Resumen:
This project addresses the problem of inventory planning in a food manufacturing company through short-term demand forecasting. The objective was to develop a system capable of estimating product sales for the next fifteen days to optimize inventory levels and improve operational efficiency. The proposal is justified by the need to reduce storage costs, prevent stockouts, and strengthen data-driven decision-making.
Historical sales data from 2024 were used, including information on quantities sold, prices, dates, and product characteristics. The data underwent cleaning, integration, and feature-enrichment processes, after which three predictive models were trained: Exponential Moving Average, Multilayer Perceptron, and Random Forest. The experiments followed a supervised learning methodology and used error metrics such as MAE and RMSE.
The results showed that the Random Forest model achieved the best performance across all product segments. Therefore, it constitutes the proposed solution for the forecasting system. It is concluded that this approach improves inventory planning and provides a reliable tool for decision support.
Keywords: Demand forecasting, Random Forest, inventory, data analysis, predictive models.
Descripción:
El presente proyecto aborda el problema de la planificación de inventario en una fábrica de alimentos mediante la predicción de la demanda a corto plazo. El objetivo fue desarrollar un sistema capaz de estimar las ventas de los siguientes quince días para cada producto, con el fin de optimizar los niveles de inventario y mejorar la eficiencia operativa. La propuesta se justifica por la necesidad de reducir costos de almacenamiento, evitar quiebres de stock y fortalecer la toma de decisiones basada en datos.
Para el desarrollo del modelo se utilizaron datos históricos de ventas del año 2024, que incluyeron información de volúmenes vendidos, precios, fechas y características de los productos. Se aplicaron procesos de limpieza, integración y enriquecimiento de datos, y posteriormente se entrenaron tres modelos de predicción: Exponential Moving Average, Multilayer Perceptron y Random Forest. Los experimentos se ejecutaron siguiendo una metodología supervisada y utilizando métricas de error como MAE y RMSE.
Los resultados mostraron que el modelo Random Forest obtuvo el mejor desempeño en todos los segmentos de productos. Por lo tanto, constituye la solución propuesta para el sistema de pronóstico. Se concluye que esta aproximación permite mejorar la planificación de inventario y constituye una herramienta sólida para el soporte de decisiones.
