Estimación de demanda de tickets en el contexto gastronómico mediante aprendizaje automático

Abstract

La gran competencia existente en el mercado de comida rápida obliga a los actores a ser cada día más eficientes en su operación para poder minimizar los costos y elevar la experiencia del cliente al máximo posible. Una gran ventaja competitiva a la hora de ser eficiente es contar con una predicción de la demanda eficaz. La estimación de demanda es comúnmente utilizada por múltiples áreas de la compañía para llevar adelante su operación. Equipos como marketing, operaciones, recursos humanos y varios más, utilizan este estimador a diario, como un componente central a la hora de plantear la estrategia a seguir. En la presente tesis, se trabaja sobre un local ubicado en Brasil, perteneciente a una de las cadenas de comidas rápidas más grande del mundo y se busca superar el predictor de demanda actual, mediante la utilización de modelos de aprendizaje automático. A partir del análisis comparativo realizado, fue posible determinar que es posible mejorar la calidad de las predicciones realizadas por el predictor de demanda actual, a través de el uso de modelos de aprendizaje automático como LightGBM o Gated Recurrent Unit, reduciendo tanto el error de las estimaciones como el tiempo necesario para realizar las mismas.