02 de febrero de 2026
Ciencia de datos para predicción de venta de neumáticos en el mercado brasileño
Dalton Gonçalves Silva dos Reis; Elisa Morandé Sales
Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.
El objetivo de este trabajo fue desarrollar y validar un modelo predictivo para la venta de neumáticos de pasajeros en Brasil, segmentado entre el mercado de fabricantes de equipos originales (OEM) y el de reposición, con el fin de proporcionar una herramienta estratégica para la planificación de la producción y la gestión de inventarios. La investigación buscó identificar las variables más influyentes en cada segmento y aplicar modelos de series temporales para generar pronósticos asertivos, optimizando recursos y reduciendo costos. La necesidad de dicho modelo surge de la complejidad de la cadena productiva de neumáticos; una previsión de demanda imprecisa puede llevar a desequilibrios como altos costos de almacenamiento por exceso de insumos o interrupciones en la producción por subestimación de la demanda.
La relevancia del estudio se basa en la magnitud del mercado brasileño de neumáticos, que mueve más de 50 millones de unidades anualmente y está influenciado por factores como el desempeño de la industria automotriz e indicadores macroeconómicos. La ciencia de datos es fundamental para transformar datos brutos en conocimiento accionable. Según Grus (2019), el análisis de datos permite extraer patrones ocultos. Este proceso de transformar datos en información y conocimiento constituye lo que Fávero y Belfiore (2024) describen como la jerarquía del conocimiento, un pilar para la toma de decisiones estratégicas y para la consolidación de una ventaja competitiva.
El enfoque se centra en modelos estadísticos robustos e interpretables como SARIMA y SARIMAX. La literatura, como el estudio de Taylor (2015) que utilizó redes neuronales artificiales (ANN) y alcanzó un coeficiente de determinación (R-squared) de 66%, sirve como referencia. Este estudio busca avanzar probando modelos alternativos e incorporando variables exógenas del contexto brasileño para obtener un rendimiento predictivo superior, permitiendo que las empresas de la cadena de suministro ajusten sus planes de producción y optimicen la logística.
La aplicación de técnicas como el análisis de series temporales representa una evolución en la gestión, permitiendo una postura proactiva en lugar de reactiva. VanderPlas (2016) destaca que la Data Science / Ciencia de datos capacita a los profesionales para resolver problemas concretos, como la incertidumbre en la demanda de neumáticos. Al proporcionar un modelo predictivo confiable, el estudio ofrece un subsidio práctico para decisiones más informadas, alineando oferta y demanda. La investigación se justifica por su aplicabilidad directa en la industria, con la expectativa de que los modelos desarrollados generen un impacto medible en la eficiencia operativa y refuercen el valor del análisis de datos como activo estratégico para la competitividad industrial.
La metodología es una investigación cuantitativa y aplicada, fundamentada en el análisis de series temporales con datos públicos y estructurados. La variable objetivo, venta de neumáticos de turismo, se obtuvo de informes mensuales de la Asociación Nacional de la Industria de Neumáticos (ANIP) de enero de 2018 a diciembre de 2024, totalizando 84 observaciones. Este período fue elegido para capturar diferentes ciclos económicos, incluyendo la pandemia de COVID-19. Para enriquecer los modelos, se incorporaron variables exógenas: producción y venta de vehículos (ANFAVEA), indicadores sectoriales de productos de caucho (CNI), importación de neumáticos (ComexStat) e indicadores de coyuntura como el impago del consumidor (Serasa). Según Joseph y Tackes (2024), la incorporación de variables correlacionadas construye modelos más robustos. Las series temporales utilizadas son de naturaleza estocástica, con valores futuros parcialmente aleatorios, pero descriptibles por patrones.
El procesamiento y la modelización se realizaron en Python, utilizando bibliotecas como Pandas y Numpy para la manipulación de datos, y Matplotlib y Seaborn para la visualización. La modelización estadística se implementó con la biblioteca statsmodels. La función seasonaldecompose se utilizó para descomponer las series en tendencia, estacionalidad y residuo (Oliveira et al., 2024). La estacionariedad, requisito previo para los modelos ARIMA, se verificó con la prueba de Dickey-Fuller Aumentada (adfuller), que rechaza la hipótesis nula de no estacionariedad para valores p inferiores a 0,05. Para la selección de los parámetros (p, d, q) y (P, D, Q), se utilizó la función autoarima del paquete pmdarima, que selecciona la configuración que minimiza el Criterio de Información de Akaike (AIC), una métrica que equilibra el ajuste y la parsimonia (Hyndman y Athanasopoulos, 2021). Los modelos centrales fueron el SARIMA y el SARIMAX, que extiende el SARIMA al incluir variables exógenas. El rendimiento se evaluó mediante el Error Porcentual Absoluto Medio (MAPE), calculado con la función del paquete sklearn. La serie de 84 observaciones se dividió en un conjunto de entrenamiento con 72 observaciones (enero de 2018 a diciembre de 2023) y uno de prueba con 12 observaciones (enero a diciembre de 2024).
El análisis del segmento de ventas para fabricantes de equipos originales (OEM) reveló una caída abrupta en 2020 debido a la pandemia y un fuerte componente de estacionalidad anual. La prueba de Dickey-Fuller Aumentada confirmó la estacionariedad de la serie (valor p = 0,000896), no necesitando diferenciación (d=0). La herramienta auto_arima sugirió un modelo SARIMA(2, 0, 0)(0, 1, 1), que, tras entrenamiento y validación, resultó en un MAPE de 8,74%, equivalente a una asertividad del 91,26%.
Para mejorar el modelo, se investigó la correlación con la producción de vehículos de pasajeros, que resultó fuerte y positiva (0,9). La inclusión de esta variable exógena en el modelo, transformándolo en un SARIMAX, mantuvo el mismo orden de parámetros ARIMA(2, 0, 0)(0, 1, 1). Al entrenar y validar el nuevo modelo, el MAPE obtenido fue del 7,92%, mejorando la asertividad al 92,08%. Esta reducción en el error confirma el valor predictivo de la variable. La comparación de las predicciones para los primeros cuatro meses de 2025 con datos reales mostró la superioridad del SARIMAX, con una diferencia acumulada de 210.139 unidades frente a 218.523 del modelo SARIMA.
El análisis se replicó para el mercado de repuestos. La serie temporal también resultó estacionaria. El auto_arima identificó el modelo SARIMA(1, 0, 0)(1, 1, 1) como el más adecuado, que tras entrenamiento y validación presentó un MAPE de 12,38% (asertividad del 87,62%). El error superior al del mercado de fabricantes de equipos originales es esperado, ya que el mercado de repuestos está influenciado por una gama mayor de factores aleatorios ligados a la decisión del consumidor final, como señala Morettin (2018).
Para el modelo SARIMAX del mercado de repuestos, el análisis de correlación reveló una correlación negativa moderada (-0,5) entre las ventas de neumáticos y el índice de morosidad de Serasa. La lógica es que un aumento en el endeudamiento lleva a posponer gastos como el cambio de neumáticos. Al incorporar el índice de morosidad como variable exógena, se entrenó y validó el modelo SARIMAX, con el mismo orden ARIMA(1, 0, 0)(1, 1, 1). El resultado fue una mejora significativa en el rendimiento, con el MAPE cayendo al 9,71% (asertividad del 90,29%). La previsión para los primeros cuatro meses de 2025 con este modelo también resultó ser más precisa, con una diferencia acumulada de 475.660 unidades en relación con la real, frente a 687.898 del modelo SARIMA.
Los resultados para el mercado de fabricantes de automóviles indicaron que el modelo con dos variables (Venta Neumáticos, Prod. Vehículos nuevos) presentó el menor AIC y el menor MAPE (7,92%), siendo la opción más eficiente. La adición de una tercera variable (Índice Industria IBGE) no trajo mejoras, sugiriendo redundancia de la información. Para el mercado de reposición, el modelo con dos variables (Venta Neumáticos, Índice Morosidad) obtuvo el menor MAPE (9,71%), confirmándose como la mejor elección. Aunque su AIC fue ligeramente superior al del modelo univariado, la mejora sustancial en el MAPE justificó la elección del SARIMAX. El intento de añadir una tercera variable (Actividad del Comercio de Vehículos) resultó en un empeoramiento del MAPE a 14,33%, validando que no toda variable correlacionada contribuye positivamente a la predicción, un principio en la selección de features discutido por Nielsen (2021).
Los resultados demuestran que la aplicación del modelo SARIMAX es altamente eficaz para la predicción de venta de neumáticos en Brasil. Para el mercado de fabricantes de automóviles, la inclusión de la producción de vehículos fue crucial para alcanzar una asertividad superior al 92%. Para el mercado de reposición, la incorporación del índice de morosidad del consumidor permitió elevar la asertividad a más del 90%. La discusión de los resultados refuerza la distinción entre los dos mercados. El segmento de fabricantes de automóviles opera de forma más determinista, con una relación directa con la producción de vehículos. En contrapartida, el mercado de reposición es más estocástico, sujeto a las fluctuaciones de la confianza del consumidor y de la salud económica. La investigación valida la hipótesis de que modelos personalizados para cada segmento, utilizando variables exógenas apropiadas, superan a los modelos univariados. La asertividad alcanzada, en ambos casos superior al 90%, representa un avance en relación a benchmarks anteriores, como el estudio de Taylor (2015), y ofrece una herramienta de gran valor práctico.
El estudio demostró con éxito la viabilidad y la eficacia de la aplicación de modelos de series temporales SARIMA y SARIMAX para la predicción de ventas de neumáticos de turismo en el mercado brasileño. Los modelos desarrollados alcanzaron índices de asertividad superiores al 90% para ambos segmentos analizados, validándolos como herramientas robustas para el soporte a la planificación de producción y gestión de inventarios. La investigación identificó que la incorporación de variables exógenas específicas para cada mercado, como la producción de vehículos para el segmento de ensambladoras y el índice de morosidad para el de reposición, fue fundamental para mejorar la exactitud de las predicciones. Las implicaciones prácticas de estos resultados son directas, ofreciendo a las industrias un método cuantitativo para anticipar la demanda y optimizar la asignación de recursos.
A pesar de los resultados positivos, el estudio tiene limitaciones. La principal reside en el horizonte de previsión; los modelos son más adecuados para previsiones a corto plazo, idealmente de tres a cuatro meses, ya que la incertidumbre de las variables aumenta en horizontes más largos. Se recomienda una aplicación continua, con reajustes mensuales. Como sugerencia para trabajos futuros, la exploración de modelos de machine learning y redes neuronales como LSTM o GRU podría aportar mejoras. Además, la expansión del análisis para incluir otras categorías de neumáticos, como los de camiones y autobuses, representaría un próximo paso lógico. Se concluye que se alcanzó el objetivo: se demostró que es posible crear modelos predictivos de alto rendimiento para la venta de neumáticos en Brasil utilizando datos públicos y técnicas estadísticas consolidadas, generando conocimiento aplicable para la toma de decisiones estratégicas en el sector industrial.
Referencias:
Asociación de Fabricantes de Vehículos Automotores [ANFAVEA]. 2025. Informes de ventas de automóviles. Disponible en: https://anfavea. com. br/site/edicoes-em-excel/ . Acceso en: 01 Jul. 2025.
Asociación Nacional de la Industria de Neumáticos [ANIP]. 2025. Informes de ventas de neumáticos. Disponible en: https://www. anip. org. br/anip-em-numeros/publicacoes/ . Acceso en: 01 Jul. 2025.
Comex Stat. 2025. Estadísticas de importación de neumáticos, caucho natural y tela de neumáticos. Disponible en: https://www. gov. br/mdic/pt-br/assuntos/comercio-exterior/estatisticas/base-de-dados-bruta. Acceso en: 01 Jul. 2025.
Confederación Nacional de la Industria [CNI]. 2025. Indicadores. Disponible en: https://indicadores. sistemaindustria. com. br/indicadores/externo/estatisticaAcessoSistemaExterno. faces . Acceso en: 01 Jul. 2025.
Fávero, Luis Paulo; Belfiore, Patrícia. 2024. Manual de Análisis de Datos: estadística y machine learning con Excel®, SPSS®, R® y Python®. 2ed. LTC, Río de Janeiro, Brasil.
Grus, Joel. 2019. Data Science from Scratch. 2ed. O’Reilly, Sebastopol, EUA.
Hyndman, R. J., Athanasopoulos, G. 2021. Forecasting: principles and practice. 3rd edition. OTexts, Melbourne, Australia. Disponible en: < https://otexts. com/fpppg/arima-estima%C3%A7%C3%A3o. html >. Acceso en: 01 Jul 2025.
Joseph, Manu; Tackes, Jeffrey. 2024. Modern Time Series Forecasting with Python. 2ed. Packt, Birmingham, Reino Unido.
Morettin, Pedro A. 2018. Análisis de Series Temporales. 1ed. Editora Blusher, São Paulo, Brasil.
Nielsen, Aileen. 2021. Análisis Práctico de Series Temporales: predicción con estadística y aprendizaje automático. 1ed. Alta Books, Río de Janeiro, Brasil.
Oliveira et al. 2024. Introducción a las series temporales: un enfoque práctico en Python. 1ed. Editora Mackenzie, São Paulo, Brasil.
Serasa. 2025. Indicadores de morosidad. Disponible en: <https://www. serasaexperian. com. br/conteudos/indicadores-economicos/ >. Acceso en: 05 Jul 2025.
Taylor, Brent S. 2015. Utilizing ANNs to Improve the Forecast for Tire Demand. In partial fulfillment of the requirements for the degree Master of Science. Russ College of Engineering and Technology of Ohio University, Ohio University, Ohio, USA.
VanderPlas, Jake. 2016. Python Data Science Handbook. Essential Tools for Working with Data. 1 ed. O’Reilly, Sebastopol, EUA.
Resumen ejecutivo del Trabajo de Conclusión de Curso de Especialización en Data Science y Analytics del MBA USP/Esalq
Más información sobre el curso; haga clic aquí: