Mora Cardona, Mario JuliánNova Rojas, William Andrés2026-09-012026-09-012026http://hdl.handle.net/11522/5772Las 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.134 p.application/pdfspaPredicción de demandaPYMESProductos de alta rotaciónMachine learningSeries temporalesDemand forecastingSMEsHigh-rotation productsTime seriesbachelor thesishttps://creativecommons.org/licenses/by-nc-sa/4.0/http://purl.org/coar/access_right/c_abf2