Desarrollo de un sistema de pronóstico para la planificación de la demanda en herramientas eléctricas y equipos de construcción

Abstract

El pronóstico de la demanda es fundamental para anticipar las necesidades del mercado y mejorar la gestión de inventarios. Al aprovechar datos históricos con herramientas avanzadas, es posible identificar tendencias y patrones que ayudan a evitar tanto faltantes como excesos de stock. Este proyecto tiene como objetivo abordar los desafíos del pronóstico de demanda en una empresa dedicada a la distribución de herramientas eléctricas y equipos de construcción. Actualmente, la empresa se basa en promedios de ventas pasadas, un método que no contempla las fluctuaciones ni las tendencias del mercado, lo que a menudo resulta en desabastecimientos o excesos de inventario. Para solucionar este problema, proponemos desarrollar modelos predictivos basados en técnicas avanzadas de machine learning. Estos modelos permitirán realizar pronósticos más precisos al captar patrones complejos en los datos. Además, se incorporarán modelos más sencillos para detectar patrones básicos y estacionales, ofreciendo una solución integral debido a las diferentes series de tiempo. Como parte del análisis, se comparan los pronósticos generados por los modelos avanzados con el método tradicional utilizado por la empresa, y se espera un mejor rendimiento y disminución los errores por parte de las técnicas de pronóstico utilizadas. Adicionalmente, se desarrolló una interfaz práctica que permite a la empresa visualizar las predicciones futuras de forma sencilla y práctica, facilitando el acceso a la información clave de periodos futuros, mejorando la toma de decisiones y mejorando la gestión de inventarios.

Demand forecasting is essential for anticipating market needs and improving inventory management. By leveraging historical data with advanced tools, it is possible to identify trends and patterns that help prevent both stock shortages and surpluses. This project aims to address the challenges of demand forecasting in a company dedicated to the distribution of power tools and construction equipment. Currently, the company relies on averages of past sales, a method that does not account for market fluctuations or trends, often resulting in stockouts or excess inventory. To solve this problem, we propose developing predictive models based on advanced machine learning techniques. These models will enable more accurate forecasts by capturing complex patterns in the data. Additionally, simpler models will be incorporated to detect basic and seasonal patterns, offering a comprehensive solution for various time series. As part of the analysis, forecasts generated by the advanced models are compared with the traditional method used by the company, and better performance with reduced errors is expected from the proposed forecasting techniques. Furthermore, a practical interface was developed to allow the company to visualize future predictions in a simple and user-friendly way, facilitating access to key information for future periods, improving decision-making, and enhancing inventory management.