Aplicación de Pronóstico de Demanda de Productos

Prueba el modelo aquí:

Introducción

En la industria del retail, anticipar la demanda de productos es esencial para mantener niveles óptimos de inventario, reducir costos operacionales y mejorar la satisfacción del cliente. Este proyecto presenta una Aplicación de Pronóstico de Demanda de Productos, una solución de machine learning desarrollada para predecir la demanda diaria a corto plazo utilizando datos históricos de ventas y variables comerciales específicas.

La aplicación integra preprocesamiento de datos, análisis exploratorio, ingeniería de características, entrenamiento de modelos y despliegue interactivo mediante Streamlit. Su objetivo es ofrecer no solo pronósticos precisos, sino también herramientas de simulación y análisis para la toma de decisiones estratégicas.

Descripción General del Proyecto

El proyecto se compone de tres partes principales:

1. Notebook de Desarrollo del Modelo
   • Procesamiento de datos, análisis de demanda, ingeniería de variables y entrenamiento de un modelo LightGBM.
2. Explorador de Datos Interactivo
   • Aplicación en Streamlit para visualizar tendencias de ventas, analizar sensibilidad al precio y rendimiento del inventario.
3. Herramienta de Pronóstico y Simulación
   • Aplicación en Streamlit que permite simular escenarios comerciales, generar pronósticos diarios y recibir recomendaciones de inventario.

Desarrollo del Modelo (Jupyter Notebook)

1. Preparación y Limpieza de Datos

• Carga de un dataset con ~100.000 transacciones de ventas.
• Estandarización de nombres de columnas y conversión de fechas.
• Extracción de variables temporales: año, mes, día, día de la semana, semana del año, trimestre.
• Mapeo de IDs de productos a nombres legibles.
• Tratamiento de valores faltantes.

2. Análisis Exploratorio (EDA)

Se analizaron patrones de comportamiento en los datos históricos de ventas.

Hallazgos principales:

• Estacionalidad: Se observaron ciclos claros de demanda mensual y semanal. La demanda aumenta significativamente en noviembre y diciembre, y también durante los fines de semana.
• Elasticidad de precio: Existe una correlación negativa entre el precio y las unidades vendidas, especialmente en productos no esenciales.
• Promociones: Descuentos superiores al 20% incrementan fuertemente la demanda, aunque se detectó un umbral de saturación cerca del 50%.
• Variabilidad regional: Algunas regiones presentaron baja rotación de inventario, lo que sugiere sobrestock o baja demanda local.
• Desequilibrios de inventario: Se identificaron faltas de stock frecuentes durante semanas peak y exceso de stock en períodos de baja rotación.

3. Ingeniería de Características

Se crearon variables nuevas para mejorar el rendimiento del modelo:

• days_since_start: Tendencia temporal.
• price_discount_ratio: Intensidad promocional.
• price_competitor_diff: Diferencia frente a precios de la competencia.
• inventory_turnover: Eficiencia de ventas respecto al inventario.

4. Entrenamiento del Modelo

• Se entrenó un modelo LightGBM con división temporal (entrenamiento = histórico, prueba = últimos 30 días).
• Métricas de rendimiento:
  • MAE: ~7,3 unidades/día
  • RMSE: ~12,6 unidades/día
• El modelo fue exportado como best_lightgbm_pipeline.pkl para su uso en producción.

Explorador de Datos (Streamlit)

La aplicación permite explorar datos históricos con filtros dinámicos por producto, región, tienda y fecha.

Características clave:

• Visualización de tendencias por producto y categoría.
• Análisis de sensibilidad a precios y promociones.
• Indicadores de rotación de inventario y riesgo de quiebre de stock.
• Cálculo del impacto económico: pérdida por faltantes y costos por sobrestock.
• Tabla de productos críticos con prioridades visuales.

Herramienta de Pronóstico y Simulación

La segunda aplicación permite simular condiciones de negocio y predecir la demanda futura.

Funciones principales:

• Pronóstico de 7, 14 o 30 días.
• Simulación de cambios en precio, descuentos y competencia.
• Ajuste de parámetros para promociones u ofertas especiales.
• Generación automática de recomendaciones de inventario.
• Exportación de resultados en CSV, Excel o JSON.

Métricas generadas:

• Demanda total proyectada
• Ingresos esperados
• Riesgos de falta de stock y sobrestock
• Costos totales de inventario

Resultados y Hallazgos

Modelado y Predicción

• El modelo capturó patrones estacionales y efectos de negocio de forma precisa.
• Los errores de pronóstico se mantuvieron dentro del ±10% en datos no vistos.
• Las simulaciones permitieron ajustar decisiones sin necesidad de reentrenar el modelo.

Conclusiones de Negocio

• El stock faltante durante promociones generaron pérdidas estimadas de más de $30.000 USD en un solo mes.
• El sobrestock en productos de baja rotación tuvo costos mensuales superiores a $12.000 USD en algunas regiones del pais.
• Pequeños descuentos (10–20%) fueron efectivos sin afectar demasiado el margen.
• La rotación de inventario fue notablemente superior en ciertas categorías, lo que ofrece oportunidades de mejora logística.

Conclusión

Este proyecto logró desarrollar una solución integral y escalable para la predicción de demanda en el sector retail. La combinación de un modelo robusto, simulación de escenarios y visualización de datos brinda a los usuarios herramientas valiosas para:

• Anticipar la futura demanda
• Optimizar los niveles de inventario
• Minimizar pérdidas por quiebres o sobrestock
• Tomar decisiones informadas basadas en datos

Líneas futuras de desarrollo incluyen:

• Integración con APIs en tiempo real (clima, ventas)
• Reentrenamiento automatizado del modelo
• Visualización de explicaciones del modelo (SHAP)
• Conexión con sistemas ERP o de gestión de inventario

Prueba el modelo aquí: