Modelo de pronósticos de demanda para la optimización de la cadena de suministros en supermercados MEGATIENDAS
Loading...
Date
2024
Director
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javariana Cali
Abstract
Megatiendas, la cadena de supermercados, se enfrentó a desafíos logísticos significativos en la gestión del suministro para las 25 tiendas que tiene abiertas a la fecha. Debido a la inexactitud en los pronósticos, la cadena enfrentaba compras excesivas, desperdicio de productos perecederos y un aumento en los costos operativos. El objetivo central de este proyecto fue desarrollar e implementar un modelo de aprendizaje automático que permitiera prever la demanda diaria de manera precisa, optimizando la gestión de inventarios. El proceso comenzó con la extracción, transformación y limpieza de datos de ventas históricos, lo cual se logró mediante la creación de un módulo en R para automatizar la gestión de datos. Se extrajeron variables clave, como ventas por tienda, producto y promociones, para garantizar la calidad de los datos empleados en los modelos predictivos. El modelo se construyó utilizando una combinación de métodos estadísticos y de aprendizaje automático, centrándose en tres enfoques principales: ARMA, SARIMAX y Gradient Boosting. Tras la implementación y evaluación de estos modelos, se comprobó que Gradient Boosting superó significativamente a los modelos ARMA y SARIMAX en términos de precisión, mostrando los mejores resultados en todas las métricas clave, como el MAE, RMSE y R². Esto permitió a Megatiendas mejorar sus pronósticos, alcanzando un nivel de precisión superior al 85%. Los resultados de Gradient Boosting no solo ayudaron a reducir el exceso de inventario y el desperdicio de productos, sino que también mejoraron la toma de decisiones estratégicas en la cadena de suministro. El análisis de resultados confirmó que la correcta implementación de un modelo de aprendizaje automático optimiza la cadena de suministro, permitiendo a Megatiendas gestionar de manera más eficiente sus productos frescos, reducir costos y mejorar la disponibilidad de los mismos. El proyecto no solo ofrece una solución inmediata a los problemas de Megatiendas, sino que también establece un marco de trabajo para futuras mejoras, con recomendaciones para incorporar más variables y datos en el modelo para aumentar su precisión y adaptabilidad. En resumen, el desarrollo de este modelo de pronósticos de demanda representa un paso clave para optimizar la gestión de inventarios en la cadena de supermercados Megatiendas, mejorando su eficiencia operativa y su competitividad en el mercado.
Description
item.page.descriptioneng
Megatiendas, the supermarket chain, faced significant logistical challenges in managing supply for the 25 stores it has open to date. Due to inaccuracy in forecasts, the chain faced excessive purchasing, waste of perishable products, and an increase in operating costs. The central objective of this project was to develop and implement a machine learning model that would accurately forecast daily demand, optimizing inventory management. The process began with extracting, transforming, and cleaning historical sales data, which was accomplished by creating a module in R to automate data management. Key variables, such as sales per store, product, and promotions, were extracted to ensure the quality of the data used in the predictive models. The model was built using a combination of statistical and machine learning methods, focusing on three main approaches: ARMA, SARIMAX and Gradient Boosting. After the implementation and evaluation of these models, it was found that Gradient Boosting significantly outperformed the ARMA and SARIMAX models in terms of accuracy, showing the best results in all key metrics, such as MAE, RMSE and R². This allowed Megatiendas to improve its forecasts, reaching an accuracy level of over 85%. The results of Gradient Boosting not only helped reduce excess inventory and product waste, but also improved strategic decision making in the supply chain. The analysis of results confirmed that the correct implementation of a machine learning model optimizes the supply chain, allowing Megatiendas to more efficiently manage their fresh products, reduce costs and improve their availability. The project not only offers an immediate solution to Megatiendas' problems, but also establishes a framework for future improvements, with recommendations to incorporate more variables and data into the model to increase its accuracy and adaptability. In summary, the development of this demand forecasting model represents a key step to optimize inventory management in the Megatiendas supermarket chain, improving its operational efficiency and competitiveness in the market.
Keywords
Pronósticos, Demanda, Gestión de inventarios, Almacén Forecasts, Demand, Inventory management, Warehouse