Predicción de demanda de largo plazo para mejorar planificación logística en empresa del sector retail

Abstract

Este trabajo consiste en la generación de un framework de prediccion de series de tiempo. En particular, se trabajará con una importante empresa del sector retail, que busca mejorar su planificación operacional. En este caso, se quiere reducir el costo en camiones contratados que realiza la firma de manera mensual. Para ello se contó con la información de 5 años de ventas de 128 sublíneas de productos, lo cual es equivalente a más de 200.000 registros. El primer paso, fue identificar el proceso actual para realizar las predicciones y rediseñarlo introduciendo cambios en la metodología. Luego, se procesan los datos recopilados, de manera que se pudieran aplicar diferentes algoritmos de aprendizaje supervisado sobre ellos. Posteriormente se aplican técnicas de clustering parasegmentar las series de tiempo en 6 grupos diferentes, cada uno con un comportamiento diferente, de manera de entregar profundidad en el análisis. La estimación de demanda fue realizada utilizando los algoritmos Naïve Forecast, Moving Average, ARIMA, SARIMA, SARIMAX, Holt-Winters, Random Forest, Light Gradient Boosting Machine, Extreme Gradient Boosting Machine, Redes Neuronales Artificiales y Redes Neuronales Recurrentes. Al entrenamiento de estos modelos se le agregó además, diferentes experimentos para corroborar la efectividad de los modelos al ser entrenados con distintos conjuntos de datos. Se concluye que el mejor modelo para realizar las predicciones enfocadas en el caso de uso es el modelo de Extreme Gradient Boosting Machine, que presenta una mejora de 12,4\% de WMAPE respecto al modelo ocupado actualmente. Dicha disminución en el error de las predicciones se traduce en una reducción de costes de entre 23 y 76 millones de pesos mensuales.