Modelos predictivos del nivel de demanda en la industria láctea: un abordaje para reducir los costos asociados a la gestión de devoluciones y evitar quiebres de góndola

Abstract

El problema en torno a la predicción de la demanda resulta fundamental en la industria láctea debido principalmente a las características propias de sus productos como la fecha corta de vencimiento, la imposibilidad de stockearlos y la alta rotación de los mismos. No contar con niveles de inventarios adecuados en las tiendas se traduce en quiebres de góndola o devoluciones – ambos con sus costos financieros y logísticos aparejados. El objetivo del presente trabajo fue entonces modelar, a través de diferentes técnicas de aprendizaje supervisado, la demanda en tres cadenas de supermercados. Para ello, se utilizaron datos de sell in, sell out y variables que ofrecían información característica de los productos y las tiendas. Los resultados encontrados en las tres cadenas fueron muy similares. El modelo con el que se alcanzó la mejor performance predictiva sobre un conjunto de validación fue el XGBoost en los tres casos. Dentro de los outputs encontrados más destacables de los modelos se encuentra la importante influencia que ejercen las variables históricas en la demanda ya que, tanto los precios como las demandas de las semanas anteriores resultaron ser de las variables más significativas a la hora de predecir la variable objetivo. Este fenómeno contribuye a dar mayor visibilidad y tomar decisiones en torno a los niveles de inventarios que deberían tener las tiendas de cara a la implementación de acciones comerciales, aumentos de precio o lanzamientos de nuevos productos – entre otros - para evitar quiebres de góndola, así como también, excesos de inventario que se traduzcan luego en devoluciones.