02 de febrero de 2026
Comparación de modelos de predicción de demanda para el comercio minorista de productos electrónicos
Carlos Eduardo Amorim de Oliveira; Elisa Morandé Sales
Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.
Este trabajo desarrolla y evalúa modelos de pronóstico de demanda basados en series temporales para la categoría de informática en una empresa minorista, comparando enfoques estadísticos con énfasis en la precisión y aplicabilidad para la gestión de inventario. El pronóstico de demanda es fundamental en la gestión de la cadena de suministro, especialmente en sectores volátiles como el de la electrónica de consumo. La categoría de informática, con artículos como portátiles y componentes, presenta desafíos singulares: fuerte estacionalidad (Black Friday, vuelta a clases), rápida obsolescencia tecnológica y el impacto de campañas promocionales que generan fluctuaciones abruptas en el consumo.
La ausencia de un sistema de previsión robusto acarrea consecuencias financieras y operativas. La sobreestimación de la demanda conduce al exceso de inventario, inmovilizando capital y aumentando los costos de almacenamiento y el riesgo de obsolescencia. La subestimación resulta en roturas de stock (stockouts), que comprometen los ingresos y la lealtad del cliente. En este contexto, la aplicación de modelos estadísticos para analizar datos históricos de ventas es una solución estratégica para mitigar riesgos. La capacidad de transformar datos en inteligencia predictiva es un diferencial competitivo (Fawcett & Provost, 2013).
Los modelos de series temporales son herramientas consolidadas para el análisis de datos secuenciales, partiendo de la premisa de que los patrones pasados contienen información sobre el comportamiento futuro (Morettin & Toloi, 2006). Técnicas como Holt-Winters y ARIMA (Promedio Móvil Autorregresivo Integrado) descomponen una serie en tendencia, estacionalidad y ruido para proyectar valores futuros. La ventaja de estos enfoques es la capacidad de generar predicciones precisas basándose únicamente en el historial de la variable de interés, lo que es útil cuando los datos externos son escasos (Nielsen, 2020).
La aplicación de estos modelos en el comercio minorista de informática permite cuantificar patrones de consumo, ofreciendo una base para decisiones de compra y asignación de inventario. El análisis sistemático de datos históricos posibilita la construcción de modelos con mayor poder predictivo y fomenta una cultura orientada a datos. Al ajustar los modelos para reflejar los ciclos de ventas específicos de la categoría, es posible anticipar picos y valles de demanda, permitiendo una planificación más eficaz de campañas y gestión de capital de trabajo.
El desarrollo de un modelo eficaz requiere un proceso metodológico que se inicia con un análisis exploratorio de los datos, incluyendo la inspección de gráficos, la verificación de supuestos como la estacionariedad y la descomposición de la serie para entender su estructura (Hamilton, 1994). La elección de métricas de evaluación alineadas a los objetivos de negocio también es un paso crítico. Este estudio, por lo tanto, busca construir un framework analítico que pueda ser comprendido, validado y replicado para otras categorías de productos de la empresa.
La metodología adopta un enfoque cuantitativo, alineado con los principios de la ciencia de datos aplicados a problemas de negocio (Fawcett & Provost, 2013). La base de datos utilizada consiste en el historial de ventas mensuales de la línea de Informática, cubriendo 30 meses, de enero de 2023 a junio de 2025. Los datos fueron agregados mensualmente usando la biblioteca Pandas en Python (McKinney, 2018). Para asegurar la integridad de la serie, los meses sin ventas fueron rellenados con el valor cero, reflejando la ausencia de demanda.
Antes del modelado, se realizó un análisis exploratorio. Cada serie temporal se descompuso en sus tres componentes: Tendencia, Estacionalidad y Residuos (Morettin & Toloi, 2006). Luego, para evaluar la idoneidad de los modelos ARIMA, se aplicó la Prueba de Dickey-Fuller Aumentada (ADF) para verificar la estacionariedad de la serie, un requisito previo para muchos modelos estocásticos (Fávero et al., 2014; Hamilton, 1994). Una serie no es estacionaria cuando sus propiedades estadísticas, como la media y la varianza, cambian con el tiempo.
Se implementaron cuatro modelos con diferentes niveles de complejidad, una práctica recomendada para evitar complejidad innecesaria (Nielsen, 2020). El Naive Estacional (SNAIVE) se utilizó como punto de referencia, prediciendo que el valor futuro será igual al del mismo período de la estación anterior. El Suavizado Exponencial Simple (SEX) se aplicó como modelo base. El Método Aditivo de Holt-Winters fue elegido por su capacidad para modelar nivel, tendencia y estacionalidad. Finalmente, se empleó el enfoque Auto-ARIMA, utilizando el algoritmo auto_arima para encontrar la combinación de parámetros (p,d,q)(P,D,Q) que minimiza el Criterio de Información de Akaike (AIC), garantizando un modelo parsimonioso.
Para la validación, la serie se dividió en un conjunto de entrenamiento (enero de 2023 a diciembre de 2024) y uno de prueba (enero de 2025 a junio de 2025). Los modelos se entrenaron en el primer período para predecir los seis meses del período de prueba. El rendimiento se evaluó comparando las predicciones con los valores reales, utilizando el Error Cuadrático Medio (RMSE) y el Error Porcentual Absoluto Medio (MAPE). Se priorizó el RMSE por ser más robusto y penalizar más severamente los errores grandes, siendo menos sensible a valores de demanda cercanos a cero. El MAPE puede presentar valores inflados en series con baja demanda, un fenómeno común en el comercio minorista (Makridakis et al., 1998).
La aplicación de la metodología reveló una heterogeneidad significativa en el comportamiento de las familias de productos. La Prueba de Estacionariedad ADF mostró que, de las siete familias analizadas, solo dos (“CORE I5” y “CORE I7”) eran estacionarias (valor p ≤ 0.05), mientras que las cinco restantes (“ACCESORIOS”, “NOTEBOOK GAMER”, “MONITOR”, “CORE I3” e “IMPRESORAS”) eran no estacionarias. Este resultado validó la necesidad de modelos como Auto-ARIMA y Holt-Winters, capaces de lidiar con la no estacionariedad (Hamilton, 1994). La descomposición de la serie agregada confirmó la presencia de una tendencia de crecimiento y una fuerte estacionalidad anual.
La evaluación cuantitativa del rendimiento de los modelos mostró que ninguno destacó como universalmente superior. La métrica MAPE demostró ser inestable, superando el 100% para familias como “IMPRESORAS” y “NOTEBOOK GAMER”. Este comportamiento ocurre cuando el error absoluto medio es mayor que el valor real medio, un artefacto común en series de bajo volumen que hace del MAPE un indicador poco fiable. La distribución del RMSE, en contrapartida, fue más estable, reforzando la decisión de priorizarlo como principal métrica de evaluación (Nielsen, 2020).
El análisis de la descomposición de cada serie, cruzado con los resultados de RMSE, reveló el principal hallazgo del estudio: el mejor modelo de predicción está directamente correlacionado con el patrón de demanda de la serie, un pilar de la ciencia de datos aplicada a los negocios (Fawcett & Provost, 2013). Emergieron tres patrones. El primero fue el de series dominadas por una fuerte tendencia de crecimiento, como la familia “CORE I5”. Para esta, el modelo Auto-ARIMA presentó el menor RMSE (895.6), ya que su estructura captura y proyecta trayectorias de crecimiento de manera robusta.
El segundo patrón fue el de series dominadas por una fuerte estacionalidad, con una tendencia menos definida, como la familia “NOTEBOOK GAMER”. La descomposición mostró picos de ventas claros y recurrentes. En este escenario, el modelo Naive Estacional (SNAIVE), a pesar de su simplicidad, tuvo el mejor desempeño, con un RMSE de 584.1. La premisa del SNAIVE de que el patrón del año anterior se repetirá se alineó a la naturaleza cíclica de la demanda, superando modelos más complejos. Esto evidencia que la adecuación al patrón de los datos, y no la complejidad del modelo, es el factor determinante.
El tercer segmento de productos fue el de demanda intermitente o esporádica. La familia “IMPRESORAS” fue el principal ejemplo, con una serie temporal caracterizada por ventas muy bajas, muchos períodos con valor cero y ausencia de patrón claro de tendencia o estacionalidad. Como consecuencia, ninguno de los modelos tradicionales logró generar predicciones precisas. El mejor resultado, obtenido por Suavización Exponencial Simple, aún presentó un MAPE de 344.7% y un RMSE de 272.3. Este resultado no es una falla en la modelización, sino un descubrimiento analítico crucial: las técnicas clásicas de series temporales son ineficaces para datos de demanda intermitente.
El descubrimiento de que diferentes patrones de demanda requieren diferentes enfoques de modelado tiene implicaciones estratégicas. En lugar de buscar un modelo único para toda la cartera, el análisis apunta a la necesidad de una estrategia de pronóstico segmentada. El valor de negocio reside en la capacidad de asignar recursos de modelado de manera inteligente: aplicar modelos simples como SNAIVE para productos estacionales; concentrar modelos complejos como Auto-ARIMA en productos estratégicos con fuerte tendencia; y reconocer los productos de demanda intermitente, que deben gestionarse con otras políticas de inventario, como puntos de reabastecimiento.
Los resultados corroboran parcialmente estudios como el de Simanungkalit (2024), que destacan la eficacia de modelos ARIMA para series con tendencia. Sin embargo, este trabajo avanza al proponer una estrategia segmentada basada en un diagnóstico previo del patrón de la serie. Además, evidencia la limitación de los modelos tradicionales en escenarios de demanda intermitente, abriendo camino para la exploración de modelos más adecuados para este tipo de dato, como el método de Croston, o la incorporación de variables exógenas.
Este trabajo demostró que la etapa de diagnóstico y análisis exploratorio de los datos es tan o más importante que la modelización predictiva. La descomposición de las series temporales fue la herramienta que reveló la heterogeneidad de la cartera, mostrando que se divide en segmentos con patrones de demanda distintos: dominados por tendencia, por estacionalidad e intermitentes. Este descubrimiento explica por qué ningún modelo único presentó el mejor rendimiento en todos los escenarios. La principal contribución del estudio no es la identificación de un algoritmo superior, sino la proposición de un proceso analítico en dos fases —diagnosticar el patrón de la serie y luego seleccionar el modelo adecuado— como el enfoque más robusto para la previsión de demanda en el comercio minorista. La implementación de este marco permite a la empresa optimizar recursos, aplicando modelos simples donde son eficaces, complejos donde son necesarios, y reconociendo los casos en que la previsión tradicional es inadecuada. Se concluye que el objetivo fue alcanzado: se demostró que el enfoque más eficaz para la previsión de demanda en la categoría de informática es una estrategia segmentada, en la cual la elección del modelo predictivo está condicionada por el patrón de demanda específico de cada familia de productos, superando la búsqueda de un modelo único y universal.
Referencias:
Favero, L. P.; Belfiore, P.; Silva, F. L.; Chan, B. L. 2014. Manual de Análisis de Datos. 1ed. Elsevier, Rio de Janeiro, RJ, Brasil.
Fawcett, T.; Provost, F. 2013. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O’Reilly Media, Sebastopol, CA, USA.
Hamilton, J. D. 1994. Time Series Analysis. 1ed. Princeton University Press, Princeton, NJ, USA.
Lazzeri, F. 2020. Machine Learning for Time Series Forecasting with Python. 1ed. Wiley, Hoboken, NJ, USA.
Makridakis, S.; Wheelwright, S. C.; Hyndman, R. J. 1998. Forecasting: Methods and Applications. 3ed. John Wiley & Sons, New York, NY, USA.
Mckinney, W. 2018. Python para Análisis de Datos: tratamiento de datos con Pandas, NumPy e IPython. 2ed. Novatec Editora, São Paulo, SP, Brasil.
Morettin, P. A.; Toloi, C. M. C. 2006. Análisis de Series Temporales. 2ed. Edgard Blücher, São Paulo, SP, Brasil.
Nielsen, A. 2020. Análisis Práctico de Series Temporales: Predicción con Estadística y Aprendizaje de Máquina. 1ed. O’Reilly Media, Sebastopol, CA, USA.
Simanungkalit, E. 2024. Evaluation of ARIMA model performance in projecting future sales: case study on electronic products. Journal of Intelligent Decision Support System 7(4): 309-317.
Singer, C. D. P.; Motta, J. 2020. Análisis de datos categorizados. 1ed. Edgard Blücher, São Paulo, SP, Brasil.
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: