Un enfoque de aprendizaje automático para predicción de demanda de productos sin historial de ventas

Abstract

Uno de los pilares de una gestión de inventario eficiente es el equilibrio entre mantener un nivel de stock adecuado para satisfacer la demanda y evitar costos operativos excesivos. Gracias al análisis de datos, que ha crecido en las últimas décadas, se pueden agilizar los procesos de gestión en la industria logística. Al analizar grandes volúmenes de datos, las empresas logísticas pueden optimizar la gestión de inventarios y reducir costos de transporte. A pesar de estos avances, aún persisten desafíos en la toma de decisiones basada en datos. Un ejemplo es el marketplace más grande de América Latina, que no solo ofrece una plataforma de comercio electrónico, sino que también proporciona una variedad de servicios logísticos a sus vendedores. Uno de estos servicios, conocido como fulfillment, permite que el marketplace almacene los productos de los vendedores en sus propios almacenes y se encargue del empaquetado y envío cuando se realiza una compra. El núcleo del problema radica en la capacidad de pronosticar la demanda con precisión para determinar cuánto inventario debe almacenar cada usuario para cada producto, considerando la limitación de espacio disponible. Para abordar esta cuestión, la empresa ha empleado algoritmos de aprendizaje automático que analizan las ventas de los últimos noventa días de cada producto y estiman la demanda proyectada para las próximas semanas. Ahora bien, ¿qué ocurre con los productos nuevos que no tienen historial de ventas pasadas? En estos casos, la empresa ha establecido un límite máximo de 20 unidades que cada vendedor puede almacenar de un producto en particular, tanto en México como en Brasil. Este umbral es definido arbitrariamente y no considera ningún atributo del producto ni su naturaleza intrínseca. En el presente trabajo se argumenta que, utilizando técnicas de aprendizaje automático con el historial de productos de características similares, se puede optimizar esta decisión. Para lograrlo, se ha enfocado en la vertical de electrónica de consumo, específicamente en el segmento de celulares y computadoras, que representa el 35% de la facturación mensual del servicio de fulfillment. La meta consiste en determinar si el umbral de 20 unidades es el más adecuado o si, por el contrario, se subestima o sobrestima la demanda potencial. Con este fin, se aplicaron modelos de machine learning para predecir la demanda de productos nuevos, considerando atributos inherentes y patrones de otros productos similares. Utilizando técnicas de aprendizaje supervisado y diversos algoritmos, los resultados han sido prometedores. Un modelo destacó con un F1-score de 0.92 en datos de prueba, sugiriendo que ajustar el límite de unidades almacenadas podría reducir costos y aumentar ganancias, con una potencial disminución de hasta el 10% en el número de unidades almacenadas en los centros de distribución del marketplace. Este enfoque ofrece una solución más dinámica y basada en datos que la actual regla fija, mejorando la eficiencia en la gestión de inventarios y contribuyendo significativamente a la rentabilidad del marketplace.