Predicción de Ventas Semanales con Series Temporales
[ Completado · 2025 ]
Resumen Ejecutivo
Proyecto de consultoría en Data Science para NorthRetail Inc., una cadena de tiendas departamentales en Estados Unidos que enfrentaba desafíos críticos en su cadena de suministro debido a proyecciones inadecuadas de demanda.
Resultado Principal
Modelo híbrido (Prophet + Baselines) con mejora de 14.48% sobre el baseline simple, alcanzando un MAE de $2,046.71.
Contexto de Negocio
Problemas Identificados
Proyecciones Inadecuadas
Predicciones basadas en promedios históricos simples
Quiebres de Stock
Durante semanas de alta demanda, generando pérdida de ventas
Exceso de Inventario
Post-temporada, causando costos adicionales de almacenamiento
Campañas Promocionales
La empresa ejecuta 4 tipos de campañas durante el año:
- Super Bowl (Febrero)
- Labor Day (Septiembre)
- Thanksgiving (Noviembre)
- Christmas (Diciembre)
Análisis de Datos
Dataset
- Período: 2010-02-05 hasta 2012-10-26
- Registros totales: 421,570
- Tiendas: 45
- Departamentos: 81
- Combinaciones tienda-departamento: 3,331
Hallazgos Clave del EDA
Thanksgiving: Feriado más importante (+39.60% en ventas)
Christmas: Comportamiento contraintuitivo (-8.64% en semana exacta)
Estacionalidad: Domina >99% de la variabilidad
Volatilidad: CV varía de <50% a >100% según departamento
Modelado y Resultados
Modelos Evaluados
XGBoost sin Covariables
WMAE: $13,386.08 · Baseline
XGBoost con Covariables
WMAE: $9,325.57 · Mejora: 30.33%
Prophet Base
WMAE: $5,987.69 · Mejora: 55.26%
Prophet Optimizado [ Mejor modelo ]
WMAE: $5,856.30 · Mejora: 56.24%
Modelo ganador con Grid Search y optimización de hiperparámetros
Modelo Híbrido Final
MAE: $2,046.71 · Mejora: 14.48% vs baseline
Combina Prophet optimizado + Block Bootstrap + Baselines estacionales
Recomendaciones Estratégicas
Gestión de Inventario
- Preparación anticipada para Thanksgiving: Stock +40%
- Productos críticos: Deptos 99, 72, 6, 47
- Reducción pre-Christmas: Anticipar caída
- Monitoreo de volatilidad (CV > 100%)
Estrategia Promocional
- Inversión limitada en promociones genéricas
- Focalización en departamentos sensibles
- Timing estratégico con feriados naturales
- A/B testing para validar impacto
Mejoras del Modelo
- Implementar Prophet en producción
- Modelo híbrido para robustez
- Actualización continua cada trimestre
- Segmentación por tipo de producto
Impacto Esperado
- Reducción de quiebres: 30-40%
- Optimización inventario: -15-20% costos
- Mejor planificación de recursos
- Mayor satisfacción del cliente
Stack Tecnológico
Valor del Proyecto
Para el Negocio
Reducción de costos, optimización de inventario, mejor planificación de recursos y satisfacción del cliente.
Para Data Science
Metodología replicable, comparación exhaustiva de modelos, manejo robusto de estacionalidad.
Habilidades Demostradas
EDA profundo, modelado avanzado, optimización de hiperparámetros, ensamble de modelos.