Predicción de la Demanda mediante Modelos Estadísticos y de Machine Learning: Un Estudio Aplicado en la Industria del Vidrio

Abstract

La predicción precisa de la demanda constituye un elemento estratégico para optimizar la planificación operativa y la asignación eficiente de recurs os en entornos industriales. Este trabajo desarrolla un análisis comparativo de distintos enfoques de pronóstico aplicados a datos reales de ventas de una empresa líder en la industria del vidrio. Se implementaron modelos estadísticos tradicionales (ARIMA) y técnicas avanzadas de machine learning (Random Forest, XGBoost, Prophet y redes neuronales LSTM), evaluados en dos niveles de agregación: SKU–mes y demanda total mensual. La metodología de evaluación combinó métricas absolutas y relativas (RMSE, WAPE, R²), respetando la estructura temporal de los datos para preservar la validez predictiva. Los resultados evidencian una marcada superioridad de los modelos basados en machine learning, destacándose XGBoost con errores ponderados inferiores al 3% y niveles de ajuste superiores al 95% en predicción agregada. El estudio resalta además la importancia de contar con predicciones desagregadas por producto, no solo para maximizar el nivel de servicio y minimizar inventarios, sino también para mejorar la flexibilidad operativa ante variaciones en la demanda. Finalmente, se discuten las implicancias prácticas de los hallazgos y se proponen líneas de investigación futuras para continuar fortaleciendo las capacidades predictivas en contextos industriales dinámicos.