Publicación: Marco de implementación de modelos de pronóstico de ventas en empresas de e-commerce
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
RESUMEN: en este estudio se desarrollan y comparan tres modelos de diferentes naturalezas en el pronóstico de ventas de siete empresas que participan en E-Commerce: el Random Forest Regressor, ARIMA y un modelo diseñado en este trabajo, llamado Modelo de Promedio Lineal y Tasa de Tendencia, con el fin de permitirle a las empresas realizar un apropiado seguimiento de metas de ventas y tomar decisiones previendo escenarios futuros. Los modelos son desarrollados en Python utilizando librerías como Pandas, Scikit-Learn, y pmdarima. Las variables seleccionadas para predecir las ventas se basan en la fecha y los valores históricos de las ventas, por lo cual se adentra en el área de pronóstico de series temporales. Para implementar los modelos se dividen los datos de las siete empresas en datos de entrenamiento y prueba, siguiendo una división de 75% para entrenamiento y 25% para prueba. Para cada empresa, para cada uno de los modelos, se utilizan los datos de entrenamiento para encontrar la configuración óptima del mismo, utilizando posteriormente los datos de prueba para evaluar su desempeño, a través de la métrica MAPE. Se encuentra que el modelo más acertado para predecir las ventas de las empresas es Modelo de Promedio Lineal y Tasa de Tendencia, con un MAPE promedio de 18.98%, seguido por el Random Forest Regressor, con un MAPE promedio de 19.27%. Se encuentra que los pronósticos de las ventas futuras de las empresas, a pesar de ser aceptables en el corto plazo, convergen a una serie de valores fijos rápidamente. Se recomienda para futuros trabajos incluir variables exógenas para el pronóstico de las ventas, con el fin de reducir el MAPE y mejorar la precisión de los pronósticos.
Resumen en inglés
ABSTRACT: in this study, three models of different natures are developed and compared in forecasting the sales of seven different companies participating in E-Commerce: Random Forest Regressor, ARIMA, and a model designed in this work called Linear Average and Trend Rate Model. The goal is to enable companies to track sales targets appropriately and make decisions while anticipating future scenarios. The models are developed in Python using libraries such as Pandas, Scikit-Learn, and pmdarima. The selected variables for sales prediction are based on the date and historical sales values, which delves into the field of time series forecasting. To implement these models, the data for the seven companies is split into training and testing data, with a 75% training and 25% testing split. For each company, for each of the models, the training data is used to find the optimal configuration, and then the testing data is used to evaluate performance using the MAPE metric. It is found that the most accurate model for predicting company sales is the Linear Average and Trend Rate Model, with an average MAPE of 18.98%, followed by the Random Forest Regressor with an average MAPE of 19.27%. It is observed that the future sales forecasts, while acceptable in the short term, quickly converge to a series of fixed values. It is recommended for future work to include exogenous variables to do sales forecasting to reduce MAPE and improve forecast accuracy.