Estimación de la demanda de productos perecibles en un supermercado

Abstract

El presente trabajo tiene como objetivo estimar la demanda de frutas y verduras de un supermercado de Santiago, Chile. Estos productos, catalogados como productos perecibles, poseen la característica de tener una corta vida útil, ya que tienen la particularidad de deteriorarse rápidamente. Dadas las características de estos productos, tanto su demanda como sus precios fluctúan en el tiempo dependiendo de la fecha de vencimiento de éstos. Por ende, es de vital importancia estimar su demanda y así evitar tener problemas que puedan significar la pérdida de dinero para un supermercado. En este sentido, al estimar su demandase pueden disminuir las mermas del supermercado y con ello, aumentar sus ganancias. Se trabaja con datos históricos de las ventas de un supermercado chileno. Se posee un total de 630 datos, los cuales van desde octubre de 2014 a junio de 2016. De estos, 600 son utilizados como set de entrenamiento, 7 comoLead Time y 23 como set de testeo. Dentro de las variables explicativas que se utilizan para estimar la demanda están el precio de otros productos que se compran en conjunto con el producto analizado, la temperatura promedio del día, los días de la semana, el tipo de variación del precio con respecto al día anterior, traducidos en aumentos o descuentos de 10 %, 20 % o más del 20 %, entre otros. Se realiza la estimación de la demanda para la Palta Hass Extra a Granel y para el Tomate a Granel. Para ello, se usan métodos de regresiones y series de tiempo para identificar los elementos clave que influyen en la demanda de estos productos perecibles y para estimar esta demanda, respectivamente. De esta manera, se utilizan once métodos de machine learning, los cuales son Naïve Forecast, Moving Average, ARIMA, SARIMA, Suavización ExponencialTriple, Regresiones Lineales Múltiples, Árboles de Regresiones, Random Forest, SupportVector Machine, Redes Neuronales Artificiales y Redes Neuronales Recurrentes. Se concluye que el mejor modelo tanto para la Palta Hass Extra a Granel como para el Tomate a Granel es el modelo de Random Forest, el cual posee un error absoluto medio, MAE, en el set de testeo de alrededor de 51 kilos para las paltas y 70 kilos para el tomate. Esto es equivalente a un error porcentual absoluto medio, MAPE, de 25% de ventas diarias para las paltas y de 22% de ventas diarias para el tomate. Las ventas en promedio de ambos productos son de 208 kilos y 354 kilos para las paltas y los tomates, respectivamente. Se aconseja a futuros investigadores realizar los mejores modelos obtenidos en este trabajo de título, como Redes Neuronales Artificiales y Random Forest, pero en bases de datos más grandes para que los modelos puedan aprender de la data. Además, se aconseja agregar otro tipo de variables explicativas como el espacio ocupado por frutas y verduras en góndola.