Retail inteligente: predicción de demanda a través de modelos de ciencia de datos

Abstract

La predicción precisa de la demanda es fundamental en el sector retail para optimizar la gestión de inventarios y reducir costos operativos. Este proyecto aplicado abordó la pregunta de si es posible mejorar dicha predicción mediante modelos de machine learning para análisis avanzados. Partiendo del objetivo principal de crear un modelo predictivo robusto, se implementó una metodología que integró el procesamiento de una base de datos histórica de ventas y transacciones de la industria de food service, el diseño de un sistema de ingeniería de características basado en rezagos temporales y la experimentación con diversos algoritmos de aprendizaje automático. Los resultados demostraron que el modelo basado en Gradient Boosting (XGBoost) superó significativamente a las arquitecturas de redes neuronales recurrentes y modelos lineales, logrando un coeficiente de determinación (R2) de 0.93 en la predicción de transacciones y una precisión operativa superior al 80% en la proyección de ventas. En conclusión, este trabajo evidencia el impacto de desarrollar sistemas tecnológicos avanzados basados en ciencia de datos para transformar la gestión de inventarios y la planeación financiera, permitiendo la toma de decisiones informadas a través de insights valiosos y predicciones de alta fidelidad.