Aprendizaje supervisado en el pronóstico de la demanda de artículos en diferentes minimarkets

Resumen

Esta investigación no experimental tiene como propósito pronosticar la demanda para una gestión eficaz del inventario en los almacenes de productos en supermercados, con el fin de evitar la escasez o el sobreabastecimiento que puede tener repercusiones económicas o afectar la imagen de la empresa. Para ello se utilizaron datos históricos, los mismos que fueron procesados en Python, previamente particionados en grupos de entrenamiento y prueba. Se aplicó para el análisis el modelo Holt-Winters calibrado a fuerza bruta, para predecir el tamaño de un pedido urgente, que reduce el riesgo de falta de existencias en el almacén local en un 93.4%. Luego al comparar este modelo con una Red Neuronal (LSTM), resultó que, HoltWinter obtuvo mejor rendimiento con un error de estimación de 0.0095. Concluyendo que el modelo de Holt-Winters mejora la precisión en los pronósticos de la demanda y puede ser también de gran utilidad en este sector comercial que resultaría muy beneficiado.