Modelo de Forecast para predecir la demanda semanal de alimentos y bebidas de consumo masivo

En este trabajo se expone una serie de modelos de analítica para mejorar las métricas de error de pronóstico de los productos principales en una empresa de consumo masivo en México. Para esto, se utilizaron las ventas históricas semanales de cada producto y mediante el análisis de las series de tiempo, la transformación y limpieza de los datos, se calibraron y evaluaron diferentes modelos de analítica hasta encontrar el modelo óptimo que minimizaba el error de pronóstico en cada uno de los productos seleccionados. Se encontró que los productos presentan divergencia en la dinámica de la demanda, por lo tanto, los modelos de mejor pronóstico varían entre sí. Entre los modelos evaluados, ARIMA y RandomForest fueron los algoritmos de mejor desempeño bajo las métricas seleccionadas. Por su parte, se hizo un ejercicio para cuantificar el ahorro en términos de manejo de inventario y ventas pérdidas que se puede implementar estos modelos. Finalmente, se espera que este documento sea un insumo para la toma de decisiones sobre el pronóstico de ventas y manejo de inventario de ahora en adelante.

• Autores: Jaimes Campos, Denis Leonardo; López Zúñiga, Esteban
• Fecha de publicación: 2021
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/55819
• Acceso en línea: http://hdl.handle.net/1992/55819
• Palabra clave: Consumo masivo; Toma de decisiones; Pronóstico de ventas; Manejo de inventario; Administración
• Rights: openAccess
• License: https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf