Aplicación de modelo predictivo para análisis de ventas aplicado a una cafetería mediante la implementación de técnicas de aprendizaje automático y series temporales (Machine Learning)

Abstract

Este proyecto de grado, desarrollado por Diego Martínez y Germán Danilo Alarcón para la Especialización en Ciencia de Datos de la UNAD (2025), aborda la falta de herramientas predictivas en cafeterías familiares colombianas, un problema que genera desperdicios por sobreproducción o pérdidas por desabastecimiento. Para resolverlo, aplicaron la metodología SEMMA combinando modelos de series temporales (ARIMA) con algoritmos de aprendizaje automático (Regresión Lineal y Random Forest), analizando 65,193 transacciones registradas durante 111 días. Los resultados demostraron que los modelos de Machine Learning superaron significativamente a ARIMA: la Regresión Lineal alcanzó un R² perfecto de 1.000 para predicción de cantidad, mientras que Random Forest logró un R² de 0.978 para ingresos; en contraste, ARIMA obtuvo valores negativos de R², evidenciando su incapacidad para capturar patrones complejos. El trabajo concluye que es viable implementar metodologías de ciencia de datos en pequeños negocios para optimizar inventarios, planificar personal y reducir desperdicios, permitiéndoles competir mediante decisiones basadas en datos.