De ARIMA a TimeGPT: Predicción de demanda en la industria retail de alimentos

Abstract

Esta tesis busca comparar distintos modelos de forecasting (ARIMA, XGBoost, Prophet y TimeGPT) en términos de precisión, interpretabilidad y flexibilidad, con el objetivo de identificar cuál proporciona la mejor combinación de estos factores, generando además ahorro económico para el caso de estudio en cuestión. La investigación está motivada por la importancia de anticipar la demanda en el sector retail de alimentos caracterizada por su volatilidad, para fortalecer y volver más eficiente el proceso de compras a proveedores, mediante optimización de inventarios y reducción de costos operativos. Se trabajará con datos históricos de ventas, inventarios y clientes, realizando un análisis comparativo que incluye el ajuste de modelos, análisis de su desempeño con métricas clave y evaluación de su impacto económico. Además, se aplicarán métodos de simulación para medir su robustez ante cambios abruptos en la demanda y se incluirá un análisis cualitativo mediante entrevistas en el sector. La tesis ofrece una perspectiva integral para la toma de decisiones estratégicas en el ámbito del retail y venta al por mayor, integrando enfoques cuantitativos y cualitativos para optimizar la eficiencia y adaptación al mercado.