Browsing by Subject "Sales forecasting"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Evaluación del impacto de modelos multivariados de machine learning en la precisión del pronóstico de ventas y su efecto en la gestión de la cadena de suministro
    (Pontificia Universidad Javeriana Cali, 2026) Vanegas Valencia, Mario Leandro; Sánchez Osorio, Edisson Camilo; Arango Londoño, David
    La planeación de la demanda constituye un eje fundamental en la gestión de la cadena de suministro agroindustrial, un sector complejo por la influencia de variables estocástica como el clima, los costos de insumos y la volatilidad macroeconómica. La problemática centra de esta investigación radica en las limitaciones estructurales de los modelos predictivos univariados tradicionales, los cuales presentan una precisión reducida al omití factores externos. La consecuencia, el objetivo principal de este estudio es evaluar y comparar el desempeño predictivo de enfoques estadísticos clásicos (OLS y SARIMAX) frente a algoritmos multivariados de Machine Learning (Random Forest, LightGBM y Prophet). La metodología integró datos transaccionales históricos (2022-2025) de dos familias de productos (Palas y Carretas) con variables exógenas como índices climáticos zonales, abastecimiento agrícola (SIPSA) y tasas de cambio (TRM). El desempeño se evaluó mediante métricas estandarizadas (MAE,RMSE y MAPE) a través de una validación temporal walk-forward. Los resultados empíricos demostraron que la granularidad mensual domina significativamente en la estabilización de la señal predictiva frente a agregaciones diarias o semanales. Asimismo, se evidencia que predecir el volumen (Cantidad) y el Margen Bruto constituyen problemas predictivos disímiles; mientras que Random Forest logró el mejor desempeño en tres de las cuatro series analizadas (reduciendo el MAPE hasta un 14.8% en volumen), SARIMAX demostró ser más robusto para modelar el Margen bruto en series específicas. Se concluir que la adopción de modelos multivariados de ensamble, combinados con un preprocesamiento adecuado de la temporalidad y variables exógenas casuales, optimiza sustancialmente la planeación comercial y operativa en la agroindustria.
  • Thumbnail Image
    Item
    Predicción de ventas por identificación dispersa de un sistema ERP a partir de datos
    (Pontificia Universidad Javeriana Cali, 2025) Rincón Brito, César Daniel; Tobón Llano, Luis Eduardo
    Esta investigación se enfoca en la implementación de modelos predictivos dentro del entorno de un ERP, con el objetivo de anticipar comportamientos y optimizar procesos en áreas como finanzas, logística, ventas y recursos humanos. Entre las técnicas estudiadas se encuentra el algoritmo SINDy (Sparse Identification of Nonlinear Dynamical Systems), que permite descubrir modelos dinámicos a partir de datos mediante regresión dispersa, seleccionando solo los términos más relevantes de una biblioteca de funciones. El estudio busca demostrar cómo, a través del análisis predictivo y la aplicación de modelos de identificación de sistemas dinámicos, es posible mejorar la toma de decisiones, reducir tiempos de espera y aumentar la precisión en operaciones críticas de la organización, especialmente cuando se dispone de una base de datos abundante y confiable dentro del sistema ERP. El análisis identifica que las ventas futuras dependen de múltiples variables de control, incluyendo unidades vendidas, indicadores de picos estacionales y ventas regionales, así como de sus interacciones cuadráticas y cruzadas. El modelo validado alcanzó un coeficiente de determinación y correlación aceptable en datos de prueba, demostrando una capacidad robusta de generalización. Estos hallazgos confirman que SINDy logra aprender la dinámica real del negocio sin memorizar los datos, ofreciendo una herramienta potente tanto para la predicción como para la comprensión de los factores causales que impulsan el rendimiento de las ventas bajo incertidumbre.