Diseño de una herramienta de pronóstico de demanda basado en un modelo de aprendizaje automático para una empresa retail

El pronóstico preciso de la demanda es crucial para el buen funcionamiento de la cadena de suministro en el sector minorista. En este proyecto, se identificó que el método actual utilizado por una empresa retail para la predicción de la demanda era ineficaz, generando tiempos de respuesta prolongado...

Full description

Autores:
Aristizábal Arbeláez, Daniel Felipe
Benavides Vásquez, Nicolás Enrique
Lozano Arroyo, Leiber David
Tipo de recurso:
Fecha de publicación:
2023
Institución:
Universidad del Norte
Repositorio:
Repositorio Uninorte
Idioma:
spa
OAI Identifier:
oai:manglar.uninorte.edu.co:10584/11533
Acceso en línea:
http://hdl.handle.net/10584/11533
Palabra clave:
Pronóstico de demanda
Sector minorista
Promociones
Modelos de aprendizaje automático
Redes neuronales
XGBoost
Long Short-Term Memory (LSTM)
Demand forecasting
Retail sector
Machine learning models
Neural Networks
XGBoost
Long Short-Term Memory (LSTM)
Rights
License
Universidad del Norte
Description
Summary:El pronóstico preciso de la demanda es crucial para el buen funcionamiento de la cadena de suministro en el sector minorista. En este proyecto, se identificó que el método actual utilizado por una empresa retail para la predicción de la demanda era ineficaz, generando tiempos de respuesta prolongados, así como falta en la detección de variaciones en las ventas debido a promociones, campañas publicitarias, estacionalidad y tendencias de mercado. Para abordar esta problemática y proponer una mejora, se evaluaron tres alternativas de solución: el diseño de un modelo de aprendizaje automático, el uso de métodos estadísticos, y la adquisición de una plataforma SAP IBP. Tras un análisis exhaustivo, el diseño de una solución mediante la implementación de modelos de aprendizaje automático se mostró como la opción más favorable de diseño. Para la implementación de una herramienta digital interactiva, se empleó el lenguaje de programación Python. Asimismo, se llevó a cabo una comparación entre dos técnicas de aprendizaje automático con el propósito de determinar la más efectiva: el XGBoost y las Redes Neuronales Long Short-Term Memory (LSTM). Para la evaluación de dichas técnicas, se utilizó el Error Porcentual Absoluto Medio Ponderado (WMAPE) como métrica de evaluación. Las simulaciones realizadas con datos reales demostraron que el modelo XGBoost superó al modelo LSTM y al método utilizado actualmente en la empresa, logrando reducir el WMAPE en un 15.2% y disminuyendo el error en 5.64 puntos porcentuales. Esta mejora en la precisión del pronóstico de la demanda permitirá una gestión de inventarios más eficiente, reduciendo la incertidumbre y optimizando los recursos financieros de la empresa.