Pronóstico de ventas a través de una aplicación web aplicando machine learning y variables exógenas
...
Ferro Rugeles, Rubén Darío | 2023
Actualmente, el entorno empresarial y organizacional, se enfrenta a una problemática generalizada que trasciende sectores: la gestión ineficiente de los pronósticos de ventas y su falta de implementación. La realización de las predicciones de ventas, dentro de las organizaciones, se realiza de manera manual y utilizando métodos obsoletos, lo cual consume recursos valiosos, tanto en tiempo como en dinero, con consecuencias económicas bastante graves. Se habla de cifras impactantes, cuyos valores oscilan entre 568 millones de pesos a nivel de una sola organización. Estas pérdidas, representan desafíos reales para las empresas, ya que estos recursos podrían destinarse a la expansión, innovación e inversión en otros aspectos cruciales del negocio aumentando su crecimiento. En este contexto, la precisión en las proyecciones de ventas es vital, ya que cualquier margen de error puede tener un impacto significativo en los resultados financieros. En un mundo empresarial altamente competitivo, la capacidad de identificar patrones y relaciones entre indicadores y ventas es un activo invaluable. La implementación de soluciones de pronóstico de ventas precisas y eficientes no solo permite recuperar pérdidas, sino que también impulsa el crecimiento sostenible y la toma de decisiones informadas, lo que convierte esta área en una prioridad en cualquier organización que busque el éxito en el mercado global. Con base en las razones y el contexto expuesto anteriormente, este proyecto de grado tiene como objetivo desarrollar una solución, que incluya un modelo de predicción de ventas, el cual emplee técnicas de machine learning previamente seleccionados e investigadas, para la predicción de ventas, incorporando diferentes variables exógenas que impactan significativamente en el mercado. Para los modelos seleccionados, se incluirán variables relevantes tanto del entorno empresarial como del contexto externo. La solución se visualizará a través de una aplicación web, desarrollada para el trabajo de grado. El ambiente de desarrollo será Google Colab y se utilizará una aplicación web desarrollada en Angular como plataforma de visualización de la data. Inicialmente, se extraerán indicadores macroeconómicos del mercado mundial de la página del Banco Mundial, posteriormente se realizara un análisis exploratorio de los datos y se decidirá que variables tanto internas como externas serán de importancia para la realización del modelo. A continuación, se realizará la evaluación de diferentes modelos de machine learning aplicados a Series Temporales. En este contexto, se evaluará el modelo con los datos de las ventas de una compañía del sector de tecnología. El modelo deberá aprender de las múltiples variables y pronosticar las ventas. Por último, se realizará la visualización de los datos a través de una aplicación web, donde se mostrará la precisión de predicción del modelo, la data histórica, data pronosticada y las variables de alto impacto en el modelo.
LEER