Browsing by Subject "Demand forecasting"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Desarrollo de un modelo de inteligencia artificial para la predicción de demanda en productos de alta rotación en PYMES de Ibagué
    (Pontificia Universidad Javeriana Cali, 2026) Nova Rojas, William Andrés; Mora Cardona, Mario Julián
    Las pequeñas y medianas empresas (PYMEs) minoristas suelen reponer inventario con criterios empíricos, lo que aumenta la probabilidad de desabastecimiento (ruptura de inventario y ventas perdidas) y de sobreinventario (capital inmovilizado, mayores costos de almacenamiento y merma). En este contexto, el presente trabajo de grado desarrolla y evalúa un modelo de inteligencia artificial para la predicción de demanda diaria de productos de alta rotación en dos puntos de venta minoristas ubicados en Ibagué (Mercaya y Villa Café), con el propósito de aportar una herramienta evaluada cuantitativamente y aplicable a la operación para apoyar la gestión de inventarios. Metodológicamente, se construyó un proceso reproducible que transforma datos operativos en una estructura consistente producto–día, ejecuta limpieza y estandarización, e incorpora señal temporal mediante lags y agregaciones móviles (rolling). Adicionalmente, se integran variables de calendario (día, quincena, mes y condición de día hábil) y, cuando es pertinente, contexto climático. Se entrenaron y compararon modelos de regresión lineal y ensambles basados en árboles (Random Forest, XGBoost y LightGBM) bajo un esquema de validación temporal para un horizonte de predicción de un día (h = 1). El desempeño se evaluó con métricas orientadas a una lectura operativa del error (MAE y WAPE %) y con medidas complementarias de ajuste (R2 y R2 adj ) y de penalización de errores grandes (MSE), además del tiempo de entrenamiento. Los resultados muestran que el mejor desempeño se alcanza con conjuntos compactos de variables (aprox. 9–12 variables base), lo que evidencia que aumentar el número de variables no garantiza una mejor generalización. En ambos negocios, la señal dominante proviene de la memoria temporal reciente y del calendario; en Villa Café, además, la descripción categórica del clima aporta señal contextual relevante. Random Forest presentó el mejor equilibrio global, reduciendo el error frente al entrenamiento con todas las variables: en Mercaya, el MAE disminuyó de 1075.68 a 933.04 (WAPE % de 35.85 a 31.10), y en Villa Café de 1355.22 a 1099.53 (WAPE % de 43.41 a 35.22), junto con mejoras en R2 y una menor complejidad del conjunto de variables. En conjunto, el trabajo entrega un procedimiento sostenible y replicable para apoyar decisiones de compra, reducir el desabastecimiento y el sobreinventario, y estandarizar la reposición mediante un ciclo de mejora continua basado en evidencia.
  • Thumbnail Image
    Item
    Modelo analítico para la predicción de garantías posventa en proyectos residenciales: aplicación en una empresa constructora colombiana
    (Pontificia Universidad Javeriana Cali, 2026) Castillo Narváez, Diana Camila; Contreras Macías, Maicol Stiven; Arango Londoño, David
    Este proyecto aplicado tuvo como objetivo desarrollar un modelo predictivo basado en técnicas de aprendizaje automático para estimar el comportamiento de las reclamaciones por garantías posventa en proyectos de vivienda entregados por una constructora en la ciudad de Cali. A partir del análisis de bases de datos históricas del sistema CRM, información de entregas de inmuebles, características técnicas de los proyectos, tipo de acabado y variables contextuales exploratorias, se buscó estimar la cantidad esperada, la categoría técnica y el momento de ocurrencia de las reclamaciones. El trabajo incluyó tareas de limpieza, integración y transformación de datos, homologación de proyectos y categorías de daño, construcción de la exposición mensual de inmuebles, ingeniería de características, selección de variables relevantes y evaluación de modelos supervisados de regresión. El modelo seleccionado fue XGBoost con variables de historial reciente, debido a que presentó el mejor equilibrio general entre las métricas evaluadas, incluyendo MAE, RMSE, R², MAPE sobre observaciones positivas y comparación entre totales reales y predichos. Como resultado, el modelo permitió generar predicciones futuras para apoyar la planeación operativa del área de posventa; para 2026 se estimó una carga aproximada de 4.247 locativas, con análisis por mes, proyecto y padre/capítulo técnico. En un sector como el de la construcción, con una gestión posventa tradicionalmente reactiva y con oportunidades de fortalecimiento en el uso analítico de los datos, esta propuesta representa una aplicación práctica de ciencia de datos para anticipar cargas de atención, priorizar recursos, identificar categorías críticas y apoyar la toma de decisiones basada en evidencia. El proyecto contribuye al fortalecimiento de la gestión proactiva de garantías y a la transformación digital del proceso posventa, dejando como producto un modelo predictivo reproducible y resultados estructurados para su consulta mediante una herramienta de visualización.
  • Thumbnail Image
    Item
    El papel de la inteligencia artificial en la optimización del pronóstico de demanda y las sugerencias de venta personalizadas en las cadenas de consumo masivo en Colombia
    (Pontificia Universidad Javeriana Cali, 2025) Villamizar Murillo, Daniela; Aguirre Araque, Santiago José; Arango Londoño, David
    Esta investigación evalúa el impacto de la Inteligencia Artificial (IA) en la optimización de la cadena de suministro para el sector de consumo masivo (CPG) en Colombia. El objetivo general es determinar si las técnicas de IA, específicamente los modelos Random Forest (RF), SVM y XGBoost, superan significativamente a los métodos estadísticos tradicionales como ARIMA y Regresión Lineal en la precisión del pronóstico de demanda. La metodología emplea un diseño cuantitativo y comparativo, utilizando datos históricos de ventas, promociones y clientes de empresas líderes como Colgate-Palmolive. Los resultados demuestran que los modelos de IA mejoran la precisión del pronóstico, con RF destacando en el corto plazo y XGBoost en el largo plazo. Esta mejora se traduce en una optimización cuantificable de los indicadores de inventario, como la reducción de costos de mantenimiento y tasas de agotamiento. Adicionalmente, se evalúa el impacto positivo de las sugerencias de venta personalizadas basadas en IA sobre la satisfacción del cliente. Las conclusiones ofrecen un marco de decisión para la adopción de IA, alineado con el contexto regulatorio y ético de Colombia.