solo con la historia de ese corte, y pronostica las 24 horas siguientes. Es un regresor LightGBM dentro de mlforecast 1.1.0, con la configuración del capítulo 5.

Los dos totales se diferencian en cómo se construyen. El total de abajo arriba procede de un modelo global que pronostica cada cliente, y el total directo de un modelo que pronostica la suma. Los retardos y los demás ajustes son los mismos. El escalado del objetivo difiere, y las ventanas de decisión lo eligen solo para el modelo directo.

El total suele ser más suave que cualquier cliente, porque los picos de los clientes se compensan en parte al sumarlos. Un modelo ajustado a una serie más suave tiene menos ruido propio que aprender, lo que puede favorecer al total directo. La comparación posterior del capítulo comprueba si así ocurre en estas ventanas, y la respuesta no es la que sugiere la suavidad.

El modelo solo ve el total a través de su historia. No ve de qué cliente procede una lectura, ni qué cliente movió el total. Esa es la concesión del método directo: obtiene una serie suave y pierde las formas separadas de los clientes. El método de abajo arriba conserva esas formas, pero debe sumar treinta errores.

El naïve estacional sobre el total es la línea base que ambos deben superar. Pronostica cada hora como la misma hora del día anterior, como en el capítulo 2, aplicado a la historia del total. Se evalúa en las mismas ventanas y con la misma escala.

Regla práctica: Pronostica el total directamente con las variables de los clientes, a partir de la historia propia del total antes de cada corte, y elige el escalado del objetivo en las ventanas de decisión. Usa las mismas ventanas para ambos métodos, y compara cada uno con el naïve estacional sobre el total. Informa de ambos métodos, y no solo del que tú construiste.

Esta parte aún no está traducida, así que está en inglés.

Compare the two totals

Último cambio en la edición 2026.11.11

On the four decision windows, the bottom-up total has the lower error, so it is the method chosen. Those windows are Chapter 5's four ordinary days before the held-out week, used only to choose: Nov 25, Nov 26, Dec 2 and Dec 3, 2014. Chapter 6 chose the client identifier on the same days. Each method is scored by MAE on the total, and bottom-up's MAE there is 1267.47 kWh, against 1678.62 kWh for the direct total. The example refuses to run if a decision hour falls on a Portuguese holiday, and it counts 0 such hours.

The standard cutoffs, Dec 29 to Dec 31, 2014, are the report. They are not used to choose. On these three windows the total has 72 scored hours. Its MASE scale is the mean absolute change between readings a day apart, taken over every reading before Dec 29, 2014, with the clock-change hours masked. That is the rule for a MASE scale from Chapter 2, as Chapter 6 applies it to each client, here applied to the total, and it comes to 2689.26 kWh.

Method MAE (kWh) MASE
Seasonal naive 3639.41 1.35
Bottom-up 2985.88 1.11
Direct 3423.11 1.27

MAE and MASE rank the methods alike here. MAE is in kilowatt hours, so it reads as the average cost of an hour's error. MASE divides each error by the same scale, so on one series it is only a constant multiple of MAE. Its use is across series. Chapter 6 needs it to compare clients of very different sizes, and the total sits beside them on the same footing.

On the standard cutoffs the direct total beats seasonal naive on the total, but by a smaller margin than the bottom-up total does, as the MASE column of the table shows.

A method wins on the decision windows when its error is lower there, and the standard cutoffs then either confirm that or contradict it. For the total, the standard cutoffs confirm the choice, since bottom-up is lower on both window sets. That agreement is why the chapter recommends bottom-up for the total, with some confidence. Agreement counts only when the two sets are separate, and they are. The four decision windows all fall before Dec 25, 2014, the first day of the held-out week, and the standard cutoffs are the last three days of that week. No decision reads a standard cutoff.

The identifier is where the two window sets disagree. On the decision windows, the bottom-up total without the identifier has an MAE of 1383.29 kWh, against 1267.47 kWh with it, so the identifier lowers the total's error there, as the per-client MASE in Chapter 6 does on the same windows. On the standard cutoffs the plain total has an MAE of 2837.66 kWh, and the total with the identifier has 2985.88 kWh. The standard cutoffs therefore favour the plain total. The book reports that and does not act on it, because Chapter 6 kept the identifier on per-client MASE, and the decision windows are the ones that choose. A supplier that doubts four decision windows should add decision windows before Dec 25, 2014, and decide again on those, not on the standard cutoffs.

Working rule: Choose a method on the decision windows, by the measure you will report. Report the same measure on the standard cutoffs beside seasonal naive, with the scored hours and the scale. When two window sets disagree, report both, say how far apart they are, and do not pick the one that reads better.

Dividir un total por participación

Último cambio en la edición 2026.11.5

La división descendente parte del total directo y le asigna a cada cliente una participación en él. La participación de un cliente son sus lecturas sobre su propio historial, las 1,344 horas anteriores al punto de corte, divididas entre las lecturas del total en esas mismas horas. El pronóstico descendente de cada cliente para una hora es el pronóstico del total directo para esa hora, multiplicado por su participación. Se espera que un cliente que aportó una décima parte del total durante las últimas 8 semanas tome una décima parte del total al día siguiente.

Las ocho semanas son una elección, no un valor ajustado. Son el historial que leen todos los demás modelos de este capítulo, así que la división usa la misma memoria que los clientes. Una ventana más corta seguiría antes un cambio en la participación de un cliente, pero sería más ruidosa. Este capítulo no mide esa compensación. Un proveedor que la quiera debe probarla en las ventanas de decisión.

El punto débil de la división es la forma del día. Asigna a cada cliente el perfil diario del total, de modo que un cliente que alcanza su pico a otra hora recibe el perfil equivocado en cada hora, por buen que sea el pronóstico del total. En estos clientes la división pierde incluso con el total real en la mano. Una comprobación que este capítulo llama comprobación del oráculo aplica las participaciones al total real, que ningún pronóstico puede conocer, y su MAE medio por cliente es de 171.80 kWh. Es una referencia, no un método: el error que tendría la división con un total perfecto. El pronóstico ascendente, que tiene que pronosticar a cada cliente, tiene un MAE medio por cliente de 122.81 kWh.

Además, las participaciones son desiguales. En el primer punto de corte, el 29 de diciembre de 2014, la participación del cliente más grande en el total es de 0.56.

El documento de trabajo que define MinT informa, citando a Hyndman et al. (2011), que una división descendente sesga los pronósticos reconciliados en cada nivel, incluso cuando los pronósticos base no tienen sesgo (Wickramasuriya, Athanasopoulos and Hyndman, 2017). Este capítulo no vuelve a derivar ese resultado. Mide la división sobre estos clientes, y la comprobación del oráculo da una referencia para el error propio de la división.

Evaluar la división cliente por cliente, frente a la ascendente en las mismas ventanas, muestra si gana para algún cliente individual, algo que una media no puede mostrar. El segundo ejemplo hace eso y ejecuta la comprobación de fugas sobre las participaciones. Primero toma la decisión en las ventanas de decisión y después informa los puntos de corte estándar.

total-split-by-share.py Python 3.13.16 · holidays 0.110.dev20261118063242 · lightgbm 4.7.0 · mlforecast 1.1.0 · numpy 2.5.5 · pandas 2.3.3 · statsforecast 2.1.1 · utilsforecast 0.2.17 Superado
"""Splits the direct total forecast into client forecasts, each client taking its share of the history before each cutoff(top-down), and compares them with bottom-up on the same windows. The point rests on the mean per-client MASE and MAE lines;the last line is a leak check that no share reads a reading after its cutoff."""import pandas as pdfrom lib.electricity import loadfrom lib.panel import ALL30, DECISION_CUTOFFS, check_decision_hoursfrom lib.settings import EVAL_CUTOFFS, showfrom lib.totals import SPLIT_METHODS, client_mae, oracle_split_mae, shares, split_checks, split_scoredraw = load(ALL30)dec, cut = pd.to_datetime(DECISION_CUTOFFS), pd.to_datetime(EVAL_CUTOFFS)# the third value, the hours the top-down clients don't add up to the direct total (none, by construction), is unuseddec_scored, dec_per, _ = split_scored(raw, dec)show("decision holiday hours", check_decision_hours(dec_scored))show("mean per-client MASE bottom-up, decision windows", dec_per["bottom-up"].mean())show("mean per-client MASE top-down, decision windows", dec_per["top-down"].mean())show("chosen client method", dec_per.mean().idxmin())# the third value is discarded, as abovescored, per_client, _ = split_scored(raw, cut)show("scored hours", len(scored))mae = pd.DataFrame({m: client_mae(scored, m) for m in SPLIT_METHODS})for model in SPLIT_METHODS:    show(f"mean per-client MAE {model}", mae[model].mean())for model in SPLIT_METHODS:    show(f"mean per-client MASE {model}", per_client[model].mean())show("clients where top-down has the lower MAE", int((mae["top-down"] < mae["bottom-up"]).sum()))# the split applied to the actual total: a reference, since no forecast can know the total in advanceshow("mean per-client MAE with the true total split by share", oracle_split_mae(raw, cut))# the first standard cutoff, Dec 29, 2014; its shares read only the history before it# shares read the 1,344 hours (8 weeks) before the cutoffshow("largest client share of the total, first cutoff", shares(raw, cut[0]).max())# each cutoff's readings from the cutoff on replaced by zero, then by a very large valuefor label, value in split_checks(raw, cut).items():    show(label, value)
Salidapython total-split-by-share.py
decision holiday hours: 0
mean per-client MASE bottom-up, decision windows: 0.75
mean per-client MASE top-down, decision windows: 2.37
chosen client method: bottom-up
scored hours: 2160
mean per-client MAE bottom-up: 122.81
mean per-client MAE top-down: 218.95
mean per-client MASE bottom-up: 0.91
mean per-client MASE top-down: 2.59
clients where top-down has the lower MAE: 0
mean per-client MAE with the true total split by share: 171.80
largest client share of the total, first cutoff: 0.56
shares changed after poisoning readings from their cutoff: 0

En las ventanas de decisión la ascendente gana para los clientes, con un MASE medio por cliente de 0.75 frente a 2.37 para la descendente, así que se elige la ascendente.

En los puntos de corte estándar la división también es peor en error expresado en kilovatios-hora. Sobre 2160 horas-cliente evaluadas, su MAE medio por cliente es de 218.95 kWh, frente a 122.81 kWh para la ascendente, y la descendente tiene el MAE más bajo en 0 de los treinta clientes.

El MASE medio por cliente es de 2.59 para la descendente, frente a 0.91 para la ascendente. El MAE agrupado del capítulo 6 para los mismos pronósticos es de 122.81 kWh, igual que la media ascendente de 122.81 kWh. No es casualidad, porque todos los clientes tienen las mismas 72 horas evaluadas, de modo que la media de los errores por cliente es igual al error agrupado.

Ninguna participación cambia. Una participación debe leer solo el historial anterior a su punto de corte, así que la comprobación de fugas modifica cada lectura desde cada punto de corte en adelante, una vez a cero y una vez a un valor muy grande, y recalcula las participaciones. En las seis comparaciones (tres puntos de corte por dos valores), 0 de ellas cambian una participación. Si alguna participación hubiera leído una lectura posterior a su punto de corte, el valor grande habría entrado en ella. Las participaciones suman 1, y los clientes de la división descendente suman el total directo en cada hora, por construcción. Una identidad así no puede fallar, así que el capítulo cuenta solo la comprobación de fugas, la única prueba aquí que puede fallar.

Regla práctica: Divide un total por participación solo como referencia base, o cuando los perfiles diarios de los clientes sean parecidos. Calcula cada participación a partir del historial anterior a su punto de corte, comprueba que ninguna participación cambia cuando cambian las lecturas posteriores a su punto de corte, y evalúa a cada cliente frente a la ascendente en la misma escala. Conserva la división para un cliente solo cuando gane en las ventanas de decisión.

Esta parte aún no está traducida, así que está en inglés.

What goes wrong in production

Último cambio en la edición 2026.11.11

Most failures in this chapter are silent.

The first is a quietly short total. If one client drops out of the sum, the total is smaller than the demand, and its scores still look reasonable. The bottom-up total in this book raises an error when an hour has fewer than thirty client forecasts. The start rule refuses a client with too little history instead of skipping it, as Chapter 6 explains. In production, a run that builds fewer forecasts than clients should stop and name the missing client.

The second is the raw sum. The October repeat hour holds the energy of two (Chapter 3), so a total built from raw readings can count that hour at roughly twice its neighbours. The result is a demand spike that is not there. The book's total masks the hour instead, and the check in the first example excludes the clock-change hours for the same reason.

The third is a split that reads the future. A split whose shares use the window's own readings scores better in a backtest than it will in production. The poisoning check is the test. A share must not move when readings after its cutoff change. A production run should keep both checks, the share check in the second example and the scale check in the first, as tests that fail loudly.

The fourth is a decision and a report that disagree. The identifier lowers the total's error on the decision windows and raises it on the standard cutoffs. A monitor that watches only one set of windows will miss the other's failure. On every refit, log the total's error with and without the identifier on the same windows, beside the per-client MASE that Chapter 6 uses to decide.

The fifth is a share that goes stale. A share is a fact about the past 8 weeks, so when a client's habits change, its share lags the change for as long as the window is long. A top-down forecast of that client is then wrong in a steady direction, not at random, and the error does not show in the total at all, because the shares still add to one. A monitor should therefore watch each client's share over time, not only the total's error. The per-client MASE in the second example is the measure that sees it.

The sixth is a scale that moves with the window. The total's MASE scale is read once, from the history before the first scored cutoff. A scale refreshed for each window reads that window's own readings, and every score on the total then changes for reasons that have nothing to do with the forecast. The first example checks, for each scored cutoff, that the scale for that window does not move when readings from the cutoff on are replaced. No scale moves: 0 of the six comparisons (three cutoffs by two values) changes it.

Working rule: In production, check the total against the sum of its readings on every refit, stop when a client is missing from a total, and run the poisoning check on each share and on the scale for each window. Log the total's error with and without the identifier on the same windows. When the windows disagree, report both and do not choose the one that flatters the model.

Decisiones que tomó este capítulo

Último cambio en la edición 2026.11.5
  • El total es la suma horaria de ALL30. Cada cliente se recorta con la regla de inicio antes de la suma, y una hora falta cuando la lectura de algún cliente en ella está enmascarada como hora de cambio de reloj. La suma no cambia con la regla de inicio, y la comprobación del primer ejemplo lo muestra.
  • Cada hora de pronóstico tiene un valor, y la evaluación rechaza una hora enmascarada. La cuadrícula de salida está completa hasta las horas de cambio de reloj, y una lectura faltante nunca se evalúa como cero.
  • Ambos totales se construyen a mano, en pandas. La jerarquía tiene un solo nivel, así que cada ruta es una suma o una división. hierarchicalforecast y MinT se nombran, pero no se usan.
  • El total se pronostica de abajo arriba. Tiene el MAE más bajo en las cuatro ventanas de decisión y en los cortes estándar. El total directo se informa junto a él.
  • El objetivo del total directo no está escalado. En las ventanas de decisión tiene el MAE más bajo, así que el modelo directo no escala su objetivo, a diferencia del modelo de los clientes. El primer ejemplo imprime ambas configuraciones.
  • El identificador se mantiene en el total de abajo arriba, como lo decidió el Capítulo 6 para los clientes. Su costo para el total en los cortes estándar se informa arriba, no se revierte.
  • La división no es el método de los clientes. De abajo arriba tiene el MASE por cliente más bajo en las ventanas de decisión, y con estos clientes la división pierde incluso con el total real.
  • Las proporciones provienen de las 1,344 horas anteriores a cada corte, el mismo historial que los clientes. La comprobación de envenenamiento muestra que ninguna proporción lee una lectura posterior.
  • La escala MASE del total es la regla del Capítulo 2, aplicada al total: el error de ingenuo estacional sobre cada lectura anterior al primer corte evaluado, con las horas de cambio de reloj enmascaradas y la regla de inicio aplicada primero a cada cliente.
  • Las ventanas son las del Capítulo 6. Las ventanas de decisión y los cortes estándar son los mismos días, así que los números de los dos capítulos pueden compararse línea por línea.
  • El Capítulo 8 recibe pronósticos puntuales: el pronóstico de abajo arriba para cada cliente y para el total, con el total directo como alternativa. Un rango para el total no puede construirse a partir de los rangos de los clientes.

Este capítulo, en esta edición

Edición 2026.11.11Ejemplos verificados el 20 de nov de 2026Superan la prueba 2 de 2 ejemplos ejemplos de este capítulo

Traducido del libro en inglés, edición 2026.11.11.

Cita esta sección

Formato

Cada formato cita el libro en inglés, que esta traducción sigue.

Cada formato nombra esta edición. Su enlace abre la edición actual, donde el encabezado de cada sección indica cuándo cambió su texto por última vez. Las fechas de acceso y de recuperación son el día en que lo abres.

En esta página

Capítulo 7 de 10: Haz que el total cuadre

  1. Por qué el total necesita una comprobación
  2. Suma los pronósticos de los clientes
  3. Pronostica el total directamente
  4. Compare the two totals
  5. Dividir un total por participación
  6. What goes wrong in production
  7. Decisiones que tomó este capítulo

Volver arribaTodos los capítulos