Resumen
La gestión de compras e inventarios en el retail de muebles enfrenta demanda variable, estacionalidad y riesgo de exceso o falta de stock. Este estudio desarrolla un modelo predictivo de ventas basado en aprendizaje automático para apoyar la toma de decisiones en una empresa del sector. Se analizaron registros históricos de ventas entre enero de 2019 y febrero de 2025, enriquecidos con variables rezagadas, medias móviles, calendario y feriados. El proceso siguió el marco CRISP-DM y combinó evaluación cuantitativa de modelos con entrevistas semiestructuradas a profesionales de planificación de demanda.
La evaluación mediante validación temporal deslizante comparó modelos de regresión, suavizamiento, medias móviles, LightGBM y LSTM. En los resultados reportados, LightGBM obtuvo el menor RMSE y MAE, un MAPE de 24,49 % y un R² de 0,7955. El trabajo concluye que la combinación de datos históricos, variables contextuales y juicio experto puede mejorar la planificación, aunque el modelo requiere validación operativa y evolución antes de un uso productivo.
Palabras clave: pronóstico de ventas · inteligencia artificial · machine learning · compras · inventarios · retail
1. Introducción
La disponibilidad correcta de productos depende de anticipar una demanda que cambia con el tiempo, las temporadas y el comportamiento del mercado.
En una empresa de retail de muebles, una decisión de compra basada únicamente en promedios históricos o experiencia individual puede producir dos efectos opuestos: acumular productos que no rotan o quedarse sin artículos demandados. Ambos escenarios afectan el capital inmovilizado, el servicio al cliente y la capacidad de respuesta del negocio.
La inteligencia artificial aplicada al pronóstico de demanda ofrece una vía para identificar relaciones que no son evidentes mediante revisión manual. Sin embargo, un modelo no resuelve por sí solo el problema de inventario: necesita datos confiables, una segmentación compatible con la operación, validación temporal y colaboración entre las áreas técnicas, comerciales y de compras.
Con ese enfoque, la investigación plantea la siguiente pregunta: ¿en qué medida un modelo de machine learning construido a partir del comportamiento histórico de las ventas puede mejorar la toma de decisiones en compras e inventarios?
2. Objetivo del estudio
Desarrollar y evaluar un modelo predictivo de ventas basado en machine learning para anticipar la variabilidad de la demanda y apoyar la eficiencia operativa de las decisiones de compras e inventario.
- Analizar la variabilidad histórica de la demanda.
- Identificar patrones de venta por clasificación de producto y almacén.
- Comparar modelos predictivos adecuados para datos tabulares y temporales.
- Evaluar el desempeño del modelo con métricas cuantitativas y juicio experto.
3. Método
Diseño y datos
Se desarrolló un estudio de caso aplicado con enfoque mixto. La dimensión cuantitativa utilizó registros históricos de ventas extraídos del sistema empresarial y organizados por clasificación de producto y almacén. La dimensión cualitativa incorporó entrevistas semiestructuradas a tres profesionales vinculados con planificación de demanda y gestión de producto en retail.
La investigación no realizó predicciones a nivel de artículo individual. La segmentación por clasificación y almacén respondió a la disponibilidad de historial y a la necesidad de evitar series demasiado fragmentadas para el entorno analizado.
Proceso analítico
El desarrollo siguió CRISP-DM: comprensión del negocio, comprensión de los datos, preparación, modelado, evaluación y recomendaciones para un despliegue futuro. La preparación incluyó limpieza, tratamiento de valores nulos, detección de valores atípicos y construcción de variables temporales.
Entre las variables con mayor influencia reportadas se encuentran los rezagos de 15 y 365 días, las medias móviles de 30 días, el mes, el día de la semana, los feriados y la clasificación del producto. Estas variables permitieron representar memoria de corto y largo plazo, tendencia reciente y estacionalidad.
Modelos y evaluación
Se compararon regresión lineal, SGDRegressor, LightGBM, suavizamiento exponencial, media móvil y LSTM, además de variantes de regresión consideradas durante la experimentación. La validación utilizó ventanas temporales deslizantes para respetar el orden cronológico y reducir el riesgo de filtración de información entre entrenamiento y evaluación.
El desempeño se midió con RMSE, MAE, MAPE, R² y RMSLE. Cada métrica aporta una lectura distinta: magnitud del error, sensibilidad a errores grandes, error relativo, variabilidad explicada y error en escala logarítmica.
4. Resultados
La siguiente tabla reproduce los resultados de validación reportados en el trabajo de titulación. LightGBM presentó el mejor comportamiento comparativo en las métricas principales del estudio.
| Modelo | RMSE | MAE | MAPE | R² | RMSLE |
|---|---|---|---|---|---|
| LightGBM | 1,71 | 1,72 | 24,49 % | 0,7955 | 0,3048 |
| SGDRegressor | 3,06 | 2,79 | 32,17 % | 0,6561 | 0,5973 |
| Regresión lineal | 3,92 | 3,65 | 41,88 % | 0,5012 | 0,7094 |
| Suavizamiento exponencial | 2,98 | 2,65 | 30,74 % | 0,6720 | 0,5611 |
| Media móvil | 3,45 | 3,21 | 36,90 % | 0,5387 | 0,6432 |
| LSTM | 2,84 | 2,49 | 28,56 % | 0,6854 | 0,4795 |
Fuente: resultados reportados en el trabajo de titulación. Las cifras corresponden a la configuración experimental documentada y no deben interpretarse como garantía de desempeño en otro negocio o periodo.
Implicación operativa estimada
El estudio también comparó el tiempo del análisis manual con el tiempo de ejecución del modelo. El proceso tradicional requería entre 8 y 16 horas quincenales, mientras que el procesamiento predictivo se completaba en pocos minutos en el entorno experimental. La tesis estima una reducción superior al 95 % del tiempo operativo y hasta 32 horas liberadas al mes.
Lectura responsable del resultado: la reducción de tiempo y el costo mensual estimado de aproximadamente USD 260 representan una justificación operativa construida a partir del proceso descrito. No son ahorros auditados después de un despliegue productivo.
5. Discusión
El mejor desempeño comparativo de LightGBM es coherente con su capacidad para modelar relaciones no lineales en datos tabulares y con el uso de variables rezagadas y contextuales. En este caso, el modelo no fue evaluado únicamente por su complejidad: también se consideraron tiempo de entrenamiento, disponibilidad de recursos y posibilidad de utilizarlo en una infraestructura limitada.
Las entrevistas reforzaron una conclusión práctica: la adopción de machine learning depende tanto de la calidad de los datos como de la coordinación entre producto, compras, operaciones y ciencia de datos. Los especialistas señalaron como barreras la integración con sistemas heredados, la disponibilidad de variables relevantes, la resistencia al cambio y la necesidad de talento que comprenda simultáneamente el negocio y la tecnología.
Por tanto, el resultado principal no es que un algoritmo sustituya el criterio del equipo. Es que un pronóstico reproducible puede reducir trabajo manual, hacer visibles los supuestos y ofrecer una base común para discutir compras, inventario y excepciones.
6. Limitaciones
- El modelo no fue desplegado en producción ni integrado en una aplicación operativa.
- La predicción se realizó por clasificación y almacén, no por producto individual.
- El conjunto de variables se basó principalmente en datos históricos y de calendario; no incorporó de forma completa factores como clima, competencia, campañas o indicadores macroeconómicos.
- La experimentación se ejecutó localmente con recursos computacionales limitados y en un periodo de estudio acotado.
- Las entrevistas aportan contexto especializado, pero no constituyen una muestra probabilística del sector retail.
7. Conclusiones y trabajo futuro
La investigación muestra que un flujo de datos histórico, enriquecido con variables temporales y evaluado mediante validación cronológica, puede servir como base para apoyar las decisiones de compras e inventarios. En el escenario estudiado, LightGBM presentó el mejor desempeño comparativo y una relación favorable entre precisión y costo computacional.
El paso siguiente no debe ser asumir que el modelo está terminado, sino probarlo con datos posteriores, monitorear el error, medir quiebres y exceso de stock, y conectar sus pronósticos con el proceso real de compras. También se propone ampliar el nivel de detalle a productos, incorporar variables exógenas, comparar modelos de aprendizaje profundo bajo condiciones equivalentes y construir una interfaz web con alertas y simulación de escenarios.
La principal aportación del trabajo es articular una solución técnicamente viable con una lectura operativa del problema: el pronóstico tiene valor cuando mejora una decisión concreta y puede ser comprendido, validado y mantenido por las personas que lo utilizan.
Referencias
- Bustos Wong, C. J. (2025). Optimización de compras e inventarios mediante el pronóstico de ventas a través de modelos predictivos basados en inteligencia artificial. Trabajo de titulación, Universidad de Guayaquil. Registro institucional ↗
- Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. SPSS Inc.
- Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A highly efficient gradient boosting decision tree. Advances in Neural Information Processing Systems, 30. Publicación ↗
- Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688. DOI ↗
- Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? Geoscientific Model Development, 7(3), 1247–1250. DOI ↗