Autores:

Ochoa Alejos, Matías (Ing. Industrial)
Quispe Arias, Edgard Antonio (Ing. Sistemas)
Tapia Álvarez, Fernando Jesús (Ing. Electrónico)
Cassano Vilca, Carlos Alfredo (Ing. Sistemas)
Cuchuirumi Merma, Ana Rocío (Lic. Administración)

Resumen:
El crecimiento del sector construcción ha incrementado la complejidad de la gestión de inventario en ferreterías y comercializadoras de equipos, cuyos catálogos multicategoría vuelven insuficiente la reposición basada en juicio empírico. Este trabajo desarrolla un sistema de predicción mensual de demanda mediante machine learning para un catálogo de 200 productos en 11 categorías, a partir de tres años de registros diarios de venta.

La metodología incluye análisis exploratorio de datos, tratamiento diferenciado de valores atípicos, ingeniería de características temporales y externas, y determinación empírica de la ventana óptima de media móvil mediante evaluación sistemática de periodos de dos a seis meses. Se entrenaron y compararon tres modelos supervisados (Regresión Lineal, Random Forest y XGBoost) bajo un esquema de partición temporal, alcanzando un error porcentual absoluto medio de 4.17% con el mejor modelo, frente a 5.60% del modelo base de persistencia, lo que representa una reducción relativa de 21.4%. La variable de media móvil concentró el 99.0% de la importancia predictiva, lo que evidencia que la demanda está dominada por su propia inercia reciente. Un análisis de sensibilidad confirmó que la granularidad mensual minimiza el error de pronóstico frente a la agregación semanal.

Los resultados respaldan la viabilidad de una gestión de inventario predictiva en catálogos de escala media a bajo costo computacional.

Impacto:
El trabajo demuestra que modelos de aprendizaje automático de bajo costo computacional, incluso la Regresión Lineal, pueden igualar o superar a modelos de ensamble más complejos cuando la señal predictiva está dominada por el historial reciente. El enfoque de consolidación de datos, tratamiento de outliers, selección empírica de ventana de historial y evaluación desagregada por producto es replicable en operaciones comerciales similares, y facilita la transición de una gestión de inventario reactiva a una predictiva.

Palabras clave:
Demand Forecasting, Machine Learning, Gestión de Inventario, Random Forest, Media Móvil, Series Temporales, Retail Multicategoría