Modelo Híbrido Prophet/XGBoost Para Predicción Demanda de Inventarios Retail Automotive Aftermarket

Abstract

La toma de decisiones fundamentada en datos se ha convertido en una necesidad imperativa para las empresas que buscan no solo mantenerse competitivas en el mercado actual, sino también impulsar un crecimiento sostenible a largo plazo. En un entorno empresarial cada vez más dinámico y complejo, confiar únicamente en la intuición o en experiencias pasadas ya no es suficiente. El análisis de datos permite a las organizaciones identificar patrones, predecir tendencias y tomar decisiones informadas que minimicen riesgos y maximicen oportunidades.

Este proyecto se enfoca en la predicción de demanda de inventario de empresas en el sector de venta de piezas automotrices retail con el objetivo de que las decisiones estratégicas de la dirección se basen en datos sólidos, permitiendo así una mayor precisión y efectividad. Al implementar un enfoque basado en datos, se busca optimizar la planificación de recursos, anticipar las necesidades del mercado y mejorar la rentabilidad de la empresa. De esta manera, la compañía estará mejor equipada para tomar decisiones informadas que promuevan un crecimiento sostenible y una ventaja competitiva en su sector.

Para el desarrollo de este proyecto, se utilizaron conjuntos de datos generados a partir de las bases de datos del sistema ERP productivo de una empresa perteneciente al ramo. Para el análisis de la predicción de demanda de inventario se implementó un algoritmo de series de tiempo llamado Prophet, así como algoritmo de machine learning XGBOOST que en conjunto crean un modelo híbrido donde tomamos las ventajas de ambos.

El estudio comparó diversos modelos de predicción de demanda, demostrando que los enfoques modernos como Prophet y el Modelo Híbrido superan significativamente a los métodos tradicionales (ARIMA, ETS y Promedios Históricos), mostrando mayor precisión y adaptabilidad a fluctuaciones en los datos. XGBOOST y su versión mejorada presentaron un desempeño intermedio, superando a los modelos clásicos pero sin alcanzar el rendimiento de Prophet.

Se evidenció la baja efectividad del modelo de Promedios Históricos, actualmente utilizado por la empresa, destacando la necesidad de adoptar técnicas más avanzadas. Además, el procesamiento riguroso de los datos excluyendo períodos irregulares y ajustando por eventos atípicos como la pandemia fue clave para garantizar resultados robustos. Estos hallazgos resaltan la importancia de implementar modelos adaptativos en entornos con alta variabilidad en la demanda.