Deep learning para predicción de demanda retail a gran escala: un modelo inteligente por producto para la totalidad de sus tiendas

Abstract

La predicción de demanda en la industria del retail representa un desafío clave, especialmente en contextos de alta granularidad donde miles de combinaciones producto-tienda deben ser gestionadas simultáneamente. La precisión del pronóstico y la escalabilidad de los sistemas se vuelven factores críticos para garantizar una planificación eficiente del inventario y evitar quiebres de stock o excesos de mercadería. Esta tesis presenta una metodología de modelado basada en deep learning, diseñada específicamente para abordar este escenario. La propuesta consiste en entrenar un único modelo por producto, utilizando de forma simultánea las series temporales de todas sus tiendas. Esta estrategia permite capturar patrones generales de comportamiento a nivel de producto, mejorar la calidad de las predicciones y reducir de forma considerable los tiempos de entrenamiento, evitando el enfoque tradicional de construir un modelo por cada combinación producto-tienda. La solución fue validada mediante el desarrollo y evaluación de distintos modelos de deep learning bajo esta arquitectura, utilizando datos reales del entorno retail. Su desempeño se comparó frente a un sistema basado en promedios móviles y al algoritmo XGBoost, uno de los más utilizados en la industria. Los resultados posicionan al modelo Simple FeedForward como la alternativa más precisa y eficiente en términos de predicción de demanda, consolidándose como una solución robusta y escalable para sistemas de predicción masiva en entornos productivos. Por último, el modelo fue aplicado a una simulación de planificación de inventario, donde esa mayor precisión se tradujo directamente en un beneficio económico significativo. Estos resultados destacan la importancia de incorporar este tipo de modelos en los sistemas de reposición de mercadería, especialmente en contextos de alta escala como los que enfrenta la industria del retail.