WorkSample
Marcela Canales Becerra
2024-03-28
Objetivo
Tenemos un conjunto de datos que recibe consta de 8 semanas de transacciones de ventas en México. De aquí pronosticaremos la semana 9 de algunos productos específicos. Empezamos conociendo las bases de datos, haciendo varios cruces y limpiandolas.
Conociendo las bases de Datos
Entre algunos cambios, agregamos una columna más que nos diera la demanda en $, ya que para algunos clusters que haremos nos basaremos en este nuevo dato, al cual le pondremos el nombre de “Demada_equil”
head(dfcandidate2)## Semana Agencia_ID Canal_ID Ruta_SAK Cliente_ID Producto_ID Venta_uni_hoy
## 1 3 1110 7 3301 15766 1212 3
## 2 3 1110 7 3301 15766 1216 4
## 3 3 1110 7 3301 15766 1238 4
## 4 3 1110 7 3301 15766 1240 4
## 5 3 1110 7 3301 15766 1242 3
## 6 3 1110 7 3301 15766 1250 5
## Venta_hoy Dev_uni_proxima Dev_proxima Demanda_uni_equil Demanda_equil
## 1 25.14 0 0 3 25.14
## 2 33.52 0 0 4 33.52
## 3 39.32 0 0 4 39.32
## 4 33.52 0 0 4 33.52
## 5 22.92 0 0 3 22.92
## 6 38.20 0 0 5 38.20Estado con Mayor Demanda
Dentro de los 3 Estados que tenemos en nuestra base, el que tiene mayor demanda es la Ciudad de México, seguido por el Estado de México
## # A tibble: 3 × 2
## State Sumatoria
## <chr> <dbl>
## 1 CIUDAD DE MÉXICO 309939110.
## 2 ESTADO DE MÉXICO 317443589.
## 3 HIDALGO 14422218.Localidad con Mayor Demanda
En cambio, si analizamos las localidades, la que tenemos en 1er lugar es “2011 AG. SAN ANTONIO”
## # A tibble: 25 × 2
## Town Sumatoria
## <chr> <dbl>
## 1 2011 AG. SAN ANTONIO 93697590.
## 2 2013 AG. MEGA NAUCALPAN 77496782.
## 3 2029 AG.IZTAPALAPA 2 51834568.
## 4 2092 AG. SANTA CLARA AUTOSERVICIOS 39861362.
## 5 2017 AG. SANTA CLARA 26266467.
## 6 2001 AG. ATIZAPAN 25651031.
## 7 2016 AG. SAN LORENZO 25528301.
## 8 2008 AG. LAGO FILT 24601148.
## 9 2094 CHALCO_BM 24470677.
## 10 2019 AG. XALOSTOC 23204135.
## # ℹ 15 more rowsAgencia con Mayor Demanda
La agencia que tiene mayor movimiento es la 1129 que corresponde a San Antonio en México, sin embargo se puede observar que tenemos varias agencias con la misma caracteristíca
## Agencia_ID State Town Sumatoria
## 1 1129 CIUDAD DE MÉXICO 2011 AG. SAN ANTONIO 56705166.0
## 2 1142 ESTADO DE MÉXICO 2013 AG. MEGA NAUCALPAN 53180439.7
## 3 1114 CIUDAD DE MÉXICO 2029 AG.IZTAPALAPA 2 51834568.3
## 4 1168 ESTADO DE MÉXICO 2092 AG. SANTA CLARA AUTOSERVICIOS 39861361.9
## 5 1126 ESTADO DE MÉXICO 2017 AG. SANTA CLARA 26266466.7
## 6 1121 CIUDAD DE MÉXICO 2016 AG. SAN LORENZO 25528301.1
## 7 1123 ESTADO DE MÉXICO 2094 CHALCO_BM 24470676.8
## 8 1122 ESTADO DE MÉXICO 2019 AG. XALOSTOC 23204134.6
## 9 1116 CIUDAD DE MÉXICO 2011 AG. SAN ANTONIO 23096488.0
## 10 1117 ESTADO DE MÉXICO 2001 AG. ATIZAPAN 22833442.8
## 11 1120 CIUDAD DE MÉXICO 2018 AG. TEPALCATES 2 21529883.1
## 12 1118 CIUDAD DE MÉXICO 2007 AG. LA VILLA 20509191.5
## 13 1111 CIUDAD DE MÉXICO 2002 AG. AZCAPOTZALCO 20506803.3
## 14 1119 ESTADO DE MÉXICO 2013 AG. MEGA NAUCALPAN 18661130.6
## 15 1137 ESTADO DE MÉXICO 2014 AG. NEZA 18270111.4
## 16 1138 CIUDAD DE MÉXICO 2015 AG. ROJO GOMEZ 17574162.2
## 17 1130 ESTADO DE MÉXICO 2010 AG. LOS REYES 17533352.1
## 18 1124 CIUDAD DE MÉXICO 2021 AG. XOCHIMILCO 2 17202732.8
## 19 1127 ESTADO DE MÉXICO 2003 AG. COACALCO 15640016.9
## 20 1153 HIDALGO 2087 AG. TIZAYUCA 14422217.8
## 21 1112 ESTADO DE MÉXICO 2004 AG. CUAUTITLAN 14107619.8
## 22 1140 ESTADO DE MÉXICO 2078 AG. TEXCOCO 13044024.8
## 23 1150 CIUDAD DE MÉXICO 2011 AG. SAN ANTONIO 10453818.5
## 24 1113 CIUDAD DE MÉXICO 2008 AG. LAGO FILT 10232435.6
## 25 1110 CIUDAD DE MÉXICO 2008 AG. LAGO FILT 7876956.5
## 26 1167 ESTADO DE MÉXICO 2116 Cruce De Anden Región Mexico 6517468.2
## 27 1152 CIUDAD DE MÉXICO 2008 AG. LAGO FILT 6491756.0
## 28 1160 CIUDAD DE MÉXICO 2089 AG. AZCAPOTZALCO INSTITUCIONALES 5733817.0
## 29 1139 ESTADO DE MÉXICO 2013 AG. MEGA NAUCALPAN 5655212.0
## 30 1143 CIUDAD DE MÉXICO 2088 AG. CEYLAN 5643875.0
## 31 1146 CIUDAD DE MÉXICO 2088 AG. CEYLAN 4666534.7
## 32 1165 ESTADO DE MÉXICO 2010 AG. LOS REYES 4024666.6
## 33 1159 CIUDAD DE MÉXICO 2011 AG. SAN ANTONIO 3442117.9
## 34 1147 ESTADO DE MÉXICO 2003 AG. COACALCO 3124895.1
## 35 1164 ESTADO DE MÉXICO 2048 AG. IXTAPALUCA 1 2859335.1
## 36 1173 ESTADO DE MÉXICO 2004 AG. CUAUTITLAN 2201558.2
## 37 1155 ESTADO DE MÉXICO 2003 AG. COACALCO 1980920.3
## 38 1170 ESTADO DE MÉXICO 2001 AG. ATIZAPAN 1887175.4
## 39 1172 ESTADO DE MÉXICO 2004 AG. CUAUTITLAN 1189167.2
## 40 1171 ESTADO DE MÉXICO 2001 AG. ATIZAPAN 930412.8
## 41 1156 CIUDAD DE MÉXICO 2018 AG. TEPALCATES 2 910502.7Podemos ver que 4 agencias están en Ciudad de México y San Antonio, por lo que puede ser un error de la captura de la base o tienen alguna diferencia que no nos están mencionando.
## Agencia_ID State Town Sumatoria
## 1 1129 CIUDAD DE MÉXICO 2011 AG. SAN ANTONIO 56705166
## 2 1116 CIUDAD DE MÉXICO 2011 AG. SAN ANTONIO 23096488
## 3 1150 CIUDAD DE MÉXICO 2011 AG. SAN ANTONIO 10453818
## 4 1159 CIUDAD DE MÉXICO 2011 AG. SAN ANTONIO 3442118Tomaremos la primer agencia 1129 para ver cual será su cliente y producto principales:
- Cliente
Observamos que el cliente principal de la agencia 1129, es el 22534 con el nombre Mega Comercial Mixcoac
## Cliente_ID NombreCliente Sumatoria
## 1 22534 MEGA COMERCIAL MEXICANA MIXCOAC 1528482
## 2 20577 SAMS CLUB SAN JERONIMO 1444223
## 3 20990 MEGA COMERCIAL MEXICANA PILARES 1430529
## 4 22462 WAL MART PLATEROS 1338370
## 5 17851 WAL MART UNIVERSIDAD 1324882
## 6 20626 WAL MART PERIFERICO SUR 1315959- Producto
Dentro de Mega Comercial Mixcoac, el producto top es el Pan Integral, el cual ha vendido $95,628 pesos en las últimas semanas. Por lo que la demanda de este artículo será la primera que analizaremos.
## Producto_ID NombreProducto Sumatoria
## 1 34786 Pan Integral 680g TNB BIM 34786 95628.40
## 2 35145 Wonder 100pct con Ajonjoli 567g MTA WON 35145 78137.80
## 3 49028 Tortillinas 12p 310g MTA TR 49028 75481.20
## 4 48996 Tortillinas 22p 570g MTA TR 48996 57868.00
## 5 34785 Pan Integral 480g TNB BIM 34785 56033.06
## 6 34865 Pan Blanco 680g TNB BIM 34865 55623.88Serie de Tiempo para Combinación Específica
Ya que seleccionamos el Pan Integral 34786, con la siguiente demanda:
## # A tibble: 6 × 2
## Semana Sumatoria
## <int> <int>
## 1 3 765
## 2 4 598
## 3 5 903
## 4 6 729
## 5 7 569
## 6 8 601Convertiremos los datos en una serie de tiempo y obtenemos la siguiente gráfica:
Observemos que este producto tiene un pico de demanda en la semana 5, por otro lado, la semana más baja es la 7. La tendencia se ve muy clara en las semanas que tenemos a principio del mes.
Descomposición
Si analizamos su descomposición, vemos que la tendencia del producto es negativa, sin embargo, podemos verlo de otra manera, ya que si tuvieramos al menos 2 meses completos de demanda, podríamos comprobar si la tendencia en las siguientes semanas volvería a subir con la hipotesis de que se vende más pan en los primeros periodos del mes.
## Time Series:
## Start = 3
## End = 8
## Frequency = 1
## Data Trend Remainder
## 3 765 767.68 -2.68
## 4 598 738.23 -140.23
## 5 903 708.78 194.22
## 6 729 678.66 50.34
## 7 569 647.20 -78.20
## 8 601 615.74 -14.74
Autocorrelación
Con esta métrica podemos ver que la demanda de las semanas no están
relacionadas entre sí, son independientes.
Forecast de la Semana 9
Seguimos con calcular un forecast de la semana 9 con el método de suavización exponencial, obteniendo un resultado de una demanda de 707.49 piezas de pan
## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## 9 707.4933 535.0519 879.9347 443.7669 971.2197##
## Forecast method: Simple exponential smoothing
##
## Model Information:
## Simple exponential smoothing
##
## Call:
## ses(y = pan_ts, h = 1)
##
## Smoothing parameters:
## alpha = 0.1622
##
## Initial states:
## l = 765
##
## sigma: 134.5567
## Error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -59.10235 134.5567 114.1296 -11.51069 17.60452 0.6809645
## ACF1
## Training set -0.2222391
##
## Forecasts:
## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## 9 707.4933 535.0519 879.9347 443.7669 971.2197
Vemos que dentro de las métricas que miden nuestro prónostico, nos salen valores muy altos, aparte de que nuestros límites son muy distantes, lo cual quiere decir que nuestro forecast es poco confiable, sin embargo, esto también se deriva de la poca información con la que contamos.
Si sacamos el promedio de demanda de los datos historicos
## [1] 694.1667El promedio de nuestra base nos da 694 y el método de suavización de 707, es decir que el forecast nos dice que estará por arriba del promedio y hace lógica con lo que habíamos visto que las primeras semanas del mes tendrán una demanda mayor que las demás.
Clúster que Represente a una Agencia Específica
Seguiremos trabajando con nuestra agencia que nos representa mayores ingresos = 1129 y usaremos los clientes que nos hacen el 80% de nuestra demanda.
## Cliente_ID NombreCliente Sumatoria porcentaje
## 1 22534 MEGA COMERCIAL MEXICANA MIXCOAC 1528481.7 2.6954893
## 2 20577 SAMS CLUB SAN JERONIMO 1444223.2 2.5468989
## 3 20990 MEGA COMERCIAL MEXICANA PILARES 1430528.5 2.5227482
## 4 22462 WAL MART PLATEROS 1338370.0 2.3602259
## 5 17851 WAL MART UNIVERSIDAD 1324882.3 2.3364402
## 6 20626 WAL MART PERIFERICO SUR 1315958.8 2.3207035
## 7 688157 SAMS CLUB UNIVERSIDAD 1301556.6 2.2953051
## 8 1188056 CHEDRAUI UNIVERSIDAD 1301325.2 2.2948971
## 9 20591 MEGA COMERCIAL MEXICANA SAN JERONIMO 1252713.6 2.2091701
## 10 812391 MEGA COMERCIAL MEXICANA COYOACAN 1210736.3 2.1351429
## 11 22861 WAL MART INTERLOMAS 1190244.6 2.0990055
## 12 22555 WAL MART TAXQUEÑA 1164892.3 2.0542966
## 13 22471 COSTCO MIXCOAC 1150379.9 2.0287038
## 14 22537 WAL MART FELIX CUEVAS 1131830.8 1.9959923
## 15 22482 WAL MART CUAJIMALPA 1120260.6 1.9755882
## 16 22552 BODEGA AURRERA CANTIL 1092053.2 1.9258443
## 17 1188057 CHEDRAUI AJUSCO 1024390.1 1.8065199
## 18 22726 COMERCIAL MEXICANA PABELLON BOSQUES 1016535.1 1.7926676
## 19 22456 WAL MART LAS AGUILAS 904670.7 1.5953938
## 20 22477 BODEGA AURRERA SANTA LUCIA 884919.6 1.5605625
## 21 22529 MEGA COMERCIAL MEXICANA OLIVAR DE LOS PADRES 836387.9 1.4749765
## 22 22849 COMERCIAL MEXICANA LOMAS ANAHUAC 823681.9 1.4525695
## 23 4446090 NO IDENTIFICADO 797273.7 1.4059983
## 24 22730 TIENDAS U N A M COYOACAN 783131.6 1.3810587
## 25 22730 TIENDAS U N A M COYOACAN 783131.6 1.3810587
## 26 20611 BODEGA AURRERA INSURGENTES SUR 777749.0 1.3715664
## 27 17871 ISSSTE 250 VERTIZ 758159.1 1.3370195
## 28 22484 SUPERAMA SANTA FE 756378.0 1.3338785
## 29 4667407 NO IDENTIFICADO 753415.5 1.3286541
## 30 22458 BODEGA AURRERA CENTENARIO 741545.4 1.3077210
## 31 1685284 GIGANTE PLAZA DELTA 734889.6 1.2959834
## 32 20640 SUPERAMA FUENTES DEL PEDREGAL 713911.5 1.2589885
## 33 4617344 NO IDENTIFICADO 693201.1 1.2224656
## 34 1685278 GIGANTE TACUBAYA 687185.0 1.2118560
## 35 22857 COSTCO INTERLOMAS 681042.2 1.2010231
## 36 22699 WAL MART COPILCO 673201.8 1.1871966
## 37 22546 COMERCIAL MEXICANA INSURGENTES 640496.3 1.1295202
## 38 22732 SUPERAMA NARVARTE 605935.0 1.0685711
## 39 1188059 CHEDRAUI INTERLOMAS 592453.0 1.0447954
## 40 22474 BODEGA AURRERA OBSERVATORIO 590726.7 1.0417512
## 41 20613 SUPERAMA JARDINES 571582.7 1.0079906
## 42 25298 SAMS CLUB SANTA FE 552400.5 0.9741626
## 43 22472 BODEGA AURRERA SANTA FE 545003.7 0.9611182
## 44 19200 SUPERAMA RIO CHURUBUSCO 515045.0 0.9082859
## 45 22747 SUPERAMA PACHUCA 507990.5 0.8958452
## 46 1685244 GIGANTE DIVISION 497887.0 0.8780277
## 47 22742 SUPERAMA LILAS 466910.2 0.8233998
## 48 1685274 GIGANTE MIXCOAC 463628.6 0.8176127
## 49 2501093 SUPERAMA CALZADA DE LOS LEONES 460184.2 0.8115384
## 50 2494018 SUPERAMA WTC DAKOTA 457272.6 0.8064038
## 51 71089 SUPERAMA VISTA HERMOSA 451737.4 0.7966425
## 52 1942634 CITY MARKET PILARES 442746.4 0.7807867
## 53 22830 BODEGA AURRERA TACUBAYA 440817.5 0.7773850
## 54 20580 BODEGA COMERCIAL MEXICANA TLALPAN 427017.3 0.7530484
## 55 4219399 supercenter insurgentes la joya 412401.3 0.7272729
## suma_acumulada
## 1 2.695489
## 2 5.242388
## 3 7.765136
## 4 10.125362
## 5 12.461803
## 6 14.782506
## 7 17.077811
## 8 19.372708
## 9 21.581878
## 10 23.717021
## 11 25.816027
## 12 27.870323
## 13 29.899027
## 14 31.895020
## 15 33.870608
## 16 35.796452
## 17 37.602972
## 18 39.395639
## 19 40.991033
## 20 42.551596
## 21 44.026572
## 22 45.479142
## 23 46.885140
## 24 48.266199
## 25 49.647257
## 26 51.018824
## 27 52.355843
## 28 53.689722
## 29 55.018376
## 30 56.326097
## 31 57.622080
## 32 58.881069
## 33 60.103534
## 34 61.315390
## 35 62.516413
## 36 63.703610
## 37 64.833130
## 38 65.901701
## 39 66.946497
## 40 67.988248
## 41 68.996239
## 42 69.970401
## 43 70.931519
## 44 71.839805
## 45 72.735650
## 46 73.613678
## 47 74.437078
## 48 75.254691
## 49 76.066229
## 50 76.872633
## 51 77.669275
## 52 78.450062
## 53 79.227447
## 54 79.980495
## 55 80.707768En este caso son 55 clientes los que formaran parte de nuestro clúster a analizar.
Los 3 productos top de este cluster son:
- 34786 = Pan Integral
- 48996=Tortillinas
- 35145=Wonder 100pct
por lo que pronosticaremos la semana 9 de estos 3 artículos.
## `summarise()` has grouped output by 'Producto_ID'. You can override using the
## `.groups` argument.## # A tibble: 6 × 3
## # Groups: Producto_ID [6]
## Producto_ID NombreProducto Sumatoria
## <int> <chr> <dbl>
## 1 34786 Pan Integral 680g TNB BIM 34786 2592533.
## 2 48996 Tortillinas 22p 570g MTA TR 48996 1897520.
## 3 35145 Wonder 100pct con Ajonjoli 567g MTA WON 35145 1871609.
## 4 34865 Pan Blanco 680g TNB BIM 34865 1702195.
## 5 34207 Medias Noches 10p 430g TNB BIM 34207 1538568.
## 6 49028 Tortillinas 12p 310g MTA TR 49028 1512257.34786 = Pan Integral
La demanda es la siguiente:
## # A tibble: 6 × 2
## Semana Sumatoria
## <int> <int>
## 1 3 20274
## 2 4 19347
## 3 5 18435
## 4 6 19198
## 5 7 19436
## 6 8 19637
Y no tiene un comportamiento estable. Según la siguiente gráfica, nos dice que tenemos una tendencia a la baja:
## Time Series:
## Start = 3
## End = 8
## Frequency = 1
## Data Trend Remainder
## 3 20274 19623.86 650.14
## 4 19347 19526.01 -179.01
## 5 18435 19428.16 -993.16
## 6 19198 19392.92 -194.92
## 7 19436 19397.25 38.75
## 8 19637 19401.58 235.42
La demanda de las semanas son independientes entre sí:
- Forecast
El pronóstico nos dice que en la semana 9 tendremos una demanda de 19,637 piezas
## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## 9 19637 18831.51 20442.49 18405.11 20868.89##
## Forecast method: Simple exponential smoothing
##
## Model Information:
## Simple exponential smoothing
##
## Call:
## ses(y = Pan_34786_ts)
##
## Smoothing parameters:
## alpha = 1
##
## Initial states:
## l = 20274
##
## sigma: 628.5283
## Error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -106.1667 628.5283 506.8333 -0.5860117 2.660172 0.8333333
## ACF1
## Training set 0.1210605
##
## Forecasts:
## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## 9 19637 18831.51 20442.49 18405.11 20868.89
## 10 19637 18497.86 20776.14 17894.84 21379.16
## 11 19637 18241.85 21032.15 17503.30 21770.70
## 12 19637 18026.02 21247.98 17173.21 22100.79
## 13 19637 17835.87 21438.13 16882.40 22391.60
## 14 19637 17663.96 21610.04 16619.49 22654.51
## 15 19637 17505.87 21768.13 16377.72 22896.28
## 16 19637 17358.73 21915.27 16152.68 23121.32
## 17 19637 17220.53 22053.47 15941.32 23332.68
## 18 19637 17089.81 22184.19 15741.41 23532.59
Haremos una prueba de los errores:
##
## Ljung-Box test
##
## data: Residuals
## Q* = 2.2015, df = 3, p-value = 0.5317
##
## Model df: 0. Total lags used: 3Los errores tampoco están relacionados entre sí. Por último calculamos el promedio de nuestra demanda:
## [1] 19387.83El promedio de demanda de las últimas semanas es de 19,387 piezas, lo cual es muy cercano al forecast.
48996=Tortillinas
La demanda es la siguiente:
## # A tibble: 6 × 2
## Semana Sumatoria
## <int> <int>
## 1 3 18522
## 2 4 19784
## 3 5 17912
## 4 6 16741
## 5 7 17406
## 6 8 17229
No tiene un comportamiento estable. Según la siguiente gráfica, nos dice que tenemos una tendencia a la baja:
## Time Series:
## Start = 3
## End = 8
## Frequency = 1
## Data Trend Remainder
## 3 18522 19081.04 -559.04
## 4 19784 18627.39 1156.61
## 5 17912 18173.74 -261.74
## 6 16741 17686.38 -945.38
## 7 17406 17222.50 183.50
## 8 17229 16758.62 470.38
La demanda de las semanas son independientes entre sí:
- Forecast
El pronóstico nos dice que en la semana 9 tendremos una demanda de 17,309. piezas
## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## 9 17309.08 15980.59 18637.58 15277.33 19340.84##
## Forecast method: Simple exponential smoothing
##
## Model Information:
## Simple exponential smoothing
##
## Call:
## ses(y = Tortillinas_48996_ts)
##
## Smoothing parameters:
## alpha = 0.5894
##
## Initial states:
## l = 18522
##
## sigma: 1036.629
## Error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -342.9593 1036.629 763.6259 -2.146577 4.272874 0.7418165
## ACF1
## Training set -0.007415622
##
## Forecasts:
## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## 9 17309.08 15980.59 18637.58 15277.33 19340.84
## 10 17309.08 15766.98 18851.19 14950.64 19667.53
## 11 17309.08 15579.55 19038.61 14664.00 19954.17
## 12 17309.08 15410.54 19207.62 14405.52 20212.65
## 13 17309.08 15255.39 19362.77 14168.24 20449.93
## 14 17309.08 15111.17 19507.00 13947.66 20670.50
## 15 17309.08 14975.84 19642.32 13740.70 20877.47
## 16 17309.08 14847.94 19770.22 13545.10 21073.07
## 17 17309.08 14726.37 19891.79 13359.17 21259.00
## 18 17309.08 14610.27 20007.89 13181.61 21436.56
Por último calculamos el promedio de nuestra demanda:
## [1] 17932.33El promedio de demanda de las últimas semanas es de 17,932 piezas, lo cual tiene sentido ya que la tendencia va la baja.
35145=Wonder 100pct
La demanda es la siguiente:
## # A tibble: 6 × 2
## Semana Sumatoria
## <int> <int>
## 1 3 13864
## 2 4 15798
## 3 5 14461
## 4 6 15561
## 5 7 15787
## 6 8 15596
No tiene un comportamiento estable. Según la siguiente gráfica, nos dice que tenemos una tendencia a la alza:
## Time Series:
## Start = 3
## End = 8
## Frequency = 1
## Data Trend Remainder
## 3 13864 14429.04 -565.04
## 4 15798 14731.85 1066.15
## 5 14461 15034.66 -573.66
## 6 15561 15285.18 275.82
## 7 15787 15507.38 279.62
## 8 15596 15729.58 -133.58
La demanda de las semanas son independientes entre sí:
- Forecast
El pronóstico nos dice que en la semana 9 tendremos una demanda de 15,556. piezas
## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## 9 15566.28 14379.39 16753.18 13751.08 17381.49##
## Forecast method: Simple exponential smoothing
##
## Model Information:
## Simple exponential smoothing
##
## Call:
## ses(y = Wonder_35145_ts)
##
## Smoothing parameters:
## alpha = 0.5702
##
## Initial states:
## l = 13864
##
## sigma: 926.14
## Error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 497.5399 926.14 666.1505 3.115619 4.281586 0.6956459 -0.6956961
##
## Forecasts:
## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## 9 15566.28 14379.39 16753.18 13751.08 17381.49
## 10 15566.28 14199.98 16932.59 13476.70 17655.87
## 11 15566.28 14041.53 17091.03 13234.38 17898.19
## 12 15566.28 13898.07 17234.50 13014.97 18117.59
## 13 15566.28 13766.01 17366.56 12813.00 18319.57
## 14 15566.28 13642.99 17489.58 12624.86 18507.71
## 15 15566.28 13527.38 17605.19 12448.05 18684.52
## 16 15566.28 13417.98 17714.59 12280.74 18851.83
## 17 15566.28 13313.89 17818.68 12121.55 19011.02
## 18 15566.28 13214.40 17918.17 11969.39 19163.18
Por último calculamos el promedio de nuestra demanda:
## [1] 15177.83El promedio es de 15,177 piezas, y el forecast es de 15,566 piezas, lo cual tiene sentido ya que la tendencia va la baja.
En general, faltarían más datos para tener una mejor visualización de como es la tendencia de estos productos, si es algo cíclico de cada mes o si efectivamente la demanda de cada semana es independiente.