Predicción de Ventas Semanales con Series Temporales
Estado: Completado (2025)
Resumen Ejecutivo
Proyecto de consultoría en Data Science para NorthRetail Inc., una cadena de tiendas departamentales en Estados Unidos que enfrentaba desafíos críticos en su cadena de suministro debido a proyecciones inadecuadas de demanda.
Resultado Principal
Modelo híbrido (Prophet + Baselines) con mejora de 14.48% sobre el baseline simple, alcanzando un MAE de $2,046.71.
Contexto de Negocio
Problemas Identificados
Proyecciones Inadecuadas
Predicciones basadas en promedios históricos simples
Quiebres de Stock
Durante semanas de alta demanda, generando pérdida de ventas
Exceso de Inventario
Post-temporada, causando costos adicionales de almacenamiento
Campañas Promocionales
La empresa ejecuta 5 tipos de campañas durante el año:
- Super Bowl (Febrero)
- Labor Day (Septiembre)
- Thanksgiving (Noviembre)
- Christmas (Diciembre)
Análisis de Datos
Dataset
- Período: 2010-02-05 hasta 2012-10-26
- Registros totales: 421,570
- Tiendas: 45
- Departamentos: 81
- Combinaciones tienda-departamento: 3,331
Hallazgos Clave del EDA
✓ Thanksgiving: Feriado más importante (+39.60% en ventas)
✓ Christmas: Comportamiento contraintuitivo (-8.64% en semana exacta)
✓ Estacionalidad: Domina >99% de la variabilidad
✓ Volatilidad: CV varía de <50% a >100% según departamento
Modelado y Resultados
Modelos Evaluados
XGBoost sin Covariables
WMAE: $13,386.08 | Baseline
XGBoost con Covariables
WMAE: $9,325.57 | Mejora: 30.33%
Prophet Base
WMAE: $5,987.69 | Mejora: 55.26%
Prophet Optimizado 🏆
WMAE: $5,856.30 | Mejora: 56.24%
Modelo ganador con Grid Search y optimización de hiperparámetros
Modelo Híbrido Final
MAE: $2,046.71 | Mejora: 14.48% vs baseline
Combina Prophet optimizado + Block Bootstrap + Baselines estacionales
Recomendaciones Estratégicas
Gestión de Inventario
- Preparación anticipada para Thanksgiving: Stock +40%
- Productos críticos: Deptos 99, 72, 6, 47
- Reducción pre-Christmas: Anticipar caída
- Monitoreo de volatilidad (CV > 100%)
Estrategia Promocional
- Inversión limitada en promociones genéricas
- Focalización en departamentos sensibles
- Timing estratégico con feriados naturales
- A/B testing para validar impacto
Mejoras del Modelo
- Implementar Prophet en producción
- Modelo híbrido para robustez
- Actualización continua cada trimestre
- Segmentación por tipo de producto
Impacto Esperado
- Reducción de quiebres: 30-40%
- Optimización inventario: -15-20% costos
- Mejor planificación de recursos
- Mayor satisfacción del cliente
Stack Tecnológico
Python
3.10+
Prophet
Series Temporales
XGBoost
Gradient Boosting
Pandas
Análisis de Datos
Scikit-learn
Machine Learning
Matplotlib
Visualización
Seaborn
Visualización
Jupyter
Notebooks
Valor del Proyecto
Para el Negocio
Reducción de costos, optimización de inventario, mejor planificación de recursos y satisfacción del cliente.
Para Data Science
Metodología replicable, comparación exhaustiva de modelos, manejo robusto de estacionalidad.
Habilidades Demostradas
EDA profundo, modelado avanzado, optimización de hiperparámetros, ensamble de modelos.