Modelos de aprendizaje automático para prever la demanda semanal por tienda y reducir roturas de stock en una cadena regional.
El trabajo compara modelos estadísticos clásicos y de aprendizaje automático para prever la demanda semanal de 2.000 referencias en 35 tiendas de una cadena de alimentación regional.
El modelo final, basado en gradient boosting con variables de calendario, promociones y clima, reduce el error de previsión un 22 % respecto al método que usaba la empresa y disminuye las roturas de stock en las referencias de mayor rotación.
Trabajo de ejemplo con datos ficticios para revisar el diseño.
La cadena planificaba sus pedidos con medias móviles que no recogían el efecto de las promociones ni de los festivos locales, lo que generaba excesos de inventario y roturas de stock.
Limpieza de tres años de ventas, ingeniería de variables, comparación de cinco familias de modelos con validación temporal y puesta en marcha de un piloto en ocho tiendas.
“Pasar de un notebook a un piloto en tiendas reales me enseñó más que cualquier asignatura.”
Más trabajos