Predicción de la Demanda Usando Modelos de Machine Learning

RESUMEN: Para aquellas empresas dedicadas a la venta en retail o venta directa donde su portafolio de productos es muy amplio, la planeación de la demanda se convierte en un área determinante para la correcta administración del flujo de caja, rentabilidad y efectividad en ventas por varias razones:...

Full description

Autores:: Hincapié Herrera, Edwar Andrés

Tipo de recurso:: Tesis

Fecha de publicación:: 2021

Institución:: Universidad de Antioquia

Repositorio:: Repositorio UdeA

Idioma:: spa

Description
Summary:	RESUMEN: Para aquellas empresas dedicadas a la venta en retail o venta directa donde su portafolio de productos es muy amplio, la planeación de la demanda se convierte en un área determinante para la correcta administración del flujo de caja, rentabilidad y efectividad en ventas por varias razones: la primera de ellas es la gestión de compra de insumos por medio de negociación de precio por volumen con sus proveedores; el control de inventario donde se cuide un equilibrio entre uso efectivo del espacio de almacenamiento y reducción de obsolescencia contra la disponibilidad para distribución y por último en la venta efectiva respetando las estacionalidades, tendencias del mercado y satisfacción del cliente. Las necesidades descritas sumadas a la existencia de múltiples factores que pueden afectar la demanda adicionan interés y complejidad sobre el desarrollo de la tarea, razón por el cual se propone explorar varios modelos con el objetivo de encontrar aquel que mejor se ajuste en la predicción de las unidades de cada producto que se venderá en un horizonte dado; donde se parte de una base de datos que representa la historia del comportamiento de varios productos. Es por tanto que después del correcto tratamiento de la base de datos mediante la depuración de su información y selección de características con mayor importancia, se evalúan modelos de regresión como el Random Forest Regressor y veinte modelos adicionales inmersos en H2O AutoML, luego de ello, se realiza de nuevo el proceso con el mejor modelo encontrado pero esta vez realizando un análisis de tipicidad para excluir las categorías de los productos que menos valor aportan al modelo y determinar su impacto sobre el MAPE, el cual es la métrica para encontrar el mejor modelo. Los resultados basados en la metodología anterior arrojan que el análisis de tipicidad y el uso de H2O AutoML son determinantes sobre la mejora en la predicción; ya que optimizan el control sobre complejidad de las categorías al cual pertenecen cada uno de los productos y su amplio rango de unidades demandadas.

Predicción de la Demanda Usando Modelos de Machine Learning

Publicaciones similares