Desarrollo de un modelo predictivo para una cadena de suplementos alimenticios

Abstract

El proceso de estimación de demanda es una tarea transversal en cualquier empresa que ofrece distintos bienes a sus usuarios. Esta labor se torna aún más relevante cuando los productos que se comercializan son alimentos procesados con fecha de caducidad, por lo que, una estimación más precisa no solo se traducirá en la disminución de ventas perdidas, sino que también la baja en perdidas debido a mermas de productos. La información que se utiliza en el presente estudio corresponde a las boletas de 5 puntos de ventas de una cadena que comercializa suplementos alimenticios y productos para el bienestar. Los datos abarcan el periodo comprendido entre enero de 2015 y diciembre de 2020, sin embargo, se utilizará la información hasta marzo del último año debido a que las restricciones al comercio posterior a dicha fecha distorsionan la demanda real a la que está sometida un determinado punto de venta. El objetivo de la presente investigación es desarrollar distintos modelos que sean capaces de predecir la demanda a nivel mensual, para 6 y 20 categorías con niveles de agregación distintos, para cada uno de los 5 locales. Además de lo anterior, cada modelo debe ser capaz de proyectar la demanda a un futuro de 12 meses. Se utilizan los modelos de suavización exponencial y ARIMA, además de 4 configuraciones distintas de redes neuronales recurrentes. La etapa de elección de los mejores modelos se basa en la versión normalizada de la métrica RMSE (NRMSE) y MAPE, donde, además de comparar para cada serie cual es el modelo con mejor resultado, también se realizan los test-t Student’s y Wilcoxon para testear la significancia en la diferencia de la distribución de los errores de cada uno de los 8 modelos de manera global. En base a los resultados, y las métricas NRMSE y MAPE, no existe un modelo claramente mejor en términos globales, sin embargo, para aquellos locales o categorías que presenten una mayor varianza, es preferible utilizar redes neuronales recurrentes, por el contrario, los modelos de suavización exponencial simple y ARIMA se comportan mejor en series estables.