¿Se cumplieron las predicciones de paro en España realizadas durante el comienzo de la pandemia? En este artículo presentaré un análisis post-mortem, en el que se analizan los datos reales de paro en España durante los últimos dos años en comparación con las predicciones, para extraer algunas conclusiones y mostrar la precisión obtenida en estos momentos de incertidumbre.
Si nos remontamos al comienzo del confinamiento en España, encontramos que bastantes organismos y compañías hicieron previsiones sobre cómo evolucionaría la tasa de paro en España. Algunas de las previsiones más relevantes incluyen:
· El Banco de España pronosticó que la tasa de desempleo en España podría aumentar hasta el 21,7% en el peor escenario, con una contracción económica del 12,4% en 2020.
· El Fondo Monetario Internacional (FMI) estimó que la tasa de desempleo en España llegaría al 20,8% en 2020.
· La Organización para la Cooperación y el Desarrollo Económicos (OCDE) pronosticó que el desempleo en España podría alcanzar entre el 19,2% y el 23,5% en 2020, dependiendo de si se producía una segunda ola de la pandemia.
Ahora podemos evaluar lo acertadas que fueron estas estimaciones. La tasa de desempleo en España alcanzó el 15,5% en 2020, lo que indica que las previsiones eran en general más pesimistas de lo que resultó ser la situación real. La recuperación económica, común a otros países de la zona euro, y las políticas de protección del empleo, como los ERTE (Expedientes de Regulación Temporal de Empleo), ayudaron a limitar el aumento del desempleo durante 2020 y 2021. A continuación la evolución real de la tasa de paro comparada con las principales previsiones de Bankinter, Banco de España, OCDE, Funcas, FMI y la Comisión Europea:
¿Qué cinco conclusiones podemos obtener de este análisis?
1. Predecir el futuro se vuelve más complicado en momentos de incertidumbre. No sabíamos cuándo se restablecería la normalidad, cómo afectaría esta situación a la economía europea, qué medidas se implementarían para proteger el empleo o cuántas olas o nuevas variantes del COVID habría.
2. Es necesario definir métricas objetivas de error al hacer predicciones. Sin embargo, siempre debemos tener en cuenta que puede haber factores no contemplados que distorsionen la evolución de la serie que estamos estimando. En este caso, el MAPE (Error Porcentual Absoluto Medio), una métrica habitual para evaluar la precisión de predicciones temporales, llega a situarse por encima del 40% en algunas de ellas. Dado que estamos trabajando con datos anuales y una serie con un comportamiento muy estable, éste resulta ser un error muy alto.
3. El método de predicción más sencillo, que consiste en repetir el mismo valor que el último período, puede dar resultados sorprendentemente buenos en ciertas circunstancias. Nadie habría imaginado en abril 2020 una estimación del paro estable durante los siguientes años, habría mejorado casi todas las previsiones, incluidas las del FMI o la OCDE. En este artículo ya mencionaba un experimento en el que a través de una predicción sencilla se podía batir al 30% de los Data Scientists del mundo en una competición de Kaggle.
4. Analizar las desviaciones de los datos reales frente a las predicciones suele dar más información que el propio cálculo de las predicciones. De hecho, las compañías que han actualizado y analizado las diferencias a lo largo de la evolución de la pandemia han sido capaces de implementar iniciativas que minimizan el impacto negativo de esta situación.
5. Contar con más datos históricos y previsiones de naturaleza similar permite extraer conclusiones adicionales. Un ejemplo común para una compañía de bienes de consumo es lanzar un producto de forma escalonada en mercados similares de forma que el comportamiento de los primeros mercados sirva para estimar lo que ocurrirá en el resto.
Hasta ahora, sólo habíamos analizado los datos de paro en España, pero, ¿qué ha sucedido en otros países de Europa? A través de la información de Eurostat podemos comparar la evolución del paro (variación en puntos porcentuales entre 2019 y 2022) de cada uno de ellos en relación al paro de 2019.
Como podemos observar en el gráfico anterior, la mayoría de los países han reducido su tasa de paro con respecto a 2019. Además, aquellos que han experimentado un incremento son los que partían de una tasa de paro más baja al inicio de la pandemia. Otro punto interesante al revisar los datos de otros mercados es que, en realidad, la disminución de la tasa de paro en España ha sido menor a la esperada considerando el nivel de desempleo que tenía en 2019. A pesar de haberse reducido el paro, España se ha convertido en el país con el mayor desempleo de la zona euro. Esto también muestra la importancia de comparar los resultados y la relevancia de los benchmarks cuando analizamos el pasado.
Dejo al lector la tarea de revisar las previsiones de paro dadas para estos países y las diferencias con lo que finalmente ocurrió.
En resumen, predecir es todo un arte y no hay una fórmula mágica para anticipar el futuro. Si te dedicas al mundo de la Ciencia de datos y alguien te pide que te comprometas a alcanzar un error de predicción (por ejemplo, un determinado MAPE), te recomiendo que especifiques muy bien cuáles serán las reglas del juego y lo que quedará fuera de la responsabilidad del pronosticador. Aunque hacer predicciones es un proceso difícil y, a menudo, incierto, resulta fundamental para tomar decisiones informadas y gestionar con éxito una empresa. Las predicciones no tienen que ser perfectas, pero al monitorear y ajustar continuamente las proyecciones en función de los datos y las condiciones cambiantes, las empresas pueden aumentar la precisión de sus predicciones y mejorar su capacidad para navegar en entornos empresariales dinámicos y competitivos, como el que hemos vivido desde la irrupción de la pandemia.
