Modelos predictivos para la anticipación de la demanda de cerveza : Comparación de un enfoque general con un enfoque cliente-producto

• Autores: Guglielmi Parra, Félix Alejandro
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: tesis de maestría
• Colaborador/a o director/a de tesis: Hasperué, Waldo
• Materia: Ciencias Informáticas; Modelos Predictivos; Predicción de la Demanda; Aprendizaje Automático; Árboles de Decisión
• Institución: Universidad Nacional de La Plata

En el entorno altamente competitivo del mercado cervecero argentino, la optimización de las estrategias comerciales constituye un factor crítico para el éxito. Este trabajo de investigación aborda la necesidad industrial de anticipar con precisión la demanda de los comercios minoristas, con el objetivo de desarrollar y evaluar modelos predictivos que permitan mejorar la gestión de inventarios y la eficacia de las políticas promocionales. Para ello, se realizó una comparación rigurosa de dos paradigmas de modelado distintos sobre un conjunto de datos transaccionales que abarcaba tres años de operaciones. La metodología se inició con un profundo análisis exploratorio de los datos para comprender patrones de compra, estacionalidad y la dispersión de las cantidades solicitadas, lo que permitió definir una ventana temporal óptima de 14.3 semanas para el análisis. Sobre esta base, se desarrollaron los dos enfoques. El primero, un "Enfoque Cliente-Producto" granular, implicó la creación de características específicas por serie, como la tasa de consumo y el tiempo acumulado desde la última compra, para entrenar modelos individuales de árboles de decisión. El segundo, un "Enfoque General" holístico, construyó un único modelo de Red Neuronal Recurrente (RNN) alimentado con un vector de 65 características por comercio, diseñado para capturar patrones globales del mercado. La contribución central del trabajo es la comparación empírica de estas dos estrategias, que estableció un valioso rendimiento de referencia (baseline) para un problema de alta complejidad. El análisis identificó las fortalezas relativas de cada modelo, destacando la capacidad del enfoque granular para capturar patrones de compra específicos y lograr un mayor recall en la detección de transacciones efectivas. A su vez, el estudio del rendimiento general reveló claras oportunidades para potenciar la precisión predictiva en futuras iteraciones. Un hallazgo de notable relevancia práctica fue la constatación de una superioridad drástica del Enfoque Cliente-Producto en eficiencia y viabilidad operativa (un tiempo de entrenamiento proyectado de 3.44 horas frente a 42.75) en una simulación a escala nacional. Adicionalmente, la investigación identificó un claro camino para la evolución metodológica. Estas oportunidades incluyen la implementación de técnicas avanzadas de preprocesamiento, como la codificación de variables temporales cíclicas (ej. weekOfYear) y la normalización de datos para maximizar la capacidad de aprendizaje de los modelos. Se plantea también la exploración de un enfoque de regresión para la predicción directa de volúmenes, así como la utilización de técnicas de clustering y modelos híbridos para desarrollar soluciones aún más especializadas y robustas. Finalmente, se propone el enriquecimiento del análisis incorporando variables exógenas clave, como datos de promociones y factores económicos, para obtener una visión más holística y precisa de la dinámica del mercado. En conclusión, este trabajo abordó con éxito un relevante problema industrial, proveyendo una comparación metodológica sólida y concluyendo que el enfoque granular y personalizado es la solución más pragmática y escalable en el contexto actual. La investigación no solo ofrece una base funcional para la toma de decisiones, sino que también establece un valioso y claro camino de mejoras y oportunidades para el futuro desarrollo de sistemas de predicción de la demanda en el sector de consumo masivo.
Especialista en Inteligencia de Datos orientada a Big Data
Universidad Nacional de La Plata
Facultad de Informática