Desarrollo de modelos de pronóstico de demanda con variables predictoras para mejorar la gestión de inventarios en una empresa de alimentos

Abstract

El presente proyecto tiene como objetivo desarrollar modelos de demanda que apoyen a la toma de decisiones en la cadena de suministro en una empresa de cadena de restaurantes de comida que se encuentra en búsqueda de mejorar su rentabilidad. Actualmente, la planificación se basa en la experiencia del equipo, por lo que un modelo de pronóstico eficaz permitiría una gestión más precisa de los inventarios, ahorrando tiempo y recursos, además de proporcionar información detallada sobre los factores que afectan el comportamiento de los consumidores.

El proyecto se centra en esta oportunidad de mejora, generando pronósticos de demanda para productos perecederos con una vida útil inferior a 3 días, en sucursales que atienden principalmente a consumidores de perfil trabajadores de oficina. Se emplea la metodología CRISP-DM, que incluye la obtención de datos de demanda ajustados por quiebres de inventario a partir de registros de ventas y disponibilidad por producto. Se analizan factores climáticos, temporales y decisiones comerciales que influyen en el comportamiento de compra de los clientes. Los modelos entrenados fueron SARIMAX, Prophet y Random Forest, destacando este último por su rendimiento superior con un MAPE de 24,9%, siendo el factor de fin de semana el más influyente para el modelo, seguido por la temperatura y las festividades. Este modelo fue comparado con las estrategias de abastecimiento actuales de la empresa, y se demostró que estas últimas generan una mayor contribución. En promedio, las predicciones del modelo presentan un rendimiento semanal inferior en aproximadamente 830 mil pesos, lo que representa una disminución de casi un 6,4% en comparación con con las estrategias actuales, que logran mejores resultados al considerar tanto las ventas satisfechas como las pérdidas por mermas de productos.

Entre las limitaciones identificadas se encuentran la granularidad de los datos y el uso de distribuciones de probabilidad para imputar la demanda en quiebres de inventario, lo que pudo impactar en los resultados. Mejoras como la agrupación de productos sustitutos o la implementación de modelos más sofisticados para imputar datos representan oportunidades de mejora para futuros proyectos.

Se concluye que, aunque el modelo no superó el procedimiento actual, el proyecto representa un avance hacia un proceso de estimación de demanda más estandarizado, automatizado y basado en datos. Se recomienda a la empresa implementar parcialmente el modelo con un sistema de alertas para detectar quiebres de inventario o mermas, estudiar el efecto de promociones en períodos de baja demanda y prestar mayor atención a variables externas como la temperatura, los feriados y el clima.