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 tiem...

Full description

Autores:
Jaimes Campos, Denis Leonardo
López Zúñiga, Esteban
Tipo de recurso:
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
Description
Summary: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.