EVIDENCIA NOVEM
Equipo 4
2024-03-04
1 Librerias
# LibrerĆas necesarias
library(tidyverse)## Warning: package 'lubridate' was built under R version 4.4.3## āā Attaching core tidyverse packages āāāāāāāāāāāāāāāāāāāāāāāā tidyverse 2.0.0 āā
## ā dplyr 1.1.4 ā readr 2.1.5
## ā forcats 1.0.0 ā stringr 1.5.1
## ā ggplot2 3.5.1 ā tibble 3.2.1
## ā lubridate 1.9.4 ā tidyr 1.3.1
## ā purrr 1.0.4
## āā Conflicts āāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāāā tidyverse_conflicts() āā
## ā dplyr::filter() masks stats::filter()
## ā dplyr::lag() masks stats::lag()
## ā¹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(readxl)
library(purrr)
library(knitr)
#install.packages("kableExtra")
library(kableExtra)## Warning: package 'kableExtra' was built under R version 4.4.3##
## Adjuntando el paquete: 'kableExtra'
##
## The following object is masked from 'package:dplyr':
##
## group_rowslibrary(ggplot2)
#install.packages("igraph")
library(igraph)## Warning: package 'igraph' was built under R version 4.4.3##
## Adjuntando el paquete: 'igraph'
##
## The following objects are masked from 'package:lubridate':
##
## %--%, union
##
## The following objects are masked from 'package:dplyr':
##
## as_data_frame, groups, union
##
## The following objects are masked from 'package:purrr':
##
## compose, simplify
##
## The following object is masked from 'package:tidyr':
##
## crossing
##
## The following object is masked from 'package:tibble':
##
## as_data_frame
##
## The following objects are masked from 'package:stats':
##
## decompose, spectrum
##
## The following object is masked from 'package:base':
##
## union#install.packages("forecast")
#install.packages("lubridate")
library(forecast)## Warning: package 'forecast' was built under R version 4.4.3## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoolibrary(lubridate)
library(corrplot)## corrplot 0.95 loadedlibrary(RColorBrewer)
#install.packages("ggcorrplot")
library(ggcorrplot)## Warning: package 'ggcorrplot' was built under R version 4.4.3library(caret)## Cargando paquete requerido: lattice
##
## Adjuntando el paquete: 'caret'
##
## The following object is masked from 'package:purrr':
##
## liftlibrary(car)## Cargando paquete requerido: carData
##
## Adjuntando el paquete: 'car'
##
## The following object is masked from 'package:dplyr':
##
## recode
##
## The following object is masked from 'package:purrr':
##
## somelibrary(randomForest)## randomForest 4.7-1.2
## Type rfNews() to see new features/changes/bug fixes.
##
## Adjuntando el paquete: 'randomForest'
##
## The following object is masked from 'package:dplyr':
##
## combine
##
## The following object is masked from 'package:ggplot2':
##
## margin#install.packages("xgboost")
library(xgboost)## Warning: package 'xgboost' was built under R version 4.4.3##
## Adjuntando el paquete: 'xgboost'
##
## The following object is masked from 'package:dplyr':
##
## slice#install.packages("patchwork")
library(patchwork)## Warning: package 'patchwork' was built under R version 4.4.32 Carga de datos
# Cargar archivo Excel desde ruta local
ruta <- "C:\\Users\\almai\\Downloads\\filtered_data.xlsx"
datos <- read_excel(ruta)
# Vista genera
head(datos)## # A tibble: 6 Ć 25
## Trx_Num Trx_Fecha Origen Sucursal Num_Cliente ID_Inventario Cant
## <dbl> <dttm> <chr> <chr> <dbl> <dbl> <dbl>
## 1 46453 2023-02-09 00:00:00 FACTURASā¦ ACA 1049 155001 2
## 2 46455 2023-02-09 00:00:00 FACTURASā¦ ACA 7455 155001 40
## 3 46476 2023-02-16 00:00:00 FACTURASā¦ ACA 4981 155001 30
## 4 46480 2023-02-16 00:00:00 FACTURASā¦ ACA 7455 155001 60
## 5 46501 2023-02-20 00:00:00 FACTURASā¦ ACA 2925 155001 5
## 6 46528 2023-02-25 00:00:00 FACTURASā¦ ACA 1049 155001 2
## # ā¹ 18 more variables: Linea <chr>, Especifico <chr>, Canal_Venta <chr>,
## # Tipo_Precio <dbl>, Tipo_Modificador <chr>, Venta <dbl>, Costo_Venta <dbl>,
## # Costo_Devolucion <dbl>, Ajus_Sistema <dbl>, Precio_Lista_Unitario <dbl>,
## # Precio_Final_Unitario <dbl>, Semana <dbl>, Mes <dbl>, Ciudad <chr>,
## # Zona <chr>, Devoluciones <dbl>, Diferencia_Precio <dbl>,
## # Descuento_Porcentaje <dbl>str(datos)## tibble [32,244 Ć 25] (S3: tbl_df/tbl/data.frame)
## $ Trx_Num : num [1:32244] 46453 46455 46476 46480 46501 ...
## $ Trx_Fecha : POSIXct[1:32244], format: "2023-02-09" "2023-02-09" ...
## $ Origen : chr [1:32244] "FACTURAS IMPORTADAS" "FACTURAS IMPORTADAS" "FACTURAS IMPORTADAS" "FACTURAS IMPORTADAS" ...
## $ Sucursal : chr [1:32244] "ACA" "ACA" "ACA" "ACA" ...
## $ Num_Cliente : num [1:32244] 1049 7455 4981 7455 2925 ...
## $ ID_Inventario : num [1:32244] 155001 155001 155001 155001 155001 ...
## $ Cant : num [1:32244] 2 40 30 60 5 2 1 4 1 1 ...
## $ Linea : chr [1:32244] "PQU" "PQU" "PQU" "PQU" ...
## $ Especifico : chr [1:32244] "TCG" "TCG" "TCG" "TCG" ...
## $ Canal_Venta : chr [1:32244] "Sucursal" "Sucursal" "Sucursal" "Sucursal" ...
## $ Tipo_Precio : num [1:32244] 1 1 1 1 1 1 1 1 1 1 ...
## $ Tipo_Modificador : chr [1:32244] "CARTA DESCUENTO" "CARTA DESCUENTO" "CARTA DESCUENTO" "CARTA DESCUENTO" ...
## $ Venta : num [1:32244] 1187 21280 15960 31920 2968 ...
## $ Costo_Venta : num [1:32244] 1194 23874 17906 35811 2570 ...
## $ Costo_Devolucion : num [1:32244] 0 0 0 0 0 0 0 0 0 0 ...
## $ Ajus_Sistema : num [1:32244] -2515 -2515 -2515 -2515 -2515 ...
## $ Precio_Lista_Unitario: num [1:32244] 4192 4192 4192 4192 4192 ...
## $ Precio_Final_Unitario: num [1:32244] 594 532 532 532 594 ...
## $ Semana : num [1:32244] 6 6 7 7 8 8 5 5 5 5 ...
## $ Mes : num [1:32244] 2 2 2 2 2 2 2 2 2 2 ...
## $ Ciudad : chr [1:32244] "Acapulco" "Acapulco" "Acapulco" "Acapulco" ...
## $ Zona : chr [1:32244] "Sur" "Sur" "Sur" "Sur" ...
## $ Devoluciones : num [1:32244] 0 0 0 0 0 0 0 0 0 0 ...
## $ Diferencia_Precio : num [1:32244] 3598 3660 3660 3660 3598 ...
## $ Descuento_Porcentaje : num [1:32244] 85.8 87.3 87.3 87.3 85.8 ...# Obtener los 5 productos mƔs vendidos (por valor)
top_ids <- datos %>%
group_by(ID_Inventario) %>%
summarise(Ventas_Totales = sum(Venta, na.rm = TRUE)) %>%
arrange(desc(Ventas_Totales)) %>%
slice_head(n = 5) %>%
pull(ID_Inventario)
print("Top 5 productos mƔs vendidos (ID_Inventario):")## [1] "Top 5 productos mƔs vendidos (ID_Inventario):"print(top_ids)## [1] 155001 3929788 3904152 155002 3678055# Filtrar datos vƔlidos
datos_filtrados <- datos %>%
filter(ID_Inventario %in% top_ids) %>%
filter(!is.na(Precio_Final_Unitario))
# Contar observaciones por producto
conteo <- datos_filtrados %>%
count(ID_Inventario, sort = TRUE)
print("NĆŗmero de registros por producto en datos_filtrados:")## [1] "NĆŗmero de registros por producto en datos_filtrados:"print(conteo)## # A tibble: 5 Ć 2
## ID_Inventario n
## <dbl> <int>
## 1 3929788 13717
## 2 155001 8559
## 3 155002 5752
## 4 3904152 2556
## 5 3678055 1660# Verifica si hay suficientes datos
if (nrow(datos_filtrados) == 0) {
stop("No hay datos suficientes luego de filtrar por top_ids y precios vƔlidos.")
}# Combinaciones de pares
productos <- unique(datos_filtrados$ID_Inventario)
pares_productos <- combn(productos, 2, simplify = FALSE)
# Inicializar resultados
resultados_ks <- map_df(pares_productos, function(par) {
prod1 <- par[1]
prod2 <- par[2]
precios1 <- datos_filtrados %>%
filter(ID_Inventario == prod1) %>%
pull(Precio_Final_Unitario)
precios2 <- datos_filtrados %>%
filter(ID_Inventario == prod2) %>%
pull(Precio_Final_Unitario)
print(paste("Comparando productos", prod1, "vs", prod2))
print(paste("Cantidad de precios:", length(precios1), "y", length(precios2)))
if (length(precios1) >= 5 & length(precios2) >= 5) {
prueba <- suppressWarnings(ks.test(precios1, precios2))
data.frame(
Producto_1 = prod1,
Producto_2 = prod2,
D = round(prueba$statistic, 4),
p_value = round(prueba$p.value, 4),
Conclusion = ifelse(prueba$p.value > 0.05, "Distribuciones similares", "Distribuciones diferentes")
)
} else {
data.frame(
Producto_1 = prod1,
Producto_2 = prod2,
D = NA,
p_value = NA,
Conclusion = "Datos insuficientes"
)
}
})## [1] "Comparando productos 155001 vs 3929788"
## [1] "Cantidad de precios: 8559 y 13717"
## [1] "Comparando productos 155001 vs 155002"
## [1] "Cantidad de precios: 8559 y 5752"
## [1] "Comparando productos 155001 vs 3904152"
## [1] "Cantidad de precios: 8559 y 2556"
## [1] "Comparando productos 155001 vs 3678055"
## [1] "Cantidad de precios: 8559 y 1660"
## [1] "Comparando productos 3929788 vs 155002"
## [1] "Cantidad de precios: 13717 y 5752"
## [1] "Comparando productos 3929788 vs 3904152"
## [1] "Cantidad de precios: 13717 y 2556"
## [1] "Comparando productos 3929788 vs 3678055"
## [1] "Cantidad de precios: 13717 y 1660"
## [1] "Comparando productos 155002 vs 3904152"
## [1] "Cantidad de precios: 5752 y 2556"
## [1] "Comparando productos 155002 vs 3678055"
## [1] "Cantidad de precios: 5752 y 1660"
## [1] "Comparando productos 3904152 vs 3678055"
## [1] "Cantidad de precios: 2556 y 1660"print("Resultados de la prueba KS:")## [1] "Resultados de la prueba KS:"print(resultados_ks)## Producto_1 Producto_2 D p_value Conclusion
## D...1 155001 3929788 1.000 0 Distribuciones diferentes
## D...2 155001 155002 0.043 0 Distribuciones diferentes
## D...3 155001 3904152 1.000 0 Distribuciones diferentes
## D...4 155001 3678055 1.000 0 Distribuciones diferentes
## D...5 3929788 155002 1.000 0 Distribuciones diferentes
## D...6 3929788 3904152 1.000 0 Distribuciones diferentes
## D...7 3929788 3678055 1.000 0 Distribuciones diferentes
## D...8 155002 3904152 1.000 0 Distribuciones diferentes
## D...9 155002 3678055 1.000 0 Distribuciones diferentes
## D...10 3904152 3678055 1.000 0 Distribuciones diferentes# Filtrar los productos
df_155001 <- datos_filtrados %>%
filter(ID_Inventario == 155001) %>%
select(Precio_Final_Unitario) %>%
mutate(Producto = "155001")
df_155002 <- datos_filtrados %>%
filter(ID_Inventario == 155002) %>%
select(Precio_Final_Unitario) %>%
mutate(Producto = "155002")
# Unir en un solo dataframe
df_ecdf <- bind_rows(df_155001, df_155002)
# Graficar ECDF
ggplot(df_ecdf, aes(x = Precio_Final_Unitario, color = Producto)) +
stat_ecdf(geom = "step", size = 1) +
labs(title = "ECDF de Precio Final Unitario: Productos 155001 vs 155002",
x = "Precio Final Unitario",
y = "FunciĆ³n de DistribuciĆ³n Acumulada (ECDF)",
color = "Producto") +
theme_minimal(base_size = 14)## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ā¹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
3 ARMA
4 PREDICCIONES DE VENTAS
4.1 PRODUCTO 155001
# Producto 155001
id_prod <- 155001
# Crear la serie de tiempo mensual
ventas_mensuales <- datos_filtrados %>%
filter(ID_Inventario == id_prod) %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month"))) %>%
group_by(Fecha) %>%
summarise(Venta = sum(Venta, na.rm = TRUE)) %>%
arrange(Fecha)
serie_ts <- ts(ventas_mensuales$Venta, frequency = 12,
start = c(year(min(ventas_mensuales$Fecha)),
month(min(ventas_mensuales$Fecha))))
# Modelo ARMA
modelo_arma <- auto.arima(serie_ts, seasonal = FALSE, stepwise = FALSE, approximation = FALSE)
forecast_modelo <- forecast(modelo_arma, h = 3)
# GrĆ”fico del pronĆ³stico
autoplot(forecast_modelo) +
labs(title = paste("PronĆ³stico mensual de ventas - ARMA (Producto", id_prod, ")"),
x = "Mes", y = "Ventas ($)") +
theme_minimal()
# Calcular mƩtricas
fitted_values <- fitted(modelo_arma)
mape <- mean(abs((serie_ts - fitted_values) / pmax(serie_ts, 0.01))) * 100
rmse <- sqrt(mean((serie_ts - fitted_values)^2))
# Crear tabla de mƩtricas
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = id_prod,
Modelo = "ARMA",
MAPE = mape,
RMSE = rmse
))
# Mostrar tabla para este producto
tail(metricas_comparativas, 1) %>%
knitr::kable(caption = paste("MĆ©tricas del modelo ARMA para Producto", id_prod)) %>%
kableExtra::kable_styling(full_width = FALSE)| Producto | Modelo | MAPE | RMSE |
|---|---|---|---|
| 155001 | ARMA | 17.68164 | 224023.2 |
4.2 PRODUCTO 3929788
# Producto 3929788
id_prod <- 3929788
# Crear la serie de tiempo mensual
ventas_mensuales <- datos_filtrados %>%
filter(ID_Inventario == id_prod) %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month"))) %>%
group_by(Fecha) %>%
summarise(Venta = sum(Venta, na.rm = TRUE)) %>%
arrange(Fecha)
serie_ts <- ts(ventas_mensuales$Venta, frequency = 12,
start = c(year(min(ventas_mensuales$Fecha)),
month(min(ventas_mensuales$Fecha))))
# Modelo ARMA
modelo_arma <- auto.arima(serie_ts, seasonal = FALSE, stepwise = FALSE, approximation = FALSE)
forecast_modelo <- forecast(modelo_arma, h = 3)
# GrĆ”fico del pronĆ³stico
autoplot(forecast_modelo) +
labs(title = paste("PronĆ³stico mensual de ventas - ARMA (Producto", id_prod, ")"),
x = "Mes", y = "Ventas ($)") +
theme_minimal()
# Calcular mƩtricas
fitted_values <- fitted(modelo_arma)
mape <- mean(abs((serie_ts - fitted_values) / pmax(serie_ts, 0.01))) * 100
mse <- mean((serie_ts - fitted_values)^2)
# Crear tabla de mƩtricas
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = id_prod,
Modelo = "ARMA",
MAPE = mape,
RMSE = rmse
))
# Mostrar tabla para este producto
tail(metricas_comparativas, 1) %>%
knitr::kable(caption = paste("MĆ©tricas del modelo ARMA para Producto", id_prod)) %>%
kableExtra::kable_styling(full_width = FALSE)| Producto | Modelo | MAPE | RMSE | |
|---|---|---|---|---|
| 2 | 3929788 | ARMA | 12.83705 | 224023.2 |
4.3 PRODUCTO 3904152
# Producto 3904152
id_prod <- 3904152
# Crear la serie de tiempo mensual
ventas_mensuales <- datos_filtrados %>%
filter(ID_Inventario == id_prod) %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month"))) %>%
group_by(Fecha) %>%
summarise(Venta = sum(Venta, na.rm = TRUE)) %>%
arrange(Fecha)
serie_ts <- ts(ventas_mensuales$Venta, frequency = 12,
start = c(year(min(ventas_mensuales$Fecha)),
month(min(ventas_mensuales$Fecha))))
# Modelo ARMA
modelo_arma <- auto.arima(serie_ts, seasonal = FALSE, stepwise = FALSE, approximation = FALSE)
forecast_modelo <- forecast(modelo_arma, h = 3)
# GrĆ”fico del pronĆ³stico
autoplot(forecast_modelo) +
labs(title = paste("PronĆ³stico mensual de ventas - ARMA (Producto", id_prod, ")"),
x = "Mes", y = "Ventas ($)") +
theme_minimal()
# Calcular mƩtricas
fitted_values <- fitted(modelo_arma)
mape <- mean(abs((serie_ts - fitted_values) / pmax(serie_ts, 0.01))) * 100
rmse <- sqrt(mean((serie_ts - fitted_values)^2))
# Crear tabla de mƩtricas
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = id_prod,
Modelo = "ARMA",
MAPE = mape,
RMSE = rmse
))
# Mostrar tabla para este producto
tail(metricas_comparativas, 1) %>%
knitr::kable(caption = paste("MĆ©tricas del modelo ARMA para Producto", id_prod)) %>%
kableExtra::kable_styling(full_width = FALSE)| Producto | Modelo | MAPE | RMSE | |
|---|---|---|---|---|
| 3 | 3904152 | ARMA | 15.35679 | 156981.2 |
4.4 PRODUCTO 155002
# Producto 155002
id_prod <- 155002
# Crear la serie de tiempo mensual
ventas_mensuales <- datos_filtrados %>%
filter(ID_Inventario == id_prod) %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month"))) %>%
group_by(Fecha) %>%
summarise(Venta = sum(Venta, na.rm = TRUE)) %>%
arrange(Fecha)
serie_ts <- ts(ventas_mensuales$Venta, frequency = 12,
start = c(year(min(ventas_mensuales$Fecha)),
month(min(ventas_mensuales$Fecha))))
# Modelo ARMA
modelo_arma <- auto.arima(serie_ts, seasonal = FALSE, stepwise = FALSE, approximation = FALSE)
forecast_modelo <- forecast(modelo_arma, h = 3)
# GrĆ”fico del pronĆ³stico
autoplot(forecast_modelo) +
labs(title = paste("PronĆ³stico mensual de ventas - ARMA (Producto", id_prod, ")"),
x = "Mes", y = "Ventas ($)") +
theme_minimal()
# Calcular mƩtricas
fitted_values <- fitted(modelo_arma)
mape <- mean(abs((serie_ts - fitted_values) / pmax(serie_ts, 0.01))) * 100
rmse <- sqrt(mean((serie_ts - fitted_values)^2))
# Crear tabla de mƩtricas
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = id_prod,
Modelo = "ARMA",
MAPE = mape,
RMSE = rmse
))
# Mostrar tabla para este producto
tail(metricas_comparativas, 1) %>%
knitr::kable(caption = paste("MĆ©tricas del modelo ARMA para Producto", id_prod)) %>%
kableExtra::kable_styling(full_width = FALSE)| Producto | Modelo | MAPE | RMSE | |
|---|---|---|---|---|
| 4 | 155002 | ARMA | 25.83303 | 192121.8 |
4.5 PRODUCTO 3678055
# Producto 3678055
id_prod <- 3678055
# Crear la serie de tiempo mensual
ventas_mensuales <- datos_filtrados %>%
filter(ID_Inventario == id_prod) %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month"))) %>%
group_by(Fecha) %>%
summarise(Venta = sum(Venta, na.rm = TRUE)) %>%
arrange(Fecha)
serie_ts <- ts(ventas_mensuales$Venta, frequency = 12,
start = c(year(min(ventas_mensuales$Fecha)),
month(min(ventas_mensuales$Fecha))))
# Modelo ARMA
modelo_arma <- auto.arima(serie_ts, seasonal = FALSE, stepwise = FALSE, approximation = FALSE)
forecast_modelo <- forecast(modelo_arma, h = 3)
# GrĆ”fico del pronĆ³stico
autoplot(forecast_modelo) +
labs(title = paste("PronĆ³stico mensual de ventas - ARMA (Producto", id_prod, ")"),
x = "Mes", y = "Ventas ($)") +
theme_minimal()
# Calcular mƩtricas
fitted_values <- fitted(modelo_arma)
mape <- mean(abs((serie_ts - fitted_values) / pmax(serie_ts, 0.01))) * 100
rmse <- sqrt(mean((serie_ts - fitted_values)^2))
# Crear tabla de mƩtricas
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = id_prod,
Modelo = "ARMA",
MAPE = mape,
RMSE = rmse
))
# Mostrar tabla para este producto
tail(metricas_comparativas, 1) %>%
knitr::kable(caption = paste("MĆ©tricas del modelo ARMA para Producto", id_prod)) %>%
kableExtra::kable_styling(full_width = FALSE)| Producto | Modelo | MAPE | RMSE | |
|---|---|---|---|---|
| 5 | 3678055 | ARMA | 22.73775 | 177040.5 |
5 REGRESION LINEAL
5.1 MAPA DE CALOR
# Variables numƩricas relevantes
vars_numericas <- c("Cant", "Venta", "Costo_Venta",
"Precio_Final_Unitario", "Descuento_Porcentaje")
# PreparaciĆ³n de los datos
datos_cor <- datos_filtrados %>%
select(all_of(vars_numericas)) %>%
na.omit()
# Generar la matriz de correlaciĆ³n
matriz_cor <- cor(datos_cor)
# Ajuste del grƔfico sin mar
ggcorrplot(matriz_cor,
method = "square",
type = "upper",
lab = TRUE,
lab_size = 2, # Mejor tamaƱo de los coeficientes
tl.cex = 10, # TamaƱo de etiquetas mƔs grande
tl.srt = 45, # RotaciĆ³n de 45Ā° de etiquetas
colors = c("#6D9EC1", "white", "#E46726"),
title = "Mapa de CorrelaciĆ³n - Variables NumĆ©ricas",
ggtheme = theme_minimal(base_size = 14) +
theme(
axis.text.x = element_text(angle = 45, hjust = 1),
axis.text.y = element_text(angle = 0, hjust = 1))
)
5.2 PRODUCTO 155001
# Filtrar solo los datos para el producto 155001
datos_155001 <- datos_filtrados %>%
filter(ID_Inventario == 155001) %>%
select(Venta, Cant, Costo_Venta,
Precio_Final_Unitario, Descuento_Porcentaje, Trx_Fecha) %>%
na.omit() # Eliminar filas con valores NA
# Crear una variable de tiempo continua basada en la fecha
datos_155001 <- datos_155001 %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month")), # AsegĆŗrate de que la fecha estĆ© en formato Date
Tiempo = as.numeric(Fecha - min(Fecha)) / (30 * 24 * 60 * 60)) # Tiempo en meses (ajustado por dĆas)
# Verificar las primeras filas para asegurarnos de que la variable de tiempo estƩ bien creada
head(datos_155001)## # A tibble: 6 Ć 8
## Venta Cant Costo_Venta Precio_Final_Unitario Descuento_Porcentaje
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1187. 2 1194. 594. 85.8
## 2 21280 40 23874. 532 87.3
## 3 15960 30 17906. 532 87.3
## 4 31920 60 35811. 532 87.3
## 5 2968 5 2570. 594. 85.8
## 6 1187. 2 958. 594. 85.8
## # ā¹ 3 more variables: Trx_Fecha <dttm>, Fecha <date>, Tiempo <dbl># Ajustar el modelo de regresiĆ³n lineal
modelo_regresion_155001 <- lm(Venta ~ Cant + Costo_Venta +
Precio_Final_Unitario + Descuento_Porcentaje + Tiempo,
data = datos_155001)
# Ver resumen del modelo
summary(modelo_regresion_155001)##
## Call:
## lm(formula = Venta ~ Cant + Costo_Venta + Precio_Final_Unitario +
## Descuento_Porcentaje + Tiempo, data = datos_155001)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12228.9 -128.0 35.3 100.1 24517.4
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -3.319e+03 1.165e+03 -2.849 0.0044 **
## Cant 1.578e+02 3.300e+00 47.839 <2e-16 ***
## Costo_Venta 6.802e-01 8.789e-03 77.388 <2e-16 ***
## Precio_Final_Unitario 2.859e+00 2.544e-01 11.241 <2e-16 ***
## Descuento_Porcentaje 2.326e+01 1.199e+01 1.939 0.0525 .
## Tiempo 8.990e+04 1.940e+05 0.463 0.6431
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 742.9 on 8553 degrees of freedom
## Multiple R-squared: 0.9879, Adjusted R-squared: 0.9879
## F-statistic: 1.393e+05 on 5 and 8553 DF, p-value: < 2.2e-16# Ajuste del modelo de regresiĆ³n lineal
modelo_regresion_155001 <- lm(Venta ~ Cant + Costo_Venta +
Precio_Final_Unitario + Descuento_Porcentaje + Tiempo,
data = datos_155001)
# Predicciones usando el modelo ajustado
predicciones_155001 <- predict(modelo_regresion_155001, newdata = datos_155001)
# Calcular MAPE (Mean Absolute Percentage Error)
mape_155001 <- mean(abs((datos_155001$Venta - predicciones_155001) / datos_155001$Venta)) * 100
# Calcular RMSE (Root Mean Squared Error)
rmse_155001 <- sqrt(mean((datos_155001$Venta - predicciones_155001)^2))
# Mostrar las mƩtricas
cat("MAPE del modelo de regresiĆ³n lineal para 155001: ", mape_155001, "\n")## MAPE del modelo de regresiĆ³n lineal para 155001: 14.49668cat("RMSE del modelo de regresiĆ³n lineal para 155001: ", rmse_155001, "\n")## RMSE del modelo de regresiĆ³n lineal para 155001: 742.6409# DiagnĆ³stico de residuos del modelo
par(mfrow = c(2, 2))
plot(modelo_regresion_155001)
# Guardar mĆ©tricas de RegresiĆ³n Lineal para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "155001", # Cambia este ID para cada producto
Modelo = "RegresiĆ³n Lineal",
MAPE = mape_155001,
RMSE = rmse_155001
))5.3 PRODUCTO 3929788
# Filtrar solo los datos para el producto 3929788
datos_3929788 <- datos_filtrados %>%
filter(ID_Inventario == 3929788) %>%
select(Venta, Cant, Costo_Venta,
Precio_Final_Unitario, Descuento_Porcentaje, Trx_Fecha) %>%
na.omit() # Eliminar filas con valores NA
# Crear una variable de tiempo continua basada en la fecha
datos_3929788 <- datos_3929788 %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month")), # AsegĆŗrate de que la fecha estĆ© en formato Date
Tiempo = as.numeric(Fecha - min(Fecha)) / (30 * 24 * 60 * 60)) # Tiempo en meses (ajustado por dĆas)
# Verificar las primeras filas para asegurarnos de que la variable de tiempo estƩ bien creada
head(datos_3929788)## # A tibble: 6 Ć 8
## Venta Cant Costo_Venta Precio_Final_Unitario Descuento_Porcentaje
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 364 10 254. 36.4 60
## 2 242. 6 167. 40.3 60
## 3 697. 15 506. 46.5 48.9
## 4 13020 300 10110. 43.4 52.3
## 5 2170 50 1685. 43.4 52.3
## 6 434 10 337. 43.4 52.3
## # ā¹ 3 more variables: Trx_Fecha <dttm>, Fecha <date>, Tiempo <dbl># Ajustar el modelo de regresiĆ³n lineal
modelo_regresion_3929788 <- lm(Venta ~ Cant + Costo_Venta +
Precio_Final_Unitario + Descuento_Porcentaje + Tiempo,
data = datos_3929788)
# Ver resumen del modelo
summary(modelo_regresion_3929788)##
## Call:
## lm(formula = Venta ~ Cant + Costo_Venta + Precio_Final_Unitario +
## Descuento_Porcentaje + Tiempo, data = datos_3929788)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4348.4 -81.8 -45.4 27.9 3441.5
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.154e+02 1.690e+02 3.049 0.0023 **
## Cant 2.552e+00 2.503e-01 10.193 < 2e-16 ***
## Costo_Venta 1.102e+00 8.312e-03 132.603 < 2e-16 ***
## Precio_Final_Unitario 8.877e-01 1.674e+00 0.530 0.5960
## Descuento_Porcentaje -7.636e+00 1.750e+00 -4.364 1.29e-05 ***
## Tiempo 2.082e+05 4.365e+04 4.771 1.85e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 218.9 on 13711 degrees of freedom
## Multiple R-squared: 0.9949, Adjusted R-squared: 0.9949
## F-statistic: 5.393e+05 on 5 and 13711 DF, p-value: < 2.2e-16# Predicciones usando el modelo ajustado
predicciones_3929788 <- predict(modelo_regresion_3929788, newdata = datos_3929788)
# Calcular MAPE (Mean Absolute Percentage Error)
# AƱadimos protecciĆ³n contra divisiĆ³n por cero
mape_3929788 <- mean(abs((datos_3929788$Venta - predicciones_3929788) / pmax(datos_3929788$Venta, 0.01))) * 100
# Calcular MSE (Mean Squared Error)
rmse_3929788 <- sqrt(mean((datos_3929788$Venta - predicciones_3929788)^2))
# Mostrar las mƩtricas
cat("MAPE del modelo de regresiĆ³n lineal para 3929788: ", mape_3929788, "\n")## MAPE del modelo de regresiĆ³n lineal para 3929788: 22.37678cat("RMSE del modelo de regresiĆ³n lineal para 3929788: ", rmse_3929788, "\n")## RMSE del modelo de regresiĆ³n lineal para 3929788: 218.8655# DiagnĆ³stico de residuos del modelo
par(mfrow = c(2, 2))
plot(modelo_regresion_3929788)
# Guardar mĆ©tricas de RegresiĆ³n Lineal para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3929788", # Cambia este ID para cada producto
Modelo = "RegresiĆ³n Lineal",
MAPE = mape_3929788,
RMSE = rmse_3929788
))5.4 PRODUCTO 3904152
# Filtrar solo los datos para el producto 3904152
datos_3904152 <- datos_filtrados %>%
filter(ID_Inventario == 3904152) %>%
select(Venta, Cant, Costo_Venta,
Precio_Final_Unitario, Descuento_Porcentaje, Trx_Fecha) %>%
na.omit() # Eliminar filas con valores NA
# Crear una variable de tiempo continua basada en la fecha
datos_3904152 <- datos_3904152 %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month")), # AsegĆŗrate de que la fecha estĆ© en formato Date
Tiempo = as.numeric(Fecha - min(Fecha)) / (30 * 24 * 60 * 60)) # Tiempo en meses (ajustado por dĆas)
# Verificar las primeras filas para asegurarnos de que la variable de tiempo estƩ bien creada
head(datos_3904152)## # A tibble: 6 Ć 8
## Venta Cant Costo_Venta Precio_Final_Unitario Descuento_Porcentaje
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 3402 1 2462. 3402 62.4
## 2 9240 3 7382. 3080 66.0
## 3 3402 1 2461. 3402 62.4
## 4 3402 1 2462. 3402 62.4
## 5 3402 1 2462. 3402 62.4
## 6 30800 10 24563. 3080 66.0
## # ā¹ 3 more variables: Trx_Fecha <dttm>, Fecha <date>, Tiempo <dbl># Ajustar el modelo de regresiĆ³n lineal
modelo_regresion_3904152 <- lm(Venta ~ Cant + Costo_Venta +
Precio_Final_Unitario + Descuento_Porcentaje + Tiempo,
data = datos_3904152)
# Ver resumen del modelo
summary(modelo_regresion_3904152)##
## Call:
## lm(formula = Venta ~ Cant + Costo_Venta + Precio_Final_Unitario +
## Descuento_Porcentaje + Tiempo, data = datos_3904152)
##
## Residuals:
## Min 1Q Median 3Q Max
## -7591.2 -149.6 -11.9 114.8 3142.7
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.279e+04 1.005e+03 12.720 < 2e-16 ***
## Cant 2.651e+02 5.929e+01 4.470 8.16e-06 ***
## Costo_Venta 1.172e+00 2.513e-02 46.650 < 2e-16 ***
## Precio_Final_Unitario -1.734e-01 9.940e-02 -1.744 0.0812 .
## Descuento_Porcentaje -1.888e+02 1.108e+01 -17.049 < 2e-16 ***
## Tiempo 2.313e+06 1.487e+05 15.561 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 376.9 on 2550 degrees of freedom
## Multiple R-squared: 0.9987, Adjusted R-squared: 0.9987
## F-statistic: 4.059e+05 on 5 and 2550 DF, p-value: < 2.2e-16# Predicciones usando el modelo ajustado
predicciones_3904152 <- predict(modelo_regresion_3904152, newdata = datos_3904152)
# Calcular MAPE (Mean Absolute Percentage Error)
# AƱadimos protecciĆ³n contra divisiĆ³n por cero
mape_3904152 <- mean(abs((datos_3904152$Venta - predicciones_3904152) / pmax(datos_3904152$Venta, 0.01))) * 100
# Calcular MSE (Mean Squared Error)
rmse_3904152 <- sqrt(mean((datos_3904152$Venta - predicciones_3904152)^2))
# Mostrar las mƩtricas
cat("MAPE del modelo de regresiĆ³n lineal para 3904152: ", mape_3904152, "\n")## MAPE del modelo de regresiĆ³n lineal para 3904152: 3.343441cat("RMSE del modelo de regresiĆ³n lineal para 3904152: ", rmse_3904152, "\n")## RMSE del modelo de regresiĆ³n lineal para 3904152: 376.4854# DiagnĆ³stico de residuos del modelo
par(mfrow = c(2, 2))
plot(modelo_regresion_3904152)
# Guardar mĆ©tricas de RegresiĆ³n Lineal para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3904152", # Cambia este ID para cada producto
Modelo = "RegresiĆ³n Lineal",
MAPE = mape_3904152,
RMSE = rmse_3904152
))5.5 PRODUCTO 155002
# Filtrar solo los datos para el producto 155002
datos_155002 <- datos_filtrados %>%
filter(ID_Inventario == 155002) %>%
select(Venta, Cant, Costo_Venta,
Precio_Final_Unitario, Descuento_Porcentaje, Trx_Fecha) %>%
na.omit() # Eliminar filas con valores NA
# Crear una variable de tiempo continua basada en la fecha
datos_155002 <- datos_155002 %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month")), # AsegĆŗrate de que la fecha estĆ© en formato Date
Tiempo = as.numeric(Fecha - min(Fecha)) / (30 * 24 * 60 * 60)) # Tiempo en meses (ajustado por dĆas)
# Verificar las primeras filas para asegurarnos de que la variable de tiempo estƩ bien creada
head(datos_155002)## # A tibble: 6 Ć 8
## Venta Cant Costo_Venta Precio_Final_Unitario Descuento_Porcentaje
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 5320 10 8247. 532 87.3
## 2 5320 10 8247. 532 87.3
## 3 2660 5 4124. 532 87.3
## 4 630 1 519. 630 85.0
## 5 1120 2 1037. 560 86.6
## 6 1537. 3 1556. 512. 87.8
## # ā¹ 3 more variables: Trx_Fecha <dttm>, Fecha <date>, Tiempo <dbl># Ajustar el modelo de regresiĆ³n lineal
modelo_regresion_155002 <- lm(Venta ~ Cant + Costo_Venta +
Precio_Final_Unitario + Descuento_Porcentaje + Tiempo,
data = datos_155002)
# Ver resumen del modelo
summary(modelo_regresion_155002)##
## Call:
## lm(formula = Venta ~ Cant + Costo_Venta + Precio_Final_Unitario +
## Descuento_Porcentaje + Tiempo, data = datos_155002)
##
## Residuals:
## Min 1Q Median 3Q Max
## -11980 -167 55 154 46301
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.521e+02 1.894e+03 0.450 0.652854
## Cant 2.992e+02 3.945e+00 75.856 < 2e-16 ***
## Costo_Venta 3.025e-01 9.834e-03 30.758 < 2e-16 ***
## Precio_Final_Unitario 3.681e+00 3.980e-01 9.250 < 2e-16 ***
## Descuento_Porcentaje -2.875e+01 1.957e+01 -1.469 0.141855
## Tiempo 9.982e+05 3.004e+05 3.323 0.000896 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 890.7 on 5746 degrees of freedom
## Multiple R-squared: 0.9723, Adjusted R-squared: 0.9723
## F-statistic: 4.039e+04 on 5 and 5746 DF, p-value: < 2.2e-16# Predicciones usando el modelo ajustado
predicciones_155002 <- predict(modelo_regresion_155002, newdata = datos_155002)
# Calcular MAPE (Mean Absolute Percentage Error)
# AƱadimos protecciĆ³n contra divisiĆ³n por cero
mape_155002 <- mean(abs((datos_155002$Venta - predicciones_155002) / pmax(datos_155002$Venta, 0.01))) * 100
# Calcular RMSE (Root Mean Squared Error)
rmse_155002 <- sqrt(mean((datos_155002$Venta - predicciones_155002)^2))
# Mostrar las mƩtricas
cat("MAPE del modelo de regresiĆ³n lineal para 155002: ", mape_155002, "\n")## MAPE del modelo de regresiĆ³n lineal para 155002: 19.918cat("RMSE del modelo de regresiĆ³n lineal para 155002: ", rmse_155002, "\n")## RMSE del modelo de regresiĆ³n lineal para 155002: 890.2337# DiagnĆ³stico de residuos del modelo
par(mfrow = c(2, 2))
plot(modelo_regresion_155002)
# Guardar mĆ©tricas de RegresiĆ³n Lineal para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "155002", # Cambia este ID para cada producto
Modelo = "RegresiĆ³n Lineal",
MAPE = mape_155002,
RMSE = rmse_155002
))5.6 PRODUCTO 3678055
# Filtrar solo los datos para el producto 3678055
datos_3678055 <- datos_filtrados %>%
filter(ID_Inventario == 3678055) %>%
select(Venta, Cant, Costo_Venta,
Precio_Final_Unitario, Descuento_Porcentaje, Trx_Fecha) %>%
na.omit() # Eliminar filas con valores NA
# Crear una variable de tiempo continua basada en la fecha
datos_3678055 <- datos_3678055 %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month")), # AsegĆŗrate de que la fecha estĆ© en formato Date
Tiempo = as.numeric(Fecha - min(Fecha)) / (30 * 24 * 60 * 60)) # Tiempo en meses (ajustado por dĆas)
# Verificar las primeras filas para asegurarnos de que la variable de tiempo estƩ bien creada
head(datos_3678055)## # A tibble: 6 Ć 8
## Venta Cant Costo_Venta Precio_Final_Unitario Descuento_Porcentaje
## <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 36358 7 28807. 5194 65.9
## 2 5670 1 4213. 5670 62.8
## 3 10773 2 8232. 5386. 64.7
## 4 5670 1 4116. 5670 62.8
## 5 5386. 1 4156. 5386. 64.7
## 6 5386. 1 4213. 5386. 64.7
## # ā¹ 3 more variables: Trx_Fecha <dttm>, Fecha <date>, Tiempo <dbl># Ajustar el modelo de regresiĆ³n lineal
modelo_regresion_3678055 <- lm(Venta ~ Cant + Costo_Venta +
Precio_Final_Unitario + Descuento_Porcentaje + Tiempo,
data = datos_3678055)
# Ver resumen del modelo
summary(modelo_regresion_3678055)##
## Call:
## lm(formula = Venta ~ Cant + Costo_Venta + Precio_Final_Unitario +
## Descuento_Porcentaje + Tiempo, data = datos_3678055)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3921.4 -165.9 -7.8 170.0 3631.6
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.260e+04 1.396e+03 9.024 < 2e-16 ***
## Cant 1.570e+03 1.017e+02 15.439 < 2e-16 ***
## Costo_Venta 9.057e-01 2.541e-02 35.648 < 2e-16 ***
## Precio_Final_Unitario 2.424e-01 8.578e-02 2.826 0.00477 **
## Descuento_Porcentaje -2.127e+02 1.512e+01 -14.061 < 2e-16 ***
## Tiempo 2.034e+06 2.032e+05 10.009 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 461.5 on 1654 degrees of freedom
## Multiple R-squared: 0.9976, Adjusted R-squared: 0.9976
## F-statistic: 1.376e+05 on 5 and 1654 DF, p-value: < 2.2e-16#Predicciones usando el modelo ajustado
predicciones_3678055 <- predict(modelo_regresion_3678055, newdata = datos_3678055)
# Calcular MAPE (Mean Absolute Percentage Error)
# AƱadimos protecciĆ³n contra divisiĆ³n por cero
mape_3678055 <- mean(abs((datos_3678055$Venta - predicciones_3678055) / pmax(datos_3678055$Venta, 0.01))) * 100
# Calcular RMSE (Root Mean Squared Error)
rmse_3678055 <- mean((datos_3678055$Venta - predicciones_3678055)^2)
# Mostrar las mƩtricas
cat("MAPE del modelo de regresiĆ³n lineal para 3678055: ", mape_3678055, "\n")## MAPE del modelo de regresiĆ³n lineal para 3678055: 2.900802cat("RMSE del modelo de regresiĆ³n lineal para 3678055: ", rmse_3678055, "\n")## RMSE del modelo de regresiĆ³n lineal para 3678055: 212205.3# DiagnĆ³stico de residuos del modelo
par(mfrow = c(2, 2))
plot(modelo_regresion_3678055)
# Guardar mĆ©tricas de RegresiĆ³n Lineal para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3678055", # Cambia este ID para cada producto
Modelo = "RegresiĆ³n Lineal",
MAPE = mape_3678055,
RMSE = rmse_3678055
))5.7 ANALISIS DE VARIABLES IMPORTANTES
# FunciĆ³n simplificada para analizar coeficientes
analizar_coeficientes <- function(modelo, nombre_producto) {
resumen <- summary(modelo)
coef_df <- as.data.frame(resumen$coefficients)
colnames(coef_df) <- c("Estimate", "Std.Error", "t.value", "p.value")
coef_df$Variable <- rownames(coef_df)
coef_df$Producto <- nombre_producto
coef_df$Significativo <- ifelse(coef_df$p.value < 0.05, "SĆ", "No")
return(coef_df %>%
select(Producto, Variable, Estimate, p.value, Significativo) %>%
arrange(desc(abs(Estimate))))
}
# Aplicar a cada modelo
coef_155001 <- analizar_coeficientes(modelo_regresion_155001, "155001")
coef_155002 <- analizar_coeficientes(modelo_regresion_155002, "155002")
coef_3678055 <- analizar_coeficientes(modelo_regresion_3678055, "3678055")
coef_3904152 <- analizar_coeficientes(modelo_regresion_3904152, "3904152")
coef_3929788 <- analizar_coeficientes(modelo_regresion_3929788, "3929788")
# Combinar todos los coeficientes
todos_coeficientes <- bind_rows(coef_155001, coef_155002, coef_3678055, coef_3904152, coef_3929788)
# Tabla con variables importantes incluyendo significancia
variables_importantes <- todos_coeficientes %>%
filter(Variable != "(Intercept)") %>%
group_by(Producto) %>%
arrange(Producto, desc(abs(Estimate))) %>%
mutate(Impacto = ifelse(Estimate > 0, "Positivo", "Negativo"))
# Tabla completa con todas las variables importantes
kable(variables_importantes %>%
select(Producto, Variable, Estimate, p.value, Significativo, Impacto),
caption = "Variables importantes por producto",
col.names = c("Producto", "Variable", "Coeficiente", "p-value", "Significativo", "Impacto"),
digits = c(0, 0, 4, 4, 0, 0)) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"))| Producto | Variable | Coeficiente | p-value | Significativo | Impacto |
|---|---|---|---|---|---|
| 155001 | Tiempo | 89900.3830 | 0.6431 | No | Positivo |
| 155001 | Cant | 157.8442 | 0.0000 | SĆ | Positivo |
| 155001 | Descuento_Porcentaje | 23.2560 | 0.0525 | No | Positivo |
| 155001 | Precio_Final_Unitario | 2.8592 | 0.0000 | SĆ | Positivo |
| 155001 | Costo_Venta | 0.6802 | 0.0000 | SĆ | Positivo |
| 155002 | Tiempo | 998207.9076 | 0.0009 | SĆ | Positivo |
| 155002 | Cant | 299.2286 | 0.0000 | SĆ | Positivo |
| 155002 | Descuento_Porcentaje | -28.7504 | 0.1419 | No | Negativo |
| 155002 | Precio_Final_Unitario | 3.6812 | 0.0000 | SĆ | Positivo |
| 155002 | Costo_Venta | 0.3025 | 0.0000 | SĆ | Positivo |
| 3678055 | Tiempo | 2034282.2796 | 0.0000 | SĆ | Positivo |
| 3678055 | Cant | 1570.0692 | 0.0000 | SĆ | Positivo |
| 3678055 | Descuento_Porcentaje | -212.6746 | 0.0000 | SĆ | Negativo |
| 3678055 | Costo_Venta | 0.9057 | 0.0000 | SĆ | Positivo |
| 3678055 | Precio_Final_Unitario | 0.2425 | 0.0048 | SĆ | Positivo |
| 3904152 | Tiempo | 2313419.2297 | 0.0000 | SĆ | Positivo |
| 3904152 | Cant | 265.0523 | 0.0000 | SĆ | Positivo |
| 3904152 | Descuento_Porcentaje | -188.8303 | 0.0000 | SĆ | Negativo |
| 3904152 | Costo_Venta | 1.1722 | 0.0000 | SĆ | Positivo |
| 3904152 | Precio_Final_Unitario | -0.1734 | 0.0812 | No | Negativo |
| 3929788 | Tiempo | 208247.8173 | 0.0000 | SĆ | Positivo |
| 3929788 | Descuento_Porcentaje | -7.6365 | 0.0000 | SĆ | Negativo |
| 3929788 | Cant | 2.5517 | 0.0000 | SĆ | Positivo |
| 3929788 | Costo_Venta | 1.1022 | 0.0000 | SĆ | Positivo |
| 3929788 | Precio_Final_Unitario | 0.8877 | 0.5960 | No | Positivo |
# Tabla resumen con top 3 por producto
top_por_producto <- variables_importantes %>%
group_by(Producto) %>%
slice_head(n = 3) %>%
select(Producto, Variable, Estimate, p.value, Significativo, Impacto)
kable(top_por_producto,
caption = "Top 3 variables mƔs importantes por producto",
col.names = c("Producto", "Variable", "Coeficiente", "p-value", "Significativo", "Impacto"),
digits = c(0, 0, 4, 4, 0, 0)) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"))| Producto | Variable | Coeficiente | p-value | Significativo | Impacto |
|---|---|---|---|---|---|
| 155001 | Tiempo | 89900.3830 | 0.6431 | No | Positivo |
| 155001 | Cant | 157.8442 | 0.0000 | SĆ | Positivo |
| 155001 | Descuento_Porcentaje | 23.2560 | 0.0525 | No | Positivo |
| 155002 | Tiempo | 998207.9076 | 0.0009 | SĆ | Positivo |
| 155002 | Cant | 299.2286 | 0.0000 | SĆ | Positivo |
| 155002 | Descuento_Porcentaje | -28.7504 | 0.1419 | No | Negativo |
| 3678055 | Tiempo | 2034282.2796 | 0.0000 | SĆ | Positivo |
| 3678055 | Cant | 1570.0692 | 0.0000 | SĆ | Positivo |
| 3678055 | Descuento_Porcentaje | -212.6746 | 0.0000 | SĆ | Negativo |
| 3904152 | Tiempo | 2313419.2297 | 0.0000 | SĆ | Positivo |
| 3904152 | Cant | 265.0523 | 0.0000 | SĆ | Positivo |
| 3904152 | Descuento_Porcentaje | -188.8303 | 0.0000 | SĆ | Negativo |
| 3929788 | Tiempo | 208247.8173 | 0.0000 | SĆ | Positivo |
| 3929788 | Descuento_Porcentaje | -7.6365 | 0.0000 | SĆ | Negativo |
| 3929788 | Cant | 2.5517 | 0.0000 | SĆ | Positivo |
6 RANDOM FOREST
6.1 PRODUCTO 155001
# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_155001 %>%
select(-Trx_Fecha, -Fecha)
# Ajustar el modelo Random Forest
set.seed(123) # Para reproducibilidad
modelo_rf_155001 <- randomForest(
Venta ~ .,
data = datos_modelo,
ntree = 500, # NĆŗmero de Ć”rboles
mtry = floor(sqrt(ncol(datos_modelo) - 1)), # NĆŗmero de variables a considerar en cada split
importance = TRUE # Calcular importancia de variables
)
# Ver resumen del modelo
print(modelo_rf_155001)##
## Call:
## randomForest(formula = Venta ~ ., data = datos_modelo, ntree = 500, mtry = floor(sqrt(ncol(datos_modelo) - 1)), importance = TRUE)
## Type of random forest: regression
## Number of trees: 500
## No. of variables tried at each split: 2
##
## Mean of squared residuals: 1637507
## % Var explained: 96.4# Obtener predicciones
predicciones_rf <- predict(modelo_rf_155001, newdata = datos_modelo)
# Calcular mƩtricas
# MAPE
mape_rf <- mean(abs((datos_modelo$Venta - predicciones_rf) / pmax(datos_modelo$Venta, 0.01))) * 100
# RMSE
rmse_rf <- mean((datos_modelo$Venta - predicciones_rf)^2)
# Mostrar las mƩtricas
cat("Modelo Random Forest para producto 155001\n")## Modelo Random Forest para producto 155001cat("MAPE del modelo Random Forest:", mape_rf, "\n")## MAPE del modelo Random Forest: 0.436948cat("RMSE del modelo Random Forest:", rmse_rf, "\n\n")## RMSE del modelo Random Forest: 434537.4# Mostrar importancia de variables
importancia_vars <- importance(modelo_rf_155001)
print(importancia_vars)## %IncMSE IncNodePurity
## Cant 30.698487 164401541874
## Costo_Venta 35.945409 201329490141
## Precio_Final_Unitario 2.777111 5275172729
## Descuento_Porcentaje 3.271347 9916142883
## Tiempo 3.694441 5432163340# Graficar importancia de variables
varImpPlot(modelo_rf_155001, main = "Importancia de Variables - Producto 155001")
# Crear grƔfico de valores observados vs predicciones
datos_grafico <- data.frame(
Observado = datos_modelo$Venta,
Predicho = predicciones_rf
)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
labs(
title = "Valores Observados vs Predicciones - Producto 155001",
x = "Ventas Observadas",
y = "Ventas Predichas"
) +
theme_minimal()
# NUEVOS ANĆLISIS AĆADIDOS
# AnƔlisis del error
errores <- datos_grafico$Observado - datos_grafico$Predicho
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 155001",
xlab = "Error (Observado - Predicho)",
col = "skyblue",
breaks = 30)
# EstadĆsticas descriptivas de los errores
cat("EstadĆsticas descriptivas de los errores:\n")## EstadĆsticas descriptivas de los errores:cat("Media de errores:", mean(errores), "\n")## Media de errores: 9.281218cat("DesviaciĆ³n estĆ”ndar de errores:", sd(errores), "\n")## DesviaciĆ³n estĆ”ndar de errores: 659.1677cat("MĆnimo:", min(errores), "\n")## MĆnimo: -5614.309cat("MĆ”ximo:", max(errores), "\n")## MĆ”ximo: 49375.13cat("Mediana:", median(errores), "\n")## Mediana: -0.06176243# GrĆ”fico del error vs predicciĆ³n
ggplot(data.frame(Predicho = predicciones_rf, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(
title = "Error vs PredicciĆ³n - Producto 155001",
x = "Ventas Predichas",
y = "Error (Observado - Predicho)"
) +
theme_minimal()
# Guardar mƩtricas de Random Forest para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "155001", # Cambia este ID para cada producto
Modelo = "Random Forest",
MAPE = mape_rf,
RMSE = rmse_rf
))6.2 PRODUCTO 3929788
# Crear una variable de tiempo continua basada en la fecha
datos_3929788 <- datos_3929788 %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month")),
Tiempo = as.numeric(Fecha - min(Fecha)) / (30 * 24 * 60 * 60)) # Tiempo en meses
# Mostrar un resumen de los datos
summary(datos_3929788)## Venta Cant Costo_Venta Precio_Final_Unitario
## Min. : 30.52 Min. : 1.00 Min. : 25.36 Min. : 28.00
## 1st Qu.: 403.20 1st Qu.: 10.00 1st Qu.: 280.17 1st Qu.: 36.40
## Median : 873.60 Median : 20.00 Median : 623.38 Median : 40.32
## Mean : 1660.11 Mean : 42.99 Mean : 1301.82 Mean : 40.83
## 3rd Qu.: 2016.00 3rd Qu.: 50.00 3rd Qu.: 1513.40 3rd Qu.: 43.57
## Max. :53096.40 Max. :1540.00 Max. :46610.46 Max. :108.92
## Descuento_Porcentaje Trx_Fecha Fecha
## Min. : 0.00 Min. :2023-01-02 00:00:00.00 Min. :2023-01-01
## 1st Qu.:60.00 1st Qu.:2023-07-05 00:00:00.00 1st Qu.:2023-07-01
## Median :60.19 Median :2024-01-15 00:00:00.00 Median :2024-01-01
## Mean :60.84 Mean :2024-01-06 20:09:02.74 Mean :2023-12-21
## 3rd Qu.:65.28 3rd Qu.:2024-07-09 00:00:00.00 3rd Qu.:2024-07-01
## Max. :71.72 Max. :2024-12-31 00:00:00.00 Max. :2024-12-01
## Tiempo
## Min. :0.000e+00
## 1st Qu.:6.983e-05
## Median :1.408e-04
## Mean :1.370e-04
## 3rd Qu.:2.110e-04
## Max. :2.701e-04# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_3929788 %>%
select(-Trx_Fecha, -Fecha)
# Ajustar el modelo Random Forest
set.seed(123) # Para reproducibilidad
modelo_rf_3929788 <- randomForest(
Venta ~ .,
data = datos_modelo,
ntree = 500, # NĆŗmero de Ć”rboles
mtry = floor(sqrt(ncol(datos_modelo) - 1)), # NĆŗmero de variables a considerar en cada split
importance = TRUE # Calcular importancia de variables
)
# Ver resumen del modelo
print(modelo_rf_3929788)##
## Call:
## randomForest(formula = Venta ~ ., data = datos_modelo, ntree = 500, mtry = floor(sqrt(ncol(datos_modelo) - 1)), importance = TRUE)
## Type of random forest: regression
## Number of trees: 500
## No. of variables tried at each split: 2
##
## Mean of squared residuals: 20761.86
## % Var explained: 99.78# Obtener predicciones
predicciones_rf <- predict(modelo_rf_3929788, newdata = datos_modelo)
# Calcular mƩtricas
# MAPE
mape_rf <- mean(abs((datos_modelo$Venta - predicciones_rf) / pmax(datos_modelo$Venta, 0.01))) * 100
# RMSE
rmse_rf <- sqrt(mean((datos_modelo$Venta - predicciones_rf)^2))
# Mostrar las mƩtricas
cat("Modelo Random Forest para producto 3929788\n")## Modelo Random Forest para producto 3929788cat("MAPE del modelo Random Forest:", mape_rf, "\n")## MAPE del modelo Random Forest: 0.5359169cat("RMSE del modelo Random Forest:", rmse_rf, "\n\n")## RMSE del modelo Random Forest: 66.13281# Mostrar importancia de variables
importancia_vars <- importance(modelo_rf_3929788)
print(importancia_vars)## %IncMSE IncNodePurity
## Cant 31.762370 57074339573
## Costo_Venta 36.919426 65771486623
## Precio_Final_Unitario 2.159695 1150762357
## Descuento_Porcentaje 8.032237 4227679643
## Tiempo 1.838465 467935533# Graficar importancia de variables
varImpPlot(modelo_rf_3929788, main = "Importancia de Variables - Producto 3929788")
# Crear grƔfico de valores observados vs predicciones
datos_grafico <- data.frame(
Observado = datos_modelo$Venta,
Predicho = predicciones_rf
)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
labs(
title = "Valores Observados vs Predicciones - Producto 3929788",
x = "Ventas Observadas",
y = "Ventas Predichas"
) +
theme_minimal()
# AnƔlisis del error
errores <- datos_grafico$Observado - datos_grafico$Predicho
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 3929788",
xlab = "Error (Observado - Predicho)",
col = "skyblue",
breaks = 30)
# GrĆ”fico del error vs predicciĆ³n
ggplot(data.frame(Predicho = predicciones_rf, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(
title = "Error vs PredicciĆ³n - Producto 3929788",
x = "Ventas Predichas",
y = "Error (Observado - Predicho)"
) +
theme_minimal()
# Guardar mƩtricas de Random Forest para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3929788", # Cambia este ID para cada producto
Modelo = "Random Forest",
MAPE = mape_rf,
RMSE = rmse_rf
))6.3 PRODUCTO 3904152
# Crear una variable de tiempo continua basada en la fecha
datos_3904152 <- datos_3904152 %>%
mutate(Fecha = as.Date(floor_date(Trx_Fecha, "month")),
Tiempo = as.numeric(Fecha - min(Fecha)) / (30 * 24 * 60 * 60)) # Tiempo en meses
# Mostrar un resumen de los datos
summary(datos_3904152)## Venta Cant Costo_Venta Precio_Final_Unitario
## Min. : 2677 Min. : 1.000 Min. : 2250 Min. :2677
## 1st Qu.: 3108 1st Qu.: 1.000 1st Qu.: 2331 1st Qu.:3051
## Median : 3402 Median : 1.000 Median : 2472 Median :3108
## Mean : 7495 Mean : 2.413 Mean : 5724 Mean :3158
## 3rd Qu.: 7140 3rd Qu.: 2.000 3rd Qu.: 5194 3rd Qu.:3318
## Max. :169344 Max. :56.000 Max. :131032 Max. :3639
## Descuento_Porcentaje Trx_Fecha Fecha
## Min. :60.00 Min. :2023-01-02 00:00:00.00 Min. :2023-01-01
## 1st Qu.:64.43 1st Qu.:2023-07-12 00:00:00.00 1st Qu.:2023-07-01
## Median :65.90 Median :2024-01-16 00:00:00.00 Median :2024-01-01
## Mean :65.72 Mean :2024-01-06 20:44:30.42 Mean :2023-12-21
## 3rd Qu.:66.60 3rd Qu.:2024-06-28 00:00:00.00 3rd Qu.:2024-06-01
## Max. :70.43 Max. :2024-12-31 00:00:00.00 Max. :2024-12-01
## Tiempo
## Min. :0.000e+00
## 1st Qu.:6.983e-05
## Median :1.408e-04
## Mean :1.366e-04
## 3rd Qu.:1.995e-04
## Max. :2.701e-04# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_3904152 %>%
select(-Trx_Fecha, -Fecha)
# Ajustar el modelo Random Forest
set.seed(123) # Para reproducibilidad
modelo_rf_3904152 <- randomForest(
Venta ~ .,
data = datos_modelo,
ntree = 500, # NĆŗmero de Ć”rboles
mtry = floor(sqrt(ncol(datos_modelo) - 1)), # NĆŗmero de variables a considerar en cada split
importance = TRUE # Calcular importancia de variables
)
# Ver resumen del modelo
print(modelo_rf_3904152)##
## Call:
## randomForest(formula = Venta ~ ., data = datos_modelo, ntree = 500, mtry = floor(sqrt(ncol(datos_modelo) - 1)), importance = TRUE)
## Type of random forest: regression
## Number of trees: 500
## No. of variables tried at each split: 2
##
## Mean of squared residuals: 912601.7
## % Var explained: 99.19# Obtener predicciones
predicciones_rf <- predict(modelo_rf_3904152, newdata = datos_modelo)
# Calcular mƩtricas
# MAPE
mape_rf <- mean(abs((datos_modelo$Venta - predicciones_rf) / pmax(datos_modelo$Venta, 0.01))) * 100
# RMSE
rmse_rf <- sqrt(mean((datos_modelo$Venta - predicciones_rf)^2))
# Mostrar las mƩtricas
cat("Modelo Random Forest para producto 3904152\n")## Modelo Random Forest para producto 3904152cat("MAPE del modelo Random Forest:", mape_rf, "\n")## MAPE del modelo Random Forest: 0.2195905cat("RMSE del modelo Random Forest:", rmse_rf, "\n\n")## RMSE del modelo Random Forest: 483.3678# Mostrar importancia de variables
importancia_vars <- importance(modelo_rf_3904152)
print(importancia_vars)## %IncMSE IncNodePurity
## Cant 27.857528 127827976697
## Costo_Venta 33.273998 150734822975
## Precio_Final_Unitario 3.859049 3595343640
## Descuento_Porcentaje 4.653136 5848187484
## Tiempo 2.155004 1653911972# Graficar importancia de variables
varImpPlot(modelo_rf_3904152, main = "Importancia de Variables - Producto 3904152")
# Crear grƔfico de valores observados vs predicciones
datos_grafico <- data.frame(
Observado = datos_modelo$Venta,
Predicho = predicciones_rf
)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
labs(
title = "Valores Observados vs Predicciones - Producto 3904152",
x = "Ventas Observadas",
y = "Ventas Predichas"
) +
theme_minimal()
# AnƔlisis del error
errores <- datos_grafico$Observado - datos_grafico$Predicho
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 3904152",
xlab = "Error (Observado - Predicho)",
col = "skyblue",
breaks = 30)
# GrĆ”fico del error vs predicciĆ³n
ggplot(data.frame(Predicho = predicciones_rf, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(
title = "Error vs PredicciĆ³n - Producto 3904152",
x = "Ventas Predichas",
y = "Error (Observado - Predicho)"
) +
theme_minimal()
# Guardar mƩtricas de Random Forest para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3904152", # Cambia este ID para cada producto
Modelo = "Random Forest",
MAPE = mape_rf,
RMSE = rmse_rf
))6.4 PRODUCTO 155002
# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_155002 %>%
select(-Trx_Fecha, -Fecha)
# Ajustar el modelo Random Forest
set.seed(123) # Para reproducibilidad
modelo_rf_155002 <- randomForest(
Venta ~ .,
data = datos_modelo,
ntree = 500, # NĆŗmero de Ć”rboles
mtry = floor(sqrt(ncol(datos_modelo) - 1)), # NĆŗmero de variables a considerar en cada split
importance = TRUE # Calcular importancia de variables
)
# Ver resumen del modelo
print(modelo_rf_155002)##
## Call:
## randomForest(formula = Venta ~ ., data = datos_modelo, ntree = 500, mtry = floor(sqrt(ncol(datos_modelo) - 1)), importance = TRUE)
## Type of random forest: regression
## Number of trees: 500
## No. of variables tried at each split: 2
##
## Mean of squared residuals: 974009.6
## % Var explained: 96.6# Obtener predicciones
predicciones_rf <- predict(modelo_rf_155002, newdata = datos_modelo)
# Calcular mƩtricas
# MAPE
mape_rf <- mean(abs((datos_modelo$Venta - predicciones_rf) / pmax(datos_modelo$Venta, 0.01))) * 100
# MSE
rmse_rf <- sqrt(mean((datos_modelo$Venta - predicciones_rf)^2))
# Mostrar las mƩtricas
cat("Modelo Random Forest para producto 155002\n")## Modelo Random Forest para producto 155002cat("MAPE del modelo Random Forest:", mape_rf, "\n")## MAPE del modelo Random Forest: 0.5501504cat("RMSE del modelo Random Forest:", rmse_rf, "\n\n")## RMSE del modelo Random Forest: 424.4274# Mostrar importancia de variables
importancia_vars <- importance(modelo_rf_155002)
print(importancia_vars)## %IncMSE IncNodePurity
## Cant 36.613264 83857376373
## Costo_Venta 28.749389 69607996778
## Precio_Final_Unitario 6.394198 3516723253
## Descuento_Porcentaje 5.570749 5564986313
## Tiempo 7.237416 1576644713# Graficar importancia de variables
varImpPlot(modelo_rf_155002, main = "Importancia de Variables - Producto 155002")
# Crear grƔfico de valores observados vs predicciones
datos_grafico <- data.frame(
Observado = datos_modelo$Venta,
Predicho = predicciones_rf
)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
labs(
title = "Valores Observados vs Predicciones - Producto 155002",
x = "Ventas Observadas",
y = "Ventas Predichas"
) +
theme_minimal()
# AnƔlisis del error
errores <- datos_grafico$Observado - datos_grafico$Predicho
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 155002",
xlab = "Error (Observado - Predicho)",
col = "skyblue",
breaks = 30)
# GrĆ”fico del error vs predicciĆ³n
ggplot(data.frame(Predicho = predicciones_rf, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(
title = "Error vs PredicciĆ³n - Producto 155002",
x = "Ventas Predichas",
y = "Error (Observado - Predicho)"
) +
theme_minimal()
# Guardar mƩtricas de Random Forest para producto 3678055
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3678055", # Cambia este ID para cada producto
Modelo = "Random Forest",
MAPE = mape_rf,
RMSE = rmse_rf
))6.5 PRODUCTO 3678055
# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_3678055 %>%
select(-Trx_Fecha, -Fecha)
# Ajustar el modelo Random Forest
set.seed(123) # Para reproducibilidad
modelo_rf_3678055 <- randomForest(
Venta ~ .,
data = datos_modelo,
ntree = 500, # NĆŗmero de Ć”rboles
mtry = floor(sqrt(ncol(datos_modelo) - 1)), # NĆŗmero de variables a considerar en cada split
importance = TRUE # Calcular importancia de variables
)
# Ver resumen del modelo
print(modelo_rf_3678055)##
## Call:
## randomForest(formula = Venta ~ ., data = datos_modelo, ntree = 500, mtry = floor(sqrt(ncol(datos_modelo) - 1)), importance = TRUE)
## Type of random forest: regression
## Number of trees: 500
## No. of variables tried at each split: 2
##
## Mean of squared residuals: 824301.4
## % Var explained: 99.07# Obtener predicciones
predicciones_rf <- predict(modelo_rf_3678055, newdata = datos_modelo)
# Calcular mƩtricas
# MAPE
mape_rf <- mean(abs((datos_modelo$Venta - predicciones_rf) / pmax(datos_modelo$Venta, 0.01))) * 100
# RMSE
rmse_rf <- sqrt(mean((datos_modelo$Venta - predicciones_rf)^2))
# Mostrar las mƩtricas
cat("Modelo Random Forest para producto 3678055\n")## Modelo Random Forest para producto 3678055cat("MAPE del modelo Random Forest:", mape_rf, "\n")## MAPE del modelo Random Forest: 0.2187988cat("RMSE del modelo Random Forest:", rmse_rf, "\n\n")## RMSE del modelo Random Forest: 454.4609# Mostrar importancia de variables
importancia_vars <- importance(modelo_rf_3678055)
print(importancia_vars)## %IncMSE IncNodePurity
## Cant 28.895897 64016596017
## Costo_Venta 34.510616 77510803343
## Precio_Final_Unitario 4.162788 1376111301
## Descuento_Porcentaje 4.373664 1850346083
## Tiempo 2.942522 1167999995# Graficar importancia de variables
varImpPlot(modelo_rf_3678055, main = "Importancia de Variables - Producto 3678055")
# Crear grƔfico de valores observados vs predicciones
datos_grafico <- data.frame(
Observado = datos_modelo$Venta,
Predicho = predicciones_rf
)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
labs(
title = "Valores Observados vs Predicciones - Producto 3678055",
x = "Ventas Observadas",
y = "Ventas Predichas"
) +
theme_minimal()
# AnƔlisis del error
errores <- datos_grafico$Observado - datos_grafico$Predicho
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 3678055",
xlab = "Error (Observado - Predicho)",
col = "skyblue",
breaks = 30)
# GrĆ”fico del error vs predicciĆ³n
ggplot(data.frame(Predicho = predicciones_rf, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(
title = "Error vs PredicciĆ³n - Producto 3678055",
x = "Ventas Predichas",
y = "Error (Observado - Predicho)"
) +
theme_minimal()
# Guardar mƩtricas de Random Forest para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3678055", # Cambia este ID para cada producto
Modelo = "Random Forest",
MAPE = mape_rf,
RMSE = rmse_rf
))7 XGBOOST
7.1 PRODUCTO 155001
# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_155001 %>%
select(-Trx_Fecha, -Fecha)
# Dividir los datos en conjuntos de entrenamiento (80%) y prueba (20%)
set.seed(123) # Para reproducibilidad
indices_train <- createDataPartition(datos_modelo$Venta, p = 0.8, list = FALSE)
datos_train <- datos_modelo[indices_train, ]
datos_test <- datos_modelo[-indices_train, ]
# Separar variables predictoras y variable objetivo
X_train <- as.matrix(datos_train[, colnames(datos_train) != "Venta"])
y_train <- datos_train$Venta
X_test <- as.matrix(datos_test[, colnames(datos_test) != "Venta"])
y_test <- datos_test$Venta
# Crear matrices DMatrix para XGBoost
dtrain <- xgb.DMatrix(data = X_train, label = y_train)
dtest <- xgb.DMatrix(data = X_test, label = y_test)
# Definir una rejilla completa de hiperparĆ”metros para bĆŗsqueda
param_grid <- expand.grid(
eta = c(0.01, 0.05, 0.1, 0.3), # Learning rate
max_depth = c(3, 5, 7, 9), # Profundidad mƔxima
subsample = c(0.6, 0.8, 1.0), # Submuestra de observaciones
colsample_bytree = c(0.6, 0.8, 1.0), # Submuestra de variables
min_child_weight = c(1, 3, 5), # Peso mĆnimo en nodos hijos
gamma = c(0, 0.1, 0.3) # RegularizaciĆ³n gamma
)
# Mostrar cuƔntas combinaciones tenemos
cat("NĆŗmero total de combinaciones de hiperparĆ”metros:", nrow(param_grid), "\n")## NĆŗmero total de combinaciones de hiperparĆ”metros: 1296# Para este ejemplo, vamos a limitar el nĆŗmero de combinaciones
# Seleccionando un subconjunto aleatorio de combinaciones (20 combinaciones)
set.seed(123)
if (nrow(param_grid) > 20) {
muestra_indices <- sample(1:nrow(param_grid), 20)
param_grid_reducida <- param_grid[muestra_indices, ]
} else {
param_grid_reducida <- param_grid
}
cat("NĆŗmero de combinaciones a evaluar:", nrow(param_grid_reducida), "\n")## NĆŗmero de combinaciones a evaluar: 20# FunciĆ³n para evaluar un conjunto de hiperparĆ”metros con validaciĆ³n cruzada
evaluate_params <- function(params_row) {
params <- list(
objective = "reg:squarederror",
eval_metric = "rmse",
eta = params_row$eta,
max_depth = params_row$max_depth,
subsample = params_row$subsample,
colsample_bytree = params_row$colsample_bytree,
min_child_weight = params_row$min_child_weight,
gamma = params_row$gamma
)
# Realizar validaciĆ³n cruzada
cv_results <- xgb.cv(
params = params,
data = dtrain,
nrounds = 100,
nfold = 5, # 5-fold validaciĆ³n cruzada
early_stopping_rounds = 10,
verbose = 0
)
# Extraer el mejor RMSE y el nĆŗmero Ć³ptimo de rondas
best_rmse <- min(cv_results$evaluation_log$test_rmse_mean)
best_nrounds <- which.min(cv_results$evaluation_log$test_rmse_mean)
return(list(rmse = best_rmse, nrounds = best_nrounds, params = params))
}
# Inicializar tabla para almacenar resultados
resultados_grid <- data.frame(
eta = numeric(nrow(param_grid_reducida)),
max_depth = numeric(nrow(param_grid_reducida)),
subsample = numeric(nrow(param_grid_reducida)),
colsample_bytree = numeric(nrow(param_grid_reducida)),
min_child_weight = numeric(nrow(param_grid_reducida)),
gamma = numeric(nrow(param_grid_reducida)),
nrounds = numeric(nrow(param_grid_reducida)),
rmse = numeric(nrow(param_grid_reducida))
)
# Realizar la bĆŗsqueda en cuadrĆcula (esto puede tardar varios minutos)
cat("Iniciando bĆŗsqueda en cuadrĆcula...\n")## Iniciando bĆŗsqueda en cuadrĆcula...for (i in 1:nrow(param_grid_reducida)) {
cat(sprintf("Evaluando combinaciĆ³n %d de %d\n", i, nrow(param_grid_reducida)))
# Obtener fila de parƔmetros actual
params_row <- param_grid_reducida[i, ]
# Evaluar combinaciĆ³n actual
result <- evaluate_params(params_row)
# Guardar resultados
resultados_grid$eta[i] <- params_row$eta
resultados_grid$max_depth[i] <- params_row$max_depth
resultados_grid$subsample[i] <- params_row$subsample
resultados_grid$colsample_bytree[i] <- params_row$colsample_bytree
resultados_grid$min_child_weight[i] <- params_row$min_child_weight
resultados_grid$gamma[i] <- params_row$gamma
resultados_grid$nrounds[i] <- result$nrounds
resultados_grid$rmse[i] <- result$rmse
}## Evaluando combinaciĆ³n 1 de 20
## Evaluando combinaciĆ³n 2 de 20
## Evaluando combinaciĆ³n 3 de 20
## Evaluando combinaciĆ³n 4 de 20
## Evaluando combinaciĆ³n 5 de 20
## Evaluando combinaciĆ³n 6 de 20
## Evaluando combinaciĆ³n 7 de 20
## Evaluando combinaciĆ³n 8 de 20
## Evaluando combinaciĆ³n 9 de 20
## Evaluando combinaciĆ³n 10 de 20
## Evaluando combinaciĆ³n 11 de 20
## Evaluando combinaciĆ³n 12 de 20
## Evaluando combinaciĆ³n 13 de 20
## Evaluando combinaciĆ³n 14 de 20
## Evaluando combinaciĆ³n 15 de 20
## Evaluando combinaciĆ³n 16 de 20
## Evaluando combinaciĆ³n 17 de 20
## Evaluando combinaciĆ³n 18 de 20
## Evaluando combinaciĆ³n 19 de 20
## Evaluando combinaciĆ³n 20 de 20# Ordenar resultados por RMSE (de menor a mayor)
resultados_grid <- resultados_grid[order(resultados_grid$rmse), ]
# Mostrar los 5 mejores conjuntos de hiperparƔmetros
cat("\nLos 5 mejores conjuntos de hiperparƔmetros:\n")##
## Los 5 mejores conjuntos de hiperparƔmetros:print(head(resultados_grid, 5))## eta max_depth subsample colsample_bytree min_child_weight gamma nrounds
## 2 0.10 9 0.8 0.6 1 0.1 100
## 4 0.05 9 1.0 0.8 1 0.1 100
## 10 0.05 9 0.8 0.6 3 0.3 100
## 14 0.10 3 0.6 0.6 3 0.3 92
## 7 0.05 5 1.0 1.0 3 0.3 100
## rmse
## 2 848.7171
## 4 950.4798
## 10 1014.0598
## 14 1024.6858
## 7 1025.5960# Obtener los mejores hiperparƔmetros
mejores_params <- list(
objective = "reg:squarederror",
eval_metric = "rmse",
eta = resultados_grid$eta[1],
max_depth = resultados_grid$max_depth[1],
subsample = resultados_grid$subsample[1],
colsample_bytree = resultados_grid$colsample_bytree[1],
min_child_weight = resultados_grid$min_child_weight[1],
gamma = resultados_grid$gamma[1]
)
mejor_nrounds <- resultados_grid$nrounds[1]
cat("\nMejores hiperparƔmetros encontrados:\n")##
## Mejores hiperparƔmetros encontrados:print(mejores_params)## $objective
## [1] "reg:squarederror"
##
## $eval_metric
## [1] "rmse"
##
## $eta
## [1] 0.1
##
## $max_depth
## [1] 9
##
## $subsample
## [1] 0.8
##
## $colsample_bytree
## [1] 0.6
##
## $min_child_weight
## [1] 1
##
## $gamma
## [1] 0.1cat("NĆŗmero Ć³ptimo de rondas:", mejor_nrounds, "\n")## NĆŗmero Ć³ptimo de rondas: 100cat("RMSE en validaciĆ³n cruzada:", resultados_grid$rmse[1], "\n\n")## RMSE en validaciĆ³n cruzada: 848.7171# Entrenar el modelo final con los mejores hiperparĆ”metros
modelo_xgb_155001 <- xgb.train(
params = mejores_params,
data = dtrain,
nrounds = mejor_nrounds,
watchlist = list(train = dtrain, test = dtest),
verbose = 0
)
# Hacer predicciones en el conjunto de prueba
predicciones_test <- predict(modelo_xgb_155001, dtest)
# Calcular mƩtricas en el conjunto de prueba
# MAPE
mape_test <- mean(abs((y_test - predicciones_test) / pmax(y_test, 0.01))) * 100
# RMSE
rmse_test <- sqrt(mean((y_test - predicciones_test)^2))
# Mostrar las mƩtricas en el conjunto de prueba
cat("MĆ©tricas en el conjunto de prueba:\n")## MĆ©tricas en el conjunto de prueba:cat("MAPE del modelo XGBoost:", mape_test, "\n")## MAPE del modelo XGBoost: 5.169695cat("RMSE del modelo XGBoost:", rmse_test, "\n\n")## RMSE del modelo XGBoost: 524.871# Ahora hacer predicciones en el conjunto completo para comparabilidad con otros modelos
X_completo <- as.matrix(datos_modelo[, colnames(datos_modelo) != "Venta"])
predicciones_completas <- predict(modelo_xgb_155001, X_completo)
# Calcular mƩtricas en el conjunto completo
# MAPE
mape_completo <- mean(abs((datos_modelo$Venta - predicciones_completas) / pmax(datos_modelo$Venta, 0.01))) * 100
# MSE
rmse_completo <- sqrt(mean((datos_modelo$Venta - predicciones_completas)^2))
# Mostrar las mƩtricas en el conjunto completo
cat("MĆ©tricas en el conjunto completo:\n")## MĆ©tricas en el conjunto completo:cat("MAPE del modelo XGBoost:", mape_completo, "\n")## MAPE del modelo XGBoost: 3.700244cat("RMSE del modelo XGBoost:", rmse_completo, "\n\n")## RMSE del modelo XGBoost: 252.753# Importancia de variables
importancia <- xgb.importance(
feature_names = colnames(datos_modelo)[colnames(datos_modelo) != "Venta"],
model = modelo_xgb_155001
)
print(importancia)## Feature Gain Cover Frequency
## <char> <num> <num> <num>
## 1: Costo_Venta 0.51898958 0.3205537 0.2603270
## 2: Cant 0.41669639 0.2572725 0.1700986
## 3: Tiempo 0.02556506 0.1063427 0.1522526
## 4: Descuento_Porcentaje 0.01944186 0.1279960 0.1556221
## 5: Precio_Final_Unitario 0.01930711 0.1878350 0.2616997# Graficar importancia de variables
xgb.plot.importance(importance_matrix = importancia,
main = "Importancia de Variables - Producto 155001 (XGBoost)")
# Crear grƔfico de valores observados vs predicciones
datos_grafico <- data.frame(
Observado = datos_modelo$Venta,
Predicho = predicciones_completas
)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
labs(
title = "Valores Observados vs Predicciones - Producto 155001 (XGBoost)",
x = "Ventas Observadas",
y = "Ventas Predichas"
) +
theme_minimal()
# AnƔlisis del error
errores <- datos_grafico$Observado - datos_grafico$Predicho
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 155001 (XGBoost)",
xlab = "Error (Observado - Predicho)",
col = "skyblue",
breaks = 30)
# GrĆ”fico del error vs predicciĆ³n
ggplot(data.frame(Predicho = predicciones_completas, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(
title = "Error vs PredicciĆ³n - Producto 155001 (XGBoost)",
x = "Ventas Predichas",
y = "Error (Observado - Predicho)"
) +
theme_minimal()
# Guardar mƩtricas de XGBoost para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "155001", # Cambia este ID para cada producto
Modelo = "XGBoost",
MAPE = mape_completo,
RMSE = rmse_completo
))7.2 PRODUCTO 3929788
# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_3929788 %>%
select(-Trx_Fecha, -Fecha)
# Paso 2: Dividir los datos en conjuntos de entrenamiento (80%) y prueba (20%)
set.seed(123) # Para reproducibilidad
train_index <- createDataPartition(datos_modelo$Venta, p = 0.8, list = FALSE)
train_data <- datos_modelo[train_index, ]
test_data <- datos_modelo[-train_index, ]
# Preparar matrices para XGBoost
train_x <- as.matrix(train_data[, colnames(train_data) != "Venta"])
train_y <- train_data$Venta
test_x <- as.matrix(test_data[, colnames(test_data) != "Venta"])
test_y <- test_data$Venta
# Crear DMatrix para XGBoost
dtrain <- xgb.DMatrix(data = train_x, label = train_y)
dtest <- xgb.DMatrix(data = test_x, label = test_y)
# Paso 3: Definir la rejilla de hiperparƔmetros para Grid Search
param_grid <- expand.grid(
eta = c(0.01, 0.05, 0.1, 0.3), # Learning rate
max_depth = c(3, 6, 9), # Profundidad mƔxima
min_child_weight = c(1, 3, 5), # Peso mĆnimo de nodo hijo
subsample = c(0.7, 0.9), # ProporciĆ³n de observaciones
colsample_bytree = c(0.7, 0.9), # ProporciĆ³n de variables
gamma = c(0, 0.1, 0.3) # RegularizaciĆ³n gamma
)
# Mostrar dimensiones de la rejilla
cat("Grid Search para XGBoost - Producto 3929788\n")## Grid Search para XGBoost - Producto 3929788cat("NĆŗmero total de combinaciones de hiperparĆ”metros:", nrow(param_grid), "\n\n")## NĆŗmero total de combinaciones de hiperparĆ”metros: 432# Para este ejemplo, limitar a 12 combinaciones para ahorrar tiempo
# En un escenario real, podrĆas evaluar todas o usar una estrategia mĆ”s eficiente
set.seed(456)
if (nrow(param_grid) > 12) {
selected_indices <- sample(1:nrow(param_grid), 12)
param_grid <- param_grid[selected_indices, ]
cat("Seleccionando 12 combinaciones aleatorias para evaluaciĆ³n.\n\n")
}## Seleccionando 12 combinaciones aleatorias para evaluaciĆ³n.# Paso 4: Implementar Grid Search
resultados <- data.frame()
cat("Iniciando Grid Search...\n")## Iniciando Grid Search...for (i in 1:nrow(param_grid)) {
# Extraer parĆ”metros de la combinaciĆ³n actual
params <- list(
objective = "reg:squarederror", # Objetivo de regresiĆ³n
eval_metric = "rmse", # MĆ©trica de evaluaciĆ³n
eta = param_grid$eta[i],
max_depth = param_grid$max_depth[i],
min_child_weight = param_grid$min_child_weight[i],
subsample = param_grid$subsample[i],
colsample_bytree = param_grid$colsample_bytree[i],
gamma = param_grid$gamma[i]
)
cat("Evaluando combinaciĆ³n", i, "de", nrow(param_grid), ":\n")
cat(" eta =", params$eta,
", max_depth =", params$max_depth,
", min_child_weight =", params$min_child_weight,
", subsample =", params$subsample,
", colsample_bytree =", params$colsample_bytree,
", gamma =", params$gamma, "\n")
# ValidaciĆ³n cruzada para encontrar el nĆŗmero Ć³ptimo de iteraciones
cv_model <- xgb.cv(
params = params,
data = dtrain,
nrounds = 200, # MĆ”ximo nĆŗmero de iteraciones
nfold = 5, # 5-fold validaciĆ³n cruzada
early_stopping_rounds = 20, # Detener si no hay mejora en 20 rondas
verbose = 0 # Suprimir mensajes
)
# Extraer mejor iteraciĆ³n y su RMSE
best_iteration <- cv_model$best_iteration
best_rmse <- min(cv_model$evaluation_log$test_rmse_mean)
cat(" Mejor iteraciĆ³n:", best_iteration, "\n")
cat(" RMSE en validaciĆ³n cruzada:", best_rmse, "\n\n")
# Guardar resultados
resultado_actual <- data.frame(
eta = params$eta,
max_depth = params$max_depth,
min_child_weight = params$min_child_weight,
subsample = params$subsample,
colsample_bytree = params$colsample_bytree,
gamma = params$gamma,
nrounds = best_iteration,
rmse_cv = best_rmse
)
resultados <- rbind(resultados, resultado_actual)
}## Evaluando combinaciĆ³n 1 de 12 :
## eta = 0.01 , max_depth = 9 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 581.031
##
## Evaluando combinaciĆ³n 2 de 12 :
## eta = 0.1 , max_depth = 9 , min_child_weight = 3 , subsample = 0.9 , colsample_bytree = 0.9 , gamma = 0.3
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 126.5033
##
## Evaluando combinaciĆ³n 3 de 12 :
## eta = 0.05 , max_depth = 3 , min_child_weight = 1 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 157.9687
##
## Evaluando combinaciĆ³n 4 de 12 :
## eta = 0.3 , max_depth = 9 , min_child_weight = 5 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 124.4965
##
## Evaluando combinaciĆ³n 5 de 12 :
## eta = 0.1 , max_depth = 6 , min_child_weight = 5 , subsample = 0.9 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 198
## RMSE en validaciĆ³n cruzada: 118.6207
##
## Evaluando combinaciĆ³n 6 de 12 :
## eta = 0.01 , max_depth = 6 , min_child_weight = 5 , subsample = 0.9 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 566.3366
##
## Evaluando combinaciĆ³n 7 de 12 :
## eta = 0.05 , max_depth = 3 , min_child_weight = 5 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 144.8686
##
## Evaluando combinaciĆ³n 8 de 12 :
## eta = 0.1 , max_depth = 3 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.7 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 125.288
##
## Evaluando combinaciĆ³n 9 de 12 :
## eta = 0.05 , max_depth = 6 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0.3
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 113.7886
##
## Evaluando combinaciĆ³n 10 de 12 :
## eta = 0.1 , max_depth = 9 , min_child_weight = 1 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0.3
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 163.1105
##
## Evaluando combinaciĆ³n 11 de 12 :
## eta = 0.05 , max_depth = 6 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 115.0487
##
## Evaluando combinaciĆ³n 12 de 12 :
## eta = 0.1 , max_depth = 3 , min_child_weight = 3 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0.3
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 142.9083# Ordenar resultados por RMSE (de menor a mayor)
resultados <- resultados[order(resultados$rmse_cv), ]
# Paso 5: Mostrar resultados del Grid Search
cat("Resultados del Grid Search ordenados por RMSE:\n")## Resultados del Grid Search ordenados por RMSE:print(resultados)## eta max_depth min_child_weight subsample colsample_bytree gamma nrounds
## 9 0.05 6 3 0.7 0.9 0.3 200
## 11 0.05 6 3 0.7 0.9 0.0 200
## 5 0.10 6 5 0.9 0.9 0.1 198
## 4 0.30 9 5 0.7 0.9 0.1 200
## 8 0.10 3 3 0.7 0.7 0.1 200
## 2 0.10 9 3 0.9 0.9 0.3 200
## 12 0.10 3 3 0.9 0.7 0.3 200
## 7 0.05 3 5 0.9 0.7 0.1 200
## 3 0.05 3 1 0.9 0.7 0.0 200
## 10 0.10 9 1 0.9 0.7 0.3 200
## 6 0.01 6 5 0.9 0.9 0.1 200
## 1 0.01 9 3 0.7 0.9 0.1 200
## rmse_cv
## 9 113.7886
## 11 115.0487
## 5 118.6207
## 4 124.4965
## 8 125.2880
## 2 126.5033
## 12 142.9083
## 7 144.8686
## 3 157.9687
## 10 163.1105
## 6 566.3366
## 1 581.0310# Visualizar resultados del Grid Search
ggplot(resultados, aes(x = reorder(paste("Comb", 1:nrow(resultados)), rmse_cv), y = rmse_cv)) +
geom_bar(stat = "identity", fill = "steelblue") +
labs(
title = "Resultados del Grid Search - Producto 3929788",
x = "CombinaciĆ³n de HiperparĆ”metros",
y = "RMSE en ValidaciĆ³n Cruzada"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Paso 6: Seleccionar los mejores hiperparƔmetros
mejores_params <- list(
objective = "reg:squarederror",
eval_metric = "rmse",
eta = resultados$eta[1],
max_depth = resultados$max_depth[1],
min_child_weight = resultados$min_child_weight[1],
subsample = resultados$subsample[1],
colsample_bytree = resultados$colsample_bytree[1],
gamma = resultados$gamma[1]
)
mejor_nrounds <- resultados$nrounds[1]
cat("\nMejores hiperparƔmetros encontrados:\n")##
## Mejores hiperparƔmetros encontrados:print(mejores_params)## $objective
## [1] "reg:squarederror"
##
## $eval_metric
## [1] "rmse"
##
## $eta
## [1] 0.05
##
## $max_depth
## [1] 6
##
## $min_child_weight
## [1] 3
##
## $subsample
## [1] 0.7
##
## $colsample_bytree
## [1] 0.9
##
## $gamma
## [1] 0.3cat("NĆŗmero Ć³ptimo de rondas:", mejor_nrounds, "\n\n")## NĆŗmero Ć³ptimo de rondas: 200# Paso 7: Entrenar el modelo final con los mejores hiperparĆ”metros
cat("Entrenando modelo final con los mejores hiperparƔmetros...\n")## Entrenando modelo final con los mejores hiperparƔmetros...modelo_final <- xgb.train(
params = mejores_params,
data = dtrain,
nrounds = mejor_nrounds,
watchlist = list(train = dtrain, test = dtest),
verbose = 0
)
# Generar predicciones sobre TODO el conjunto de datos
x_completo <- as.matrix(datos_modelo[, colnames(datos_modelo) != "Venta"])
dcompleto <- xgb.DMatrix(data = x_completo)
predicciones_completo <- predict(modelo_final, newdata = dcompleto)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
labs(
title = "Valores Observados vs Predicciones - Producto 3929788 (XGBoost)",
x = "Ventas Observadas",
y = "Ventas Predichas"
) +
theme_minimal()
# GrƔfico 2: AnƔlisis de residuos
errores <- datos_modelo$Venta - predicciones_completo
# Histograma de errores
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 3929788 (XGBoost)",
xlab = "Error (Observado - Predicho)",
col = "skyblue",
breaks = 30)
# GrƔfico 3: Errores vs Predicciones
ggplot(data.frame(Predicho = predicciones_completo, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(
title = "Error vs PredicciĆ³n - Producto 3929788 (XGBoost)",
x = "Ventas Predichas",
y = "Error (Observado - Predicho)"
) +
theme_minimal()
# Guardar mƩtricas de XGBoost para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3929788", # Cambia este ID para cada producto
Modelo = "XGBoost",
MAPE = mape_completo,
RMSE = rmse_completo
))7.3 PRODUCTO 3904152
# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_3904152 %>%
select(-Trx_Fecha, -Fecha)
# Paso 2: Dividir los datos en conjuntos de entrenamiento (80%) y prueba (20%)
set.seed(123) # Para reproducibilidad
train_index <- createDataPartition(datos_modelo$Venta, p = 0.8, list = FALSE)
train_data <- datos_modelo[train_index, ]
test_data <- datos_modelo[-train_index, ]
# Preparar matrices para XGBoost
train_x <- as.matrix(train_data[, colnames(train_data) != "Venta"])
train_y <- train_data$Venta
test_x <- as.matrix(test_data[, colnames(test_data) != "Venta"])
test_y <- test_data$Venta
# Crear DMatrix para XGBoost
dtrain <- xgb.DMatrix(data = train_x, label = train_y)
dtest <- xgb.DMatrix(data = test_x, label = test_y)
# Paso 3: Definir la rejilla de hiperparƔmetros para Grid Search
param_grid <- expand.grid(
eta = c(0.01, 0.05, 0.1, 0.3), # Learning rate
max_depth = c(3, 6, 9), # Profundidad mƔxima
min_child_weight = c(1, 3, 5), # Peso mĆnimo de nodo hijo
subsample = c(0.7, 0.9), # ProporciĆ³n de observaciones
colsample_bytree = c(0.7, 0.9), # ProporciĆ³n de variables
gamma = c(0, 0.1, 0.3) # RegularizaciĆ³n gamma
)
# Mostrar dimensiones de la rejilla
cat("Grid Search para XGBoost - Producto 3904152\n")## Grid Search para XGBoost - Producto 3904152cat("NĆŗmero total de combinaciones de hiperparĆ”metros:", nrow(param_grid), "\n\n")## NĆŗmero total de combinaciones de hiperparĆ”metros: 432# Para este ejemplo, limitar a 12 combinaciones para ahorrar tiempo
# En un escenario real, podrĆas evaluar todas o usar una estrategia mĆ”s eficiente
set.seed(456)
if (nrow(param_grid) > 12) {
selected_indices <- sample(1:nrow(param_grid), 12)
param_grid <- param_grid[selected_indices, ]
cat("Seleccionando 12 combinaciones aleatorias para evaluaciĆ³n.\n\n")
}## Seleccionando 12 combinaciones aleatorias para evaluaciĆ³n.# Paso 4: Implementar Grid Search
resultados <- data.frame()
cat("Iniciando Grid Search...\n")## Iniciando Grid Search...for (i in 1:nrow(param_grid)) {
# Extraer parĆ”metros de la combinaciĆ³n actual
params <- list(
objective = "reg:squarederror", # Objetivo de regresiĆ³n
eval_metric = "rmse", # MĆ©trica de evaluaciĆ³n
eta = param_grid$eta[i],
max_depth = param_grid$max_depth[i],
min_child_weight = param_grid$min_child_weight[i],
subsample = param_grid$subsample[i],
colsample_bytree = param_grid$colsample_bytree[i],
gamma = param_grid$gamma[i]
)
cat("Evaluando combinaciĆ³n", i, "de", nrow(param_grid), ":\n")
cat(" eta =", params$eta,
", max_depth =", params$max_depth,
", min_child_weight =", params$min_child_weight,
", subsample =", params$subsample,
", colsample_bytree =", params$colsample_bytree,
", gamma =", params$gamma, "\n")
# ValidaciĆ³n cruzada para encontrar el nĆŗmero Ć³ptimo de iteraciones
cv_model <- xgb.cv(
params = params,
data = dtrain,
nrounds = 200, # MĆ”ximo nĆŗmero de iteraciones
nfold = 5, # 5-fold validaciĆ³n cruzada
early_stopping_rounds = 20, # Detener si no hay mejora en 20 rondas
verbose = 0 # Suprimir mensajes
)
# Extraer mejor iteraciĆ³n y su RMSE
best_iteration <- cv_model$best_iteration
best_rmse <- min(cv_model$evaluation_log$test_rmse_mean)
cat(" Mejor iteraciĆ³n:", best_iteration, "\n")
cat(" RMSE en validaciĆ³n cruzada:", best_rmse, "\n\n")
# Guardar resultados
resultado_actual <- data.frame(
eta = params$eta,
max_depth = params$max_depth,
min_child_weight = params$min_child_weight,
subsample = params$subsample,
colsample_bytree = params$colsample_bytree,
gamma = params$gamma,
nrounds = best_iteration,
rmse_cv = best_rmse
)
resultados <- rbind(resultados, resultado_actual)
}## Evaluando combinaciĆ³n 1 de 12 :
## eta = 0.01 , max_depth = 9 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 2598.527
##
## Evaluando combinaciĆ³n 2 de 12 :
## eta = 0.1 , max_depth = 9 , min_child_weight = 3 , subsample = 0.9 , colsample_bytree = 0.9 , gamma = 0.3
## Mejor iteraciĆ³n: 81
## RMSE en validaciĆ³n cruzada: 855.4766
##
## Evaluando combinaciĆ³n 3 de 12 :
## eta = 0.05 , max_depth = 3 , min_child_weight = 1 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 632.2493
##
## Evaluando combinaciĆ³n 4 de 12 :
## eta = 0.3 , max_depth = 9 , min_child_weight = 5 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 111
## RMSE en validaciĆ³n cruzada: 1094.701
##
## Evaluando combinaciĆ³n 5 de 12 :
## eta = 0.1 , max_depth = 6 , min_child_weight = 5 , subsample = 0.9 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 35
## RMSE en validaciĆ³n cruzada: 1725.775
##
## Evaluando combinaciĆ³n 6 de 12 :
## eta = 0.01 , max_depth = 6 , min_child_weight = 5 , subsample = 0.9 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 3008.817
##
## Evaluando combinaciĆ³n 7 de 12 :
## eta = 0.05 , max_depth = 3 , min_child_weight = 5 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0.1
## Mejor iteraciĆ³n: 120
## RMSE en validaciĆ³n cruzada: 1765.138
##
## Evaluando combinaciĆ³n 8 de 12 :
## eta = 0.1 , max_depth = 3 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.7 , gamma = 0.1
## Mejor iteraciĆ³n: 153
## RMSE en validaciĆ³n cruzada: 932.4027
##
## Evaluando combinaciĆ³n 9 de 12 :
## eta = 0.05 , max_depth = 6 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0.3
## Mejor iteraciĆ³n: 198
## RMSE en validaciĆ³n cruzada: 764.2976
##
## Evaluando combinaciĆ³n 10 de 12 :
## eta = 0.1 , max_depth = 9 , min_child_weight = 1 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0.3
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 801.357
##
## Evaluando combinaciĆ³n 11 de 12 :
## eta = 0.05 , max_depth = 6 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 743.391
##
## Evaluando combinaciĆ³n 12 de 12 :
## eta = 0.1 , max_depth = 3 , min_child_weight = 3 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0.3
## Mejor iteraciĆ³n: 128
## RMSE en validaciĆ³n cruzada: 863.9891# Ordenar resultados por RMSE (de menor a mayor)
resultados <- resultados[order(resultados$rmse_cv), ]
# Paso 5: Mostrar resultados del Grid Search
cat("Resultados del Grid Search ordenados por RMSE:\n")## Resultados del Grid Search ordenados por RMSE:print(resultados)## eta max_depth min_child_weight subsample colsample_bytree gamma nrounds
## 3 0.05 3 1 0.9 0.7 0.0 200
## 11 0.05 6 3 0.7 0.9 0.0 200
## 9 0.05 6 3 0.7 0.9 0.3 198
## 10 0.10 9 1 0.9 0.7 0.3 200
## 2 0.10 9 3 0.9 0.9 0.3 81
## 12 0.10 3 3 0.9 0.7 0.3 128
## 8 0.10 3 3 0.7 0.7 0.1 153
## 4 0.30 9 5 0.7 0.9 0.1 111
## 5 0.10 6 5 0.9 0.9 0.1 35
## 7 0.05 3 5 0.9 0.7 0.1 120
## 1 0.01 9 3 0.7 0.9 0.1 200
## 6 0.01 6 5 0.9 0.9 0.1 200
## rmse_cv
## 3 632.2493
## 11 743.3910
## 9 764.2976
## 10 801.3570
## 2 855.4766
## 12 863.9891
## 8 932.4027
## 4 1094.7013
## 5 1725.7754
## 7 1765.1378
## 1 2598.5266
## 6 3008.8172# Visualizar resultados del Grid Search
ggplot(resultados, aes(x = reorder(paste("Comb", 1:nrow(resultados)), rmse_cv), y = rmse_cv)) +
geom_bar(stat = "identity", fill = "steelblue") +
labs(
title = "Resultados del Grid Search - Producto 3904152",
x = "CombinaciĆ³n de HiperparĆ”metros",
y = "RMSE en ValidaciĆ³n Cruzada"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Paso 6: Seleccionar los mejores hiperparƔmetros
mejores_params <- list(
objective = "reg:squarederror",
eval_metric = "rmse",
eta = resultados$eta[1],
max_depth = resultados$max_depth[1],
min_child_weight = resultados$min_child_weight[1],
subsample = resultados$subsample[1],
colsample_bytree = resultados$colsample_bytree[1],
gamma = resultados$gamma[1]
)
mejor_nrounds <- resultados$nrounds[1]
cat("\nMejores hiperparƔmetros encontrados:\n")##
## Mejores hiperparƔmetros encontrados:print(mejores_params)## $objective
## [1] "reg:squarederror"
##
## $eval_metric
## [1] "rmse"
##
## $eta
## [1] 0.05
##
## $max_depth
## [1] 3
##
## $min_child_weight
## [1] 1
##
## $subsample
## [1] 0.9
##
## $colsample_bytree
## [1] 0.7
##
## $gamma
## [1] 0cat("NĆŗmero Ć³ptimo de rondas:", mejor_nrounds, "\n\n")## NĆŗmero Ć³ptimo de rondas: 200# Paso 7: Entrenar el modelo final con los mejores hiperparĆ”metros
cat("Entrenando modelo final con los mejores hiperparƔmetros...\n")## Entrenando modelo final con los mejores hiperparƔmetros...modelo_final <- xgb.train(
params = mejores_params,
data = dtrain,
nrounds = mejor_nrounds,
watchlist = list(train = dtrain, test = dtest),
verbose = 0
)
modelo_xgb_3904152 <- modelo_final
# Paso 8: Evaluar el modelo
# Predicciones en conjunto de prueba
predicciones_test <- predict(modelo_final, dtest)
# Calcular mƩtricas
# MAPE
mape_test <- mean(abs((test_y - predicciones_test) / pmax(test_y, 0.01))) * 100
# RMSE
rmse_test <- sqrt(mean((test_y - predicciones_test)^2))
# Mostrar mƩtricas en conjunto de prueba
cat("\nMĆ©tricas en conjunto de prueba:\n")##
## MĆ©tricas en conjunto de prueba:cat("MAPE del modelo XGBoost:", mape_test, "\n")## MAPE del modelo XGBoost: 1.802047cat("RMSE del modelo XGBoost:", rmse_test, "\n\n")## RMSE del modelo XGBoost: 525.6254# Paso 9: Predicciones en el conjunto completo
# Hacer predicciones en todo el conjunto de datos para comparaciĆ³n con otros modelos
x_completo <- as.matrix(datos_modelo[, colnames(datos_modelo) != "Venta"])
predicciones_completo <- predict(modelo_final, x_completo)
# Calcular mƩtricas en conjunto completo
mape_completo <- mean(abs((datos_modelo$Venta - predicciones_completo) /
pmax(datos_modelo$Venta, 0.01))) * 100
mse_completo <- mean((datos_modelo$Venta - predicciones_completo)^2)
# Mostrar mƩtricas en conjunto completo
cat("MƩtricas en conjunto completo:\n")## MƩtricas en conjunto completo:cat("MAPE del modelo XGBoost:", mape_completo, "\n")## MAPE del modelo XGBoost: 1.599453cat("RMSE del modelo XGBoost:", rmse_completo, "\n\n")## RMSE del modelo XGBoost: 252.753# Paso 10: AnƔlisis de importancia de variables
# Calcular importancia de variables
importancia <- xgb.importance(
feature_names = colnames(datos_modelo)[colnames(datos_modelo) != "Venta"],
model = modelo_final
)
# Mostrar importancia de variables
cat("Importancia de variables:\n")## Importancia de variables:print(importancia)## Feature Gain Cover Frequency
## <char> <num> <num> <num>
## 1: Costo_Venta 0.5477063005 0.34762755 0.32088123
## 2: Cant 0.4429396314 0.35591065 0.32662835
## 3: Precio_Final_Unitario 0.0049318239 0.09313008 0.11781609
## 4: Descuento_Porcentaje 0.0038652717 0.13943792 0.15804598
## 5: Tiempo 0.0005569725 0.06389380 0.07662835# Graficar importancia de variables
xgb.plot.importance(importance_matrix = importancia,
main = "Importancia de Variables - Producto 3904152 (XGBoost)")
# Paso 11: Visualizaciones para evaluaciĆ³n
# GrƔfico 1: Valores observados vs predichos
datos_grafico <- data.frame(
Observado = datos_modelo$Venta,
Predicho = predicciones_completo
)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
labs(
title = "Valores Observados vs Predicciones - Producto 3904152 (XGBoost)",
x = "Ventas Observadas",
y = "Ventas Predichas"
) +
theme_minimal()
# GrƔfico 2: AnƔlisis de residuos
errores <- datos_modelo$Venta - predicciones_completo
# Histograma de errores
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 3904152 (XGBoost)",
xlab = "Error (Observado - Predicho)",
col = "skyblue",
breaks = 30)
# GrƔfico 3: Errores vs Predicciones
ggplot(data.frame(Predicho = predicciones_completo, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(
title = "Error vs PredicciĆ³n - Producto 3904152 (XGBoost)",
x = "Ventas Predichas",
y = "Error (Observado - Predicho)"
) +
theme_minimal()
# Guardar mƩtricas de XGBoost para producto
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3904152", # Cambia este ID para cada producto
Modelo = "XGBoost",
MAPE = mape_completo,
RMSE = rmse_completo
))7.4 PRODUCTO 155002
# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_155002 %>%
select(-Trx_Fecha, -Fecha)
# Paso 2: Dividir los datos en conjuntos de entrenamiento (80%) y prueba (20%)
set.seed(123) # Para reproducibilidad
train_index <- createDataPartition(datos_modelo$Venta, p = 0.8, list = FALSE)
train_data <- datos_modelo[train_index, ]
test_data <- datos_modelo[-train_index, ]
# Preparar matrices para XGBoost
train_x <- as.matrix(train_data[, colnames(train_data) != "Venta"])
train_y <- train_data$Venta
test_x <- as.matrix(test_data[, colnames(test_data) != "Venta"])
test_y <- test_data$Venta
# Crear DMatrix para XGBoost
dtrain <- xgb.DMatrix(data = train_x, label = train_y)
dtest <- xgb.DMatrix(data = test_x, label = test_y)
# Paso 3: Definir la rejilla de hiperparƔmetros para Grid Search
param_grid <- expand.grid(
eta = c(0.01, 0.05, 0.1, 0.3), # Learning rate
max_depth = c(3, 6, 9), # Profundidad mƔxima
min_child_weight = c(1, 3, 5), # Peso mĆnimo de nodo hijo
subsample = c(0.7, 0.9), # ProporciĆ³n de observaciones
colsample_bytree = c(0.7, 0.9), # ProporciĆ³n de variables
gamma = c(0, 0.1, 0.3) # RegularizaciĆ³n gamma
)
# Mostrar dimensiones de la rejilla
cat("Grid Search para XGBoost - Producto 155002\n")## Grid Search para XGBoost - Producto 155002cat("NĆŗmero total de combinaciones de hiperparĆ”metros:", nrow(param_grid), "\n\n")## NĆŗmero total de combinaciones de hiperparĆ”metros: 432# Para este ejemplo, limitar a 12 combinaciones para ahorrar tiempo
# En un escenario real, podrĆas evaluar todas o usar una estrategia mĆ”s eficiente
set.seed(456)
if (nrow(param_grid) > 12) {
selected_indices <- sample(1:nrow(param_grid), 12)
param_grid <- param_grid[selected_indices, ]
cat("Seleccionando 12 combinaciones aleatorias para evaluaciĆ³n.\n\n")
}## Seleccionando 12 combinaciones aleatorias para evaluaciĆ³n.# Paso 4: Implementar Grid Search
resultados <- data.frame()
cat("Iniciando Grid Search...\n")## Iniciando Grid Search...for (i in 1:nrow(param_grid)) {
# Extraer parĆ”metros de la combinaciĆ³n actual
params <- list(
objective = "reg:squarederror", # Objetivo de regresiĆ³n
eval_metric = "rmse", # MĆ©trica de evaluaciĆ³n
eta = param_grid$eta[i],
max_depth = param_grid$max_depth[i],
min_child_weight = param_grid$min_child_weight[i],
subsample = param_grid$subsample[i],
colsample_bytree = param_grid$colsample_bytree[i],
gamma = param_grid$gamma[i]
)
cat("Evaluando combinaciĆ³n", i, "de", nrow(param_grid), ":\n")
cat(" eta =", params$eta,
", max_depth =", params$max_depth,
", min_child_weight =", params$min_child_weight,
", subsample =", params$subsample,
", colsample_bytree =", params$colsample_bytree,
", gamma =", params$gamma, "\n")
# ValidaciĆ³n cruzada para encontrar el nĆŗmero Ć³ptimo de iteraciones
cv_model <- xgb.cv(
params = params,
data = dtrain,
nrounds = 200, # MĆ”ximo nĆŗmero de iteraciones
nfold = 5, # 5-fold validaciĆ³n cruzada
early_stopping_rounds = 20, # Detener si no hay mejora en 20 rondas
verbose = 0 # Suprimir mensajes
)
# Extraer mejor iteraciĆ³n y su RMSE
best_iteration <- cv_model$best_iteration
best_rmse <- min(cv_model$evaluation_log$test_rmse_mean)
cat(" Mejor iteraciĆ³n:", best_iteration, "\n")
cat(" RMSE en validaciĆ³n cruzada:", best_rmse, "\n\n")
# Guardar resultados
resultado_actual <- data.frame(
eta = params$eta,
max_depth = params$max_depth,
min_child_weight = params$min_child_weight,
subsample = params$subsample,
colsample_bytree = params$colsample_bytree,
gamma = params$gamma,
nrounds = best_iteration,
rmse_cv = best_rmse
)
resultados <- rbind(resultados, resultado_actual)
}## Evaluando combinaciĆ³n 1 de 12 :
## eta = 0.01 , max_depth = 9 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 1373.535
##
## Evaluando combinaciĆ³n 2 de 12 :
## eta = 0.1 , max_depth = 9 , min_child_weight = 3 , subsample = 0.9 , colsample_bytree = 0.9 , gamma = 0.3
## Mejor iteraciĆ³n: 91
## RMSE en validaciĆ³n cruzada: 915.5984
##
## Evaluando combinaciĆ³n 3 de 12 :
## eta = 0.05 , max_depth = 3 , min_child_weight = 1 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 840.4357
##
## Evaluando combinaciĆ³n 4 de 12 :
## eta = 0.3 , max_depth = 9 , min_child_weight = 5 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 65
## RMSE en validaciĆ³n cruzada: 981.4425
##
## Evaluando combinaciĆ³n 5 de 12 :
## eta = 0.1 , max_depth = 6 , min_child_weight = 5 , subsample = 0.9 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 60
## RMSE en validaciĆ³n cruzada: 938.5359
##
## Evaluando combinaciĆ³n 6 de 12 :
## eta = 0.01 , max_depth = 6 , min_child_weight = 5 , subsample = 0.9 , colsample_bytree = 0.9 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 1270.417
##
## Evaluando combinaciĆ³n 7 de 12 :
## eta = 0.05 , max_depth = 3 , min_child_weight = 5 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0.1
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 958.5418
##
## Evaluando combinaciĆ³n 8 de 12 :
## eta = 0.1 , max_depth = 3 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.7 , gamma = 0.1
## Mejor iteraciĆ³n: 107
## RMSE en validaciĆ³n cruzada: 923.5338
##
## Evaluando combinaciĆ³n 9 de 12 :
## eta = 0.05 , max_depth = 6 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0.3
## Mejor iteraciĆ³n: 114
## RMSE en validaciĆ³n cruzada: 897.544
##
## Evaluando combinaciĆ³n 10 de 12 :
## eta = 0.1 , max_depth = 9 , min_child_weight = 1 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0.3
## Mejor iteraciĆ³n: 200
## RMSE en validaciĆ³n cruzada: 930.1425
##
## Evaluando combinaciĆ³n 11 de 12 :
## eta = 0.05 , max_depth = 6 , min_child_weight = 3 , subsample = 0.7 , colsample_bytree = 0.9 , gamma = 0
## Mejor iteraciĆ³n: 78
## RMSE en validaciĆ³n cruzada: 937.0212
##
## Evaluando combinaciĆ³n 12 de 12 :
## eta = 0.1 , max_depth = 3 , min_child_weight = 3 , subsample = 0.9 , colsample_bytree = 0.7 , gamma = 0.3
## Mejor iteraciĆ³n: 199
## RMSE en validaciĆ³n cruzada: 890.997# Ordenar resultados por RMSE (de menor a mayor)
resultados <- resultados[order(resultados$rmse_cv), ]
# Paso 5: Mostrar resultados del Grid Search
cat("Resultados del Grid Search ordenados por RMSE:\n")## Resultados del Grid Search ordenados por RMSE:print(resultados)## eta max_depth min_child_weight subsample colsample_bytree gamma nrounds
## 3 0.05 3 1 0.9 0.7 0.0 200
## 12 0.10 3 3 0.9 0.7 0.3 199
## 9 0.05 6 3 0.7 0.9 0.3 114
## 2 0.10 9 3 0.9 0.9 0.3 91
## 8 0.10 3 3 0.7 0.7 0.1 107
## 10 0.10 9 1 0.9 0.7 0.3 200
## 11 0.05 6 3 0.7 0.9 0.0 78
## 5 0.10 6 5 0.9 0.9 0.1 60
## 7 0.05 3 5 0.9 0.7 0.1 200
## 4 0.30 9 5 0.7 0.9 0.1 65
## 6 0.01 6 5 0.9 0.9 0.1 200
## 1 0.01 9 3 0.7 0.9 0.1 200
## rmse_cv
## 3 840.4357
## 12 890.9970
## 9 897.5440
## 2 915.5984
## 8 923.5338
## 10 930.1425
## 11 937.0212
## 5 938.5359
## 7 958.5418
## 4 981.4425
## 6 1270.4174
## 1 1373.5351# Visualizar resultados del Grid Search
ggplot(resultados, aes(x = reorder(paste("Comb", 1:nrow(resultados)), rmse_cv), y = rmse_cv)) +
geom_bar(stat = "identity", fill = "steelblue") +
labs(
title = "Resultados del Grid Search - Producto 155002",
x = "CombinaciĆ³n de HiperparĆ”metros",
y = "RMSE en ValidaciĆ³n Cruzada"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Paso 6: Seleccionar los mejores hiperparƔmetros
mejores_params <- list(
objective = "reg:squarederror",
eval_metric = "rmse",
eta = resultados$eta[1],
max_depth = resultados$max_depth[1],
min_child_weight = resultados$min_child_weight[1],
subsample = resultados$subsample[1],
colsample_bytree = resultados$colsample_bytree[1],
gamma = resultados$gamma[1]
)
mejor_nrounds <- resultados$nrounds[1]
cat("\nMejores hiperparƔmetros encontrados:\n")##
## Mejores hiperparƔmetros encontrados:print(mejores_params)## $objective
## [1] "reg:squarederror"
##
## $eval_metric
## [1] "rmse"
##
## $eta
## [1] 0.05
##
## $max_depth
## [1] 3
##
## $min_child_weight
## [1] 1
##
## $subsample
## [1] 0.9
##
## $colsample_bytree
## [1] 0.7
##
## $gamma
## [1] 0cat("NĆŗmero Ć³ptimo de rondas:", mejor_nrounds, "\n\n")## NĆŗmero Ć³ptimo de rondas: 200# Paso 7: Entrenar el modelo final con los mejores hiperparĆ”metros
cat("Entrenando modelo final con los mejores hiperparƔmetros...\n")## Entrenando modelo final con los mejores hiperparƔmetros...modelo_final <- xgb.train(
params = mejores_params,
data = dtrain,
nrounds = mejor_nrounds,
watchlist = list(train = dtrain, test = dtest),
verbose = 0
)
modelo_xgb_155002 <- modelo_final
# Paso 8: Evaluar el modelo
# Predicciones en conjunto de prueba
predicciones_test <- predict(modelo_final, dtest)
# Calcular mƩtricas
# MAPE
mape_test <- mean(abs((test_y - predicciones_test) / pmax(test_y, 0.01))) * 100
# RMSE
rmse_test <- sqrt(mean((test_y - predicciones_test)^2))
# Mostrar mƩtricas en conjunto de prueba
cat("\nMĆ©tricas en conjunto de prueba:\n")##
## MĆ©tricas en conjunto de prueba:cat("MAPE del modelo XGBoost:", mape_test, "\n")## MAPE del modelo XGBoost: 7.13874cat("RMSE del modelo XGBoost:", rmse_test, "\n\n")## RMSE del modelo XGBoost: 751.2073# Paso 9: Predicciones en el conjunto completo
# Hacer predicciones en todo el conjunto de datos para comparaciĆ³n con otros modelos
x_completo <- as.matrix(datos_modelo[, colnames(datos_modelo) != "Venta"])
predicciones_completo <- predict(modelo_final, x_completo)
# Calcular mƩtricas en conjunto completo
mape_completo <- mean(abs((datos_modelo$Venta - predicciones_completo) /
pmax(datos_modelo$Venta, 0.01))) * 100
rmse_completo <- sqrt(mean((datos_modelo$Venta - predicciones_completo)^2))
# Mostrar mƩtricas en conjunto completo
cat("MƩtricas en conjunto completo:\n")## MƩtricas en conjunto completo:cat("MAPE del modelo XGBoost:", mape_completo, "\n")## MAPE del modelo XGBoost: 6.835722cat("RMSE del modelo XGBoost:", rmse_completo, "\n\n")## RMSE del modelo XGBoost: 417.9467# Paso 10: AnƔlisis de importancia de variables
# Calcular importancia de variables
importancia <- xgb.importance(
feature_names = colnames(datos_modelo)[colnames(datos_modelo) != "Venta"],
model = modelo_final
)
# Mostrar importancia de variables
cat("Importancia de variables:\n")## Importancia de variables:print(importancia)## Feature Gain Cover Frequency
## <char> <num> <num> <num>
## 1: Costo_Venta 0.533136299 0.26895646 0.27553648
## 2: Cant 0.429482575 0.42288315 0.35622318
## 3: Descuento_Porcentaje 0.017905273 0.08692447 0.11673820
## 4: Precio_Final_Unitario 0.016551713 0.17326591 0.18798283
## 5: Tiempo 0.002924141 0.04797001 0.06351931# Graficar importancia de variables
xgb.plot.importance(importance_matrix = importancia,
main = "Importancia de Variables - Producto 155002 (XGBoost)")
# Paso 11: Visualizaciones para evaluaciĆ³n
# GrƔfico 1: Valores observados vs predichos
datos_grafico <- data.frame(
Observado = datos_modelo$Venta,
Predicho = predicciones_completo
)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(intercept = 0, slope = 1, color = "red", linetype = "dashed") +
labs(
title = "Valores Observados vs Predicciones - Producto 155002 (XGBoost)",
x = "Ventas Observadas",
y = "Ventas Predichas"
) +
theme_minimal()
# GrƔfico 2: AnƔlisis de residuos
errores <- datos_modelo$Venta - predicciones_completo
# Histograma de errores
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 155002 (XGBoost)",
xlab = "Error (Observado - Predicho)",
col = "skyblue",
breaks = 30)
# GrƔfico 3: Errores vs Predicciones
ggplot(data.frame(Predicho = predicciones_completo, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(
title = "Error vs PredicciĆ³n - Producto 155002 (XGBoost)",
x = "Ventas Predichas",
y = "Error (Observado - Predicho)"
) +
theme_minimal()
# Guardar mƩtricas de XGBoost para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "155002", # Cambia este ID para cada producto
Modelo = "XGBoost",
MAPE = mape_completo,
RMSE = rmse_completo
))7.5 PRODUCTO 3678055
# Preparar datos para el modelo (eliminar columnas no necesarias)
datos_modelo <- datos_3678055 %>%
select(-Trx_Fecha, -Fecha)
# Paso 2: Dividir los datos en conjuntos de entrenamiento (80%) y prueba (20%)
set.seed(123) # Para reproducibilidad
train_index <- createDataPartition(datos_modelo$Venta, p = 0.8, list = FALSE)
train_data <- datos_modelo[train_index, ]
test_data <- datos_modelo[-train_index, ]
# Preparar matrices para XGBoost
train_x <- as.matrix(train_data[, colnames(train_data) != "Venta"])
train_y <- train_data$Venta
test_x <- as.matrix(test_data[, colnames(test_data) != "Venta"])
test_y <- test_data$Venta
# Crear DMatrix para XGBoost
dtrain <- xgb.DMatrix(data = train_x, label = train_y)
dtest <- xgb.DMatrix(data = test_x, label = test_y)
# Paso 3: Definir la rejilla de hiperparƔmetros
param_grid <- expand.grid(
eta = c(0.01, 0.05, 0.1, 0.3),
max_depth = c(3, 6, 9),
min_child_weight = c(1, 3, 5),
subsample = c(0.7, 0.9),
colsample_bytree = c(0.7, 0.9),
gamma = c(0, 0.1, 0.3)
)
cat("Grid Search para XGBoost - Producto 3678055\n")## Grid Search para XGBoost - Producto 3678055cat("NĆŗmero total de combinaciones de hiperparĆ”metros:", nrow(param_grid), "\n\n")## NĆŗmero total de combinaciones de hiperparĆ”metros: 432# SelecciĆ³n aleatoria de 12 combinaciones (si se desea limitar)
set.seed(456)
if (nrow(param_grid) > 12) {
param_grid <- param_grid[sample(1:nrow(param_grid), 12), ]
cat("Seleccionando 12 combinaciones aleatorias para evaluaciĆ³n.\n\n")
}## Seleccionando 12 combinaciones aleatorias para evaluaciĆ³n.# Paso 4: Implementar Grid Search
resultados <- data.frame()
cat("Iniciando Grid Search...\n")## Iniciando Grid Search...for (i in 1:nrow(param_grid)) {
params <- list(
objective = "reg:squarederror",
eval_metric = "rmse",
eta = param_grid$eta[i],
max_depth = param_grid$max_depth[i],
min_child_weight = param_grid$min_child_weight[i],
subsample = param_grid$subsample[i],
colsample_bytree = param_grid$colsample_bytree[i],
gamma = param_grid$gamma[i]
)
cat("Evaluando combinaciĆ³n", i, "de", nrow(param_grid), "...\n")
cv_model <- xgb.cv(
params = params,
data = dtrain,
nrounds = 200,
nfold = 5,
early_stopping_rounds = 20,
verbose = 0
)
best_iteration <- cv_model$best_iteration
best_rmse <- min(cv_model$evaluation_log$test_rmse_mean)
resultado_actual <- data.frame(
eta = params$eta,
max_depth = params$max_depth,
min_child_weight = params$min_child_weight,
subsample = params$subsample,
colsample_bytree = params$colsample_bytree,
gamma = params$gamma,
nrounds = best_iteration,
rmse_cv = best_rmse
)
resultados <- rbind(resultados, resultado_actual)
}## Evaluando combinaciĆ³n 1 de 12 ...
## Evaluando combinaciĆ³n 2 de 12 ...
## Evaluando combinaciĆ³n 3 de 12 ...
## Evaluando combinaciĆ³n 4 de 12 ...
## Evaluando combinaciĆ³n 5 de 12 ...
## Evaluando combinaciĆ³n 6 de 12 ...
## Evaluando combinaciĆ³n 7 de 12 ...
## Evaluando combinaciĆ³n 8 de 12 ...
## Evaluando combinaciĆ³n 9 de 12 ...
## Evaluando combinaciĆ³n 10 de 12 ...
## Evaluando combinaciĆ³n 11 de 12 ...
## Evaluando combinaciĆ³n 12 de 12 ...resultados <- resultados[order(resultados$rmse_cv), ]
# Paso 5: Mostrar resultados
print(resultados)## eta max_depth min_child_weight subsample colsample_bytree gamma nrounds
## 3 0.05 3 1 0.9 0.7 0.0 200
## 5 0.10 6 5 0.9 0.9 0.1 116
## 11 0.05 6 3 0.7 0.9 0.0 185
## 9 0.05 6 3 0.7 0.9 0.3 112
## 12 0.10 3 3 0.9 0.7 0.3 105
## 2 0.10 9 3 0.9 0.9 0.3 111
## 4 0.30 9 5 0.7 0.9 0.1 31
## 10 0.10 9 1 0.9 0.7 0.3 200
## 7 0.05 3 5 0.9 0.7 0.1 200
## 8 0.10 3 3 0.7 0.7 0.1 200
## 6 0.01 6 5 0.9 0.9 0.1 200
## 1 0.01 9 3 0.7 0.9 0.1 200
## rmse_cv
## 3 679.8778
## 5 692.5683
## 11 699.5892
## 9 731.9505
## 12 746.3491
## 2 805.6540
## 4 818.3057
## 10 834.9787
## 7 947.5520
## 8 973.0962
## 6 2407.9225
## 1 2456.9115# VisualizaciĆ³n
ggplot(resultados, aes(x = reorder(paste("Comb", 1:nrow(resultados)), rmse_cv), y = rmse_cv)) +
geom_bar(stat = "identity", fill = "steelblue") +
labs(
title = "Resultados del Grid Search - Producto 3678055",
x = "CombinaciĆ³n de HiperparĆ”metros",
y = "RMSE"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Paso 6: Seleccionar los mejores hiperparƔmetros
mejores_params <- list(
objective = "reg:squarederror",
eval_metric = "rmse",
eta = resultados$eta[1],
max_depth = resultados$max_depth[1],
min_child_weight = resultados$min_child_weight[1],
subsample = resultados$subsample[1],
colsample_bytree = resultados$colsample_bytree[1],
gamma = resultados$gamma[1]
)
mejor_nrounds <- resultados$nrounds[1]
# Paso 7: Entrenar modelo final
modelo_final <- xgb.train(
params = mejores_params,
data = dtrain,
nrounds = mejor_nrounds,
watchlist = list(train = dtrain, test = dtest),
verbose = 0
)
modelo_xgb_3678055 <- modelo_final
# Paso 8: Evaluar modelo
predicciones_test <- predict(modelo_final, dtest)
mape_test <- mean(abs((test_y - predicciones_test) / pmax(test_y, 0.01))) * 100
rmse_test <- sqrt(mean((test_y - predicciones_test)^2))
# Paso 9: PredicciĆ³n en todo el conjunto
x_completo <- as.matrix(datos_modelo[, colnames(datos_modelo) != "Venta"])
predicciones_completo <- predict(modelo_final, x_completo)
mape_completo <- mean(abs((datos_modelo$Venta - predicciones_completo) / pmax(datos_modelo$Venta, 0.01))) * 100
rmse_completo <- sqrt(mean((datos_modelo$Venta - predicciones_completo)^2))
# Paso 10: Importancia de variables
importancia <- xgb.importance(
feature_names = colnames(datos_modelo)[colnames(datos_modelo) != "Venta"],
model = modelo_final
)
xgb.plot.importance(importancia,
main = "Importancia de Variables - Producto 3678055 (XGBoost)")
# Paso 11: GrĆ”ficos de evaluaciĆ³n
datos_grafico <- data.frame(Observado = datos_modelo$Venta, Predicho = predicciones_completo)
ggplot(datos_grafico, aes(x = Observado, y = Predicho)) +
geom_point(alpha = 0.5) +
geom_abline(slope = 1, intercept = 0, linetype = "dashed", color = "red") +
labs(title = "Observado vs Predicho - Producto 3678055", x = "Venta Observada", y = "Venta Predicha") +
theme_minimal()
errores <- datos_modelo$Venta - predicciones_completo
hist(errores,
main = "DistribuciĆ³n de Errores - Producto 3678055 (XGBoost)",
xlab = "Error (Observado - Predicho)",
col = "skyblue", breaks = 30)
ggplot(data.frame(Predicho = predicciones_completo, Error = errores), aes(x = Predicho, y = Error)) +
geom_point(alpha = 0.5) +
geom_hline(yintercept = 0, color = "red", linetype = "dashed") +
labs(title = "Errores vs PredicciĆ³n - Producto 3678055", x = "Venta Predicha", y = "Error") +
theme_minimal()
# Guardar mƩtricas de XGBoost para producto 155001
if(!exists("metricas_comparativas")) {
metricas_comparativas <- data.frame(
Producto = character(),
Modelo = character(),
MAPE = numeric(),
RMSE = numeric(),
stringsAsFactors = FALSE
)
}
metricas_comparativas <- rbind(metricas_comparativas, data.frame(
Producto = "3678055", # Cambia este ID para cada producto
Modelo = "XGBoost",
MAPE = mape_completo,
RMSE = rmse_completo
))8 VisualizaciĆ³n de MĆ©tricas
# Definir los colores para cada modelo
colores_modelos <- c(
"ARMA/SARIMA" = "#1f77b4", # Azul
"RegresiĆ³n Lineal" = "#ff7f0e", # Naranja
"Random Forest" = "#2ca02c", # Verde
"XGBoost" = "#d62728" # Rojo
)8.1 PRODUCTO 155001
# Primero, veamos quƩ datos tenemos realmente
print("Datos actuales para el producto 155001:")## [1] "Datos actuales para el producto 155001:"print(metricas_comparativas %>% filter(Producto == "155001"))## Producto Modelo MAPE RMSE
## 1 155001 ARMA 17.681643 224023.2444
## 2 155001 RegresiĆ³n Lineal 14.496676 742.6409
## 3 155001 Random Forest 0.436948 434537.3986
## 4 155001 XGBoost 3.700244 252.7530# Crear un dataframe manualmente con los 4 modelos para el producto 155001
# (con valores de ejemplo si es necesario)
datos_155001_completo <- data.frame(
Producto = rep("155001", 4),
Modelo = c("ARMA/SARIMA", "RegresiĆ³n Lineal", "Random Forest", "XGBoost"),
stringsAsFactors = FALSE
)
# Unir con los datos existentes
datos_155001_completo <- left_join(
datos_155001_completo,
metricas_comparativas %>% filter(Producto == "155001"),
by = c("Producto", "Modelo")
)
# Ahora asigna valores para las mƩtricas de los modelos faltantes
# Si tienes los valores, reemplaza los 0 con los valores correctos
# O toma nota de cuƔles son NA para reemplazarlos con los valores reales
# Valores para RegresiĆ³n Lineal (reemplaza estos con los valores reales)
if (is.na(datos_155001_completo$MAPE[2])) {
datos_155001_completo$MAPE[2] <- mape_155001 # O el valor correcto
}
if (is.na(datos_155001_completo$RMSE[2])) {
datos_155001_completo$RMSE[2] <- rmse_155001 # Ya no MSE
}
# Valores para Random Forest (reemplaza estos con los valores reales)
# Si ya ejecutaste la secciĆ³n de Random Forest para el producto 155001,
# usa las variables r2_rf, rmse_rf, etc.
if (is.na(datos_155001_completo$MAPE[3]) && exists("mape_rf")) {
datos_155001_completo$MAPE[3] <- mape_rf
}
if (is.na(datos_155001_completo$RMSE[3]) && exists("rmse_rf")) {
datos_155001_completo$RMSE[3] <- rmse_rf
}
# Valores para XGBoost (reemplaza estos con los valores reales)
# Si ya ejecutaste la secciĆ³n de XGBoost para el producto 155001,
# usa las variables r2_completo, rmse_completo, etc.
if (is.na(datos_155001_completo$MAPE[4]) && exists("mape_completo")) {
datos_155001_completo$MAPE[4] <- mape_completo
}
if (is.na(datos_155001_completo$RMSE[4]) && exists("rmse_completo")) {
datos_155001_completo$RMSE[4] <- rmse_completo
}
# Ver los datos completos
print("Datos completos para el producto 155001:")## [1] "Datos completos para el producto 155001:"print(datos_155001_completo)## Producto Modelo MAPE RMSE
## 1 155001 ARMA/SARIMA NA NA
## 2 155001 RegresiĆ³n Lineal 14.496676 742.6409
## 3 155001 Random Forest 0.436948 434537.3986
## 4 155001 XGBoost 3.700244 252.7530# GrƔfico para MAPE
ggplot(datos_155001_completo, aes(x = Modelo, y = MAPE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(MAPE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 155001",
subtitle = "MĆ©trica: MAPE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "MAPE (%)"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) ## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
# GrƔfico para RMSE
ggplot(datos_155001_completo, aes(x = Modelo, y = RMSE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(RMSE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 155001",
subtitle = "MĆ©trica: RMSE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "RMSE"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
ylim(0, max(datos_155001_completo$RMSE, na.rm = TRUE) * 1.1) # Ajustar el lĆmite Y## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).
## Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
8.2 PRODUCTO 3929788
# Primero, veamos quƩ datos tenemos realmente
print("Datos actuales para el producto 3929788:")## [1] "Datos actuales para el producto 3929788:"print(metricas_comparativas %>% filter(Producto == "3929788"))## Producto Modelo MAPE RMSE
## 1 3929788 ARMA 12.8370507 224023.24439
## 2 3929788 RegresiĆ³n Lineal 22.3767801 218.86553
## 3 3929788 Random Forest 0.5359169 66.13281
## 4 3929788 XGBoost 3.7002444 252.75302# Crear un dataframe manualmente con los 4 modelos para el producto 3929788
datos_3929788_completo <- data.frame(
Producto = rep("3929788", 4),
Modelo = c("ARMA/SARIMA", "RegresiĆ³n Lineal", "Random Forest", "XGBoost"),
stringsAsFactors = FALSE
)
# Unir con los datos existentes
datos_3929788_completo <- left_join(
datos_3929788_completo,
metricas_comparativas %>% filter(Producto == "3929788"),
by = c("Producto", "Modelo")
)
# Ahora asigna valores para las mƩtricas de los modelos faltantes
# Valores para RegresiĆ³n Lineal
if (is.na(datos_3929788_completo$MAPE[2])) {
datos_3929788_completo$MAPE[2] <- mape_3929788
}
if (is.na(datos_3929788_completo$RMSE[2])) {
datos_3929788_completo$RMSE[2] <- rmse_3929788
}
# Valores para Random Forest
# Si ya ejecutaste la secciĆ³n de Random Forest para el producto 3929788
if (is.na(datos_3929788_completo$MAPE[3]) && exists("mape_rf")) {
datos_3929788_completo$MAPE[3] <- mape_rf
}
if (is.na(datos_3929788_completo$RMSE[3]) && exists("rmse_rf")) {
datos_3929788_completo$RMSE[3] <- rmse_rf
}
# Valores para XGBoost
if (is.na(datos_3929788_completo$MAPE[4]) && exists("mape_completo")) {
datos_3929788_completo$MAPE[4] <- mape_completo
}
if (is.na(datos_3929788_completo$RMSE[4]) && exists("rmse_completo")) {
datos_3929788_completo$RMSE[4] <- rmse_completo
}
# Ver los datos completos
print("Datos completos para el producto 3929788:")## [1] "Datos completos para el producto 3929788:"print(datos_3929788_completo)## Producto Modelo MAPE RMSE
## 1 3929788 ARMA/SARIMA NA NA
## 2 3929788 RegresiĆ³n Lineal 22.3767801 218.86553
## 3 3929788 Random Forest 0.5359169 66.13281
## 4 3929788 XGBoost 3.7002444 252.75302# Definir colores para los modelos
colores_modelos <- c("ARMA/SARIMA" = "#1f77b4",
"RegresiĆ³n Lineal" = "#ff7f0e",
"Random Forest" = "#2ca02c",
"XGBoost" = "#d62728")
# GrƔfico para RMSE
ggplot(datos_3929788_completo, aes(x = Modelo, y = RMSE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(RMSE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 3929788",
subtitle = "MĆ©trica: RMSE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "RMSE"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
ylim(0, max(datos_3929788_completo$RMSE, na.rm = TRUE) * 1.1) # Ajustar el lĆmite Y## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
# GrƔfico para MAPE
ggplot(datos_3929788_completo, aes(x = Modelo, y = MAPE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(MAPE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 3929788",
subtitle = "MĆ©trica: MAPE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "MAPE (%)"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
ylim(0, max(datos_3929788_completo$MAPE, na.rm = TRUE) * 1.1) # Ajustar el lĆmite Y## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).
## Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
8.3 PRODUCTO 3904152
# Primero, veamos quƩ datos tenemos realmente
print("Datos actuales para el producto 3904152:")## [1] "Datos actuales para el producto 3904152:"print(metricas_comparativas %>% filter(Producto == "3904152"))## Producto Modelo MAPE RMSE
## 1 3904152 ARMA 15.3567919 156981.1976
## 2 3904152 RegresiĆ³n Lineal 3.3434409 376.4854
## 3 3904152 Random Forest 0.2195905 483.3678
## 4 3904152 XGBoost 1.5994533 252.7530# Crear un dataframe manualmente con los 4 modelos para el producto 3904152
datos_3904152_completo <- data.frame(
Producto = rep("3904152", 4),
Modelo = c("ARMA/SARIMA", "RegresiĆ³n Lineal", "Random Forest", "XGBoost"),
stringsAsFactors = FALSE
)
# Unir con los datos existentes
datos_3904152_completo <- left_join(
datos_3904152_completo,
metricas_comparativas %>% filter(Producto == "3904152"),
by = c("Producto", "Modelo")
)
# Ahora asigna valores para las mƩtricas de los modelos faltantes
# Valores para RegresiĆ³n Lineal
if (is.na(datos_3904152_completo$MAPE[2])) {
datos_3904152_completo$MAPE[2] <- mape_3904152
}
if (is.na(datos_3904152_completo$RMSE[2])) {
datos_3904152_completo$RMSE[2] <- rmse_3904152
}
# Valores para Random Forest
if (is.na(datos_3904152_completo$MAPE[3]) && exists("mape_rf")) {
datos_3904152_completo$MAPE[3] <- mape_rf
}
if (is.na(datos_3904152_completo$RMSE[3]) && exists("rmse_rf")) {
datos_3904152_completo$RMSE[3] <- rmse_rf
}
# Valores para XGBoost
if (is.na(datos_3904152_completo$MAPE[4]) && exists("mape_completo")) {
datos_3904152_completo$MAPE[4] <- mape_completo
}
if (is.na(datos_3904152_completo$RMSE[4]) && exists("rmse_completo")) {
datos_3904152_completo$RMSE[4] <- rmse_completo
}
# Ver los datos completos
print("Datos completos para el producto 3904152:")## [1] "Datos completos para el producto 3904152:"print(datos_3904152_completo)## Producto Modelo MAPE RMSE
## 1 3904152 ARMA/SARIMA NA NA
## 2 3904152 RegresiĆ³n Lineal 3.3434409 376.4854
## 3 3904152 Random Forest 0.2195905 483.3678
## 4 3904152 XGBoost 1.5994533 252.7530# Definir colores para los modelos
colores_modelos <- c("ARMA/SARIMA" = "#1f77b4",
"RegresiĆ³n Lineal" = "#ff7f0e",
"Random Forest" = "#2ca02c",
"XGBoost" = "#d62728")
# GrƔfico para MSE
ggplot(datos_3904152_completo, aes(x = Modelo, y = RMSE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(RMSE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 3904152",
subtitle = "MĆ©trica: RMSE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "RMSE"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
ylim(0, max(datos_3904152_completo$RMSE, na.rm = TRUE) * 1.1) # Ajustar el lĆmite Y## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
# GrƔfico para MAPE
ggplot(datos_3904152_completo, aes(x = Modelo, y = MAPE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(MAPE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 3904152",
subtitle = "MĆ©trica: MAPE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "MAPE (%)"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
ylim(0, max(datos_3904152_completo$MAPE, na.rm = TRUE) * 1.1) # Ajustar el lĆmite Y## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).
## Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
8.4 PRODUCTO 155002
# Primero, veamos quƩ datos tenemos realmente
print("Datos actuales para el producto 155002:")## [1] "Datos actuales para el producto 155002:"print(metricas_comparativas %>% filter(Producto == "155002"))## Producto Modelo MAPE RMSE
## 1 155002 ARMA 25.833028 192121.8307
## 2 155002 RegresiĆ³n Lineal 19.918004 890.2337
## 3 155002 XGBoost 6.835722 417.9467# Crear un dataframe manualmente con los 4 modelos para el producto 155002
datos_155002_completo <- data.frame(
Producto = rep("155002", 4),
Modelo = c("ARMA/SARIMA", "RegresiĆ³n Lineal", "Random Forest", "XGBoost"),
stringsAsFactors = FALSE
)
# Unir con los datos existentes
datos_155002_completo <- left_join(
datos_155002_completo,
metricas_comparativas %>% filter(Producto == "155002"),
by = c("Producto", "Modelo")
)
# Ahora asigna valores para las mƩtricas de los modelos faltantes
# Valores para RegresiĆ³n Lineal
if (is.na(datos_155002_completo$MAPE[2])) {
datos_155002_completo$MAPE[2] <- mape_155002
}
if (is.na(datos_155002_completo$RMSE[2])) {
datos_155002_completo$RMSE[2] <- rmse_155002
}
# Valores para Random Forest
# Si ya ejecutaste la secciĆ³n de Random Forest para el producto 155002
if (is.na(datos_155002_completo$MAPE[3]) && exists("mape_rf")) {
datos_155002_completo$MAPE[3] <- mape_rf
}
if (is.na(datos_155002_completo$RMSE[3]) && exists("rmse_rf")) {
datos_155002_completo$RMSE[3] <- rmse_rf
}
# Valores para XGBoost
if (is.na(datos_155002_completo$MAPE[4]) && exists("mape_completo")) {
datos_155002_completo$MAPE[4] <- mape_completo
}
if (is.na(datos_155002_completo$RMSE[4]) && exists("rmse_completo")) {
datos_155002_completo$RMSE[4] <- rmse_completo
}
# Ver los datos completos
print("Datos completos para el producto 155002:")## [1] "Datos completos para el producto 155002:"print(datos_155002_completo)## Producto Modelo MAPE RMSE
## 1 155002 ARMA/SARIMA NA NA
## 2 155002 RegresiĆ³n Lineal 19.9180037 890.2337
## 3 155002 Random Forest 0.2187988 454.4609
## 4 155002 XGBoost 6.8357217 417.9467# Definir colores para los modelos
colores_modelos <- c("ARMA/SARIMA" = "#1f77b4",
"RegresiĆ³n Lineal" = "#ff7f0e",
"Random Forest" = "#2ca02c",
"XGBoost" = "#d62728")
# GrƔfico para MSE
ggplot(datos_155002_completo, aes(x = Modelo, y = RMSE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(RMSE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 155002",
subtitle = "MĆ©trica: RMSE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "RMSE"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
ylim(0, max(datos_155002_completo$RMSE, na.rm = TRUE) * 1.1) # Ajustar el lĆmite Y## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
# GrƔfico para MAPE
ggplot(datos_155002_completo, aes(x = Modelo, y = MAPE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(MAPE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 155002",
subtitle = "MĆ©trica: MAPE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "MAPE (%)"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
ylim(0, max(datos_155002_completo$MAPE, na.rm = TRUE) * 1.1) # Ajustar el lĆmite Y## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).
## Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
8.5 PRODUCTO 3678055
# Primero, veamos quƩ datos tenemos realmente
print("Datos actuales para el producto 3678055:")## [1] "Datos actuales para el producto 3678055:"print(metricas_comparativas %>% filter(Producto == "3678055"))## Producto Modelo MAPE RMSE
## 1 3678055 ARMA 22.7377450 177040.4724
## 2 3678055 RegresiĆ³n Lineal 2.9008020 212205.2519
## 3 3678055 Random Forest 0.5501504 424.4274
## 4 3678055 Random Forest 0.2187988 454.4609
## 5 3678055 XGBoost 1.1898882 283.8719# Crear un dataframe manualmente con los 4 modelos para el producto 3678055
datos_3678055_completo <- data.frame(
Producto = rep("3678055", 4),
Modelo = c("ARMA/SARIMA", "RegresiĆ³n Lineal", "Random Forest", "XGBoost"),
stringsAsFactors = FALSE
)
# Unir con los datos existentes
datos_3678055_completo <- left_join(
datos_3678055_completo,
metricas_comparativas %>% filter(Producto == "3678055"),
by = c("Producto", "Modelo")
)
# Ahora asigna valores para las mƩtricas de los modelos faltantes
# Valores para RegresiĆ³n Lineal
if (is.na(datos_3678055_completo$MAPE[2])) {
datos_3678055_completo$MAPE[2] <- mape_3678055
}
if (is.na(datos_3678055_completo$RMSE[2])) {
datos_3678055_completo$RMSE[2] <- rmse_3678055
}
# Valores para Random Forest
# Si ya ejecutaste la secciĆ³n de Random Forest para el producto 3678055
if (is.na(datos_3678055_completo$MAPE[3]) && exists("mape_rf")) {
datos_3678055_completo$MAPE[3] <- mape_rf
}
if (is.na(datos_3678055_completo$RMSE[3]) && exists("rmse_rf")) {
datos_3678055_completo$RMSE[3] <- rmse_rf
}
# Valores para XGBoost
if (is.na(datos_3678055_completo$MAPE[4]) && exists("mape_completo")) {
datos_3678055_completo$MAPE[4] <- mape_completo
}
if (is.na(datos_3678055_completo$RMSE[4]) && exists("rmse_completo")) {
datos_3678055_completo$RMSE[4] <- rmse_completo
}
# Ver los datos completos
print("Datos completos para el producto 3678055:")## [1] "Datos completos para el producto 3678055:"print(datos_3678055_completo)## Producto Modelo MAPE RMSE
## 1 3678055 ARMA/SARIMA NA NA
## 2 3678055 RegresiĆ³n Lineal 2.9008020 212205.2519
## 3 3678055 Random Forest 0.5501504 424.4274
## 4 3678055 Random Forest 0.2187988 454.4609
## 5 3678055 XGBoost 1.1898882 283.8719# Definir colores para los modelos
colores_modelos <- c("ARMA/SARIMA" = "#1f77b4",
"RegresiĆ³n Lineal" = "#ff7f0e",
"Random Forest" = "#2ca02c",
"XGBoost" = "#d62728")
# GrƔfico para MSE
ggplot(datos_3678055_completo, aes(x = Modelo, y = RMSE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(RMSE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 3678055",
subtitle = "MĆ©trica: RMSE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "RMSE"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
ylim(0, max(datos_3678055_completo$RMSE, na.rm = TRUE) * 1.1) # Ajustar el lĆmite Y## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
# GrƔfico para MAPE
ggplot(datos_3678055_completo, aes(x = Modelo, y = MAPE, fill = Modelo)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = round(MAPE, 1)), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = colores_modelos) +
labs(
title = "ComparaciĆ³n de modelos para Producto 3678055",
subtitle = "MĆ©trica: MAPE (valores mĆ”s bajos indican mejor precisiĆ³n)",
x = "",
y = "MAPE (%)"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(size = 12, face = "bold"),
plot.subtitle = element_text(size = 10),
axis.text.x = element_text(angle = 45, hjust = 1)
) +
ylim(0, max(datos_3678055_completo$MAPE, na.rm = TRUE) * 1.1) # Ajustar el lĆmite Y## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).
## Removed 1 row containing missing values or values outside the scale range
## (`geom_text()`).
9 ESTIMACIĆN DE PRECIOS
9.0.1 PreparaciĆ³n de datos
# FunciĆ³n para preparar datos de un producto
prepare_price_data <- function(df, product_id) {
product_data <- df %>%
filter(ID_Inventario == product_id) %>%
arrange(Trx_Fecha) %>%
select(
Trx_Fecha, Precio_Final_Unitario, Cant, Venta,
Costo_Venta, Descuento_Porcentaje, Semana, Mes
) %>%
mutate(
Dia_Semana = wday(Trx_Fecha),
Mes_Num = month(Trx_Fecha),
Anio = year(Trx_Fecha),
Dias_Desde_Inicio = as.numeric(difftime(Trx_Fecha, min(Trx_Fecha), units = "days")),
Margen_Unitario = (Venta / Cant) - (Costo_Venta / Cant),
Precio_Unitario_Calc = Venta / Cant,
ID_Inventario = product_id
)
return(product_data)
}
# AsegĆŗrate de que 'datos' sea tu data.frame cargado correctamente
# Por ejemplo, si vienes de un archivo .csv:
# datos <- read.csv("archivo.csv")
# Aplicar la funciĆ³n a todos los productos
ids <- unique(datos$ID_Inventario)
productos_preparados <- map_df(ids, function(id) {
prepare_price_data(datos, id)
})
# Mostrar una parte del resultado
head(productos_preparados)## # A tibble: 6 Ć 15
## Trx_Fecha Precio_Final_Unitario Cant Venta Costo_Venta
## <dttm> <dbl> <dbl> <dbl> <dbl>
## 1 2023-01-02 00:00:00 980 1 980 727.
## 2 2023-01-03 00:00:00 728 1 728 905.
## 3 2023-01-03 00:00:00 840 6 5040 3598.
## 4 2023-01-04 00:00:00 1120 1 1120 577.
## 5 2023-01-04 00:00:00 728 8 5824 6619.
## 6 2023-01-04 00:00:00 980 10 9800 7273.
## # ā¹ 10 more variables: Descuento_Porcentaje <dbl>, Semana <dbl>, Mes <dbl>,
## # Dia_Semana <dbl>, Mes_Num <dbl>, Anio <dbl>, Dias_Desde_Inicio <dbl>,
## # Margen_Unitario <dbl>, Precio_Unitario_Calc <dbl>, ID_Inventario <dbl># Vector con productos (debe ir primero)
productos_ids <- top_ids
# FunciĆ³n para entrenar modelo ARMA por producto
train_arma_model <- function(data, product_id) {
library(forecast) # AsegĆŗrate de cargar forecast si no estĆ” cargado aĆŗn
product_data <- data %>% filter(ID_Inventario == product_id)
serie_ts <- ts(product_data$Venta, frequency = 12)
modelo_arma <- auto.arima(serie_ts, seasonal = FALSE, stepwise = FALSE, approximation = FALSE)
return(modelo_arma)
}
# Crear lista de modelos ARMA por producto
modelos_arma_lista <- setNames(
lapply(productos_ids, function(id) train_arma_model(datos, id)),
as.character(productos_ids)
)
# FunciĆ³n para modelo regresiĆ³n lineal
train_reg_model <- function(data, product_id) {
product_data <- data %>% filter(ID_Inventario == product_id)
modelo_reg <- lm(Venta ~ Precio_Final_Unitario, data = product_data)
return(modelo_reg)
}
# FunciĆ³n para modelo Random Forest
train_rf_model <- function(data, product_id) {
product_data <- data %>% filter(ID_Inventario == product_id)
predictors <- c("Precio_Final_Unitario", "Cant", "Descuento_Porcentaje")
rf_data <- product_data %>% select(all_of(predictors), Venta)
modelo_rf <- randomForest(Venta ~ ., data = rf_data, ntree = 100)
return(modelo_rf)
}
# FunciĆ³n para modelo XGBoost
train_xgb_model <- function(data, product_id) {
product_data <- data %>% filter(ID_Inventario == product_id)
predictors <- c("Precio_Final_Unitario", "Cant", "Descuento_Porcentaje")
train_matrix <- xgb.DMatrix(data = as.matrix(product_data[, predictors]), label = product_data$Venta)
params <- list(objective = "reg:squarederror")
modelo_xgb <- xgb.train(params = params, data = train_matrix, nrounds = 50, verbose = 0)
return(modelo_xgb)
}
# Crear listas de modelos
modelos_reg_lista <- setNames(lapply(productos_ids, function(id) train_reg_model(datos, id)), as.character(productos_ids))
modelos_rf_lista <- setNames(lapply(productos_ids, function(id) train_rf_model(datos, id)), as.character(productos_ids))
modelos_xgb_lista <- setNames(lapply(productos_ids, function(id) train_xgb_model(datos, id)), as.character(productos_ids))9.0.2 Entrenar modelos de predicciĆ³n de precios
# FunciĆ³n para entrenar modelos de predicciĆ³n de precios
train_price_models <- function(data, product_id, test_size = 0.2) {
price_data <- prepare_price_data(data, product_id) %>%
drop_na() %>%
select(
Precio_Final_Unitario,
Cant, Costo_Venta, Descuento_Porcentaje,
Dia_Semana, Mes_Num, Anio, Dias_Desde_Inicio,
Margen_Unitario
)
# Evitar fallos si hay muy pocos datos
if (nrow(price_data) < 10) {
warning(paste("Producto", product_id, "tiene menos de 10 registros. Se omite."))
return(NULL)
}
set.seed(123)
train_index <- createDataPartition(price_data$Precio_Final_Unitario, p = 1 - test_size, list = FALSE)
train_data <- price_data[train_index, ]
test_data <- price_data[-train_index, ]
# 1. RegresiĆ³n Lineal
lm_model <- lm(Precio_Final_Unitario ~ ., data = train_data)
# 2. Random Forest
rf_model <- randomForest(
Precio_Final_Unitario ~ .,
data = train_data,
ntree = 500,
importance = TRUE
)
# 3. XGBoost
features <- setdiff(names(train_data), "Precio_Final_Unitario")
x_train <- as.matrix(train_data[, features])
y_train <- train_data$Precio_Final_Unitario
x_test <- as.matrix(test_data[, features])
y_test <- test_data$Precio_Final_Unitario
dtrain <- xgb.DMatrix(data = x_train, label = y_train)
dtest <- xgb.DMatrix(data = x_test, label = y_test)
xgb_params <- list(
objective = "reg:squarederror",
eval_metric = "rmse",
eta = 0.1,
max_depth = 6,
min_child_weight = 3,
subsample = 0.8,
colsample_bytree = 0.8
)
xgb_model <- xgb.train(
params = xgb_params,
data = dtrain,
nrounds = 100,
watchlist = list(train = dtrain, test = dtest),
early_stopping_rounds = 10,
verbose = 0
)
# EvaluaciĆ³n
lm_pred <- predict(lm_model, newdata = test_data)
rf_pred <- predict(rf_model, newdata = test_data)
xgb_pred <- predict(xgb_model, x_test)
lm_rmse <- sqrt(mean((lm_pred - test_data$Precio_Final_Unitario)^2))
rf_rmse <- sqrt(mean((rf_pred - test_data$Precio_Final_Unitario)^2))
xgb_rmse <- sqrt(mean((xgb_pred - test_data$Precio_Final_Unitario)^2))
lm_r2 <- 1 - sum((test_data$Precio_Final_Unitario - lm_pred)^2) /
sum((test_data$Precio_Final_Unitario - mean(test_data$Precio_Final_Unitario))^2)
rf_r2 <- 1 - sum((test_data$Precio_Final_Unitario - rf_pred)^2) /
sum((test_data$Precio_Final_Unitario - mean(test_data$Precio_Final_Unitario))^2)
xgb_r2 <- 1 - sum((test_data$Precio_Final_Unitario - xgb_pred)^2) /
sum((test_data$Precio_Final_Unitario - mean(test_data$Precio_Final_Unitario))^2)
metrics <- data.frame(
Model = c("Linear Regression", "Random Forest", "XGBoost"),
RMSE = c(lm_rmse, rf_rmse, xgb_rmse),
R2 = c(lm_r2, rf_r2, xgb_r2)
)
return(list(metrics = metrics))
}
# IDs de los 5 productos a modelar
productos_ids <- c(155001, 3929788, 3904152, 155002, 3678055)
# Aplicar modelo a cada producto
resultados_modelos <- map(productos_ids, function(id) {
resultado <- train_price_models(datos, product_id = id)
if (!is.null(resultado)) {
resultado$metrics %>% mutate(ID_Inventario = id)
} else {
NULL
}
}) %>% compact() %>% bind_rows()
# Mostrar resultados
resultados_modelos## Model RMSE R2 ID_Inventario
## 1 Linear Regression 30.2314808 0.9301839 155001
## 2 Random Forest 20.3499737 0.9683653 155001
## 3 XGBoost 10.8625683 0.9909863 155001
## 4 Linear Regression 0.9961090 0.9745183 3929788
## 5 Random Forest 0.7463236 0.9856956 3929788
## 6 XGBoost 0.3634018 0.9966085 3929788
## 7 Linear Regression 63.2610620 0.8980785 3904152
## 8 Random Forest 11.9625578 0.9963555 3904152
## 9 XGBoost 11.4022456 0.9966889 3904152
## 10 Linear Regression 25.7977520 0.9226069 155002
## 11 Random Forest 10.0274489 0.9883072 155002
## 12 XGBoost 4.9295488 0.9971741 155002
## 13 Linear Regression 110.6053375 0.8924438 3678055
## 14 Random Forest 31.4628228 0.9912968 3678055
## 15 XGBoost 19.9533667 0.9964996 3678055# Lista con los IDs de productos (puedes usar top_ids que ya definiste)
productos_ids <- top_ids
# Entrenar modelos para cada producto y guardar en lista
modelos_precio_lista <- setNames(
lapply(productos_ids, function(id) train_price_models(datos, id)),
as.character(productos_ids)
)9.0.3 Estimar precios Ć³ptimos
estimate_optimal_prices <- function(data, product_id, price_models, demand_models = NULL, future_dates = NULL) {
price_steps <- 20
best_price_model_idx <- which.max(price_models$metrics$R2)
best_price_model_name <- price_models$metrics$Model[best_price_model_idx]
product_data <- data %>% filter(ID_Inventario == product_id)
min_price <- min(product_data$Precio_Final_Unitario, na.rm = TRUE)
max_price <- max(product_data$Precio_Final_Unitario, na.rm = TRUE)
price_range <- seq(min_price, max_price, length.out = price_steps)
future_scenarios <- data.frame()
for (future_date in future_dates) {
future_date <- as.Date(future_date)
mes_actual <- lubridate::month(future_date)
mes_data <- product_data %>% filter(lubridate::month(Trx_Fecha) == mes_actual)
if (nrow(mes_data) < 5) mes_data <- product_data
costo_mes <- median(mes_data$Costo_Venta, na.rm = TRUE)
cant_mes <- median(mes_data$Cant, na.rm = TRUE)
desc_mes <- median(mes_data$Descuento_Porcentaje, na.rm = TRUE)
if (is.na(costo_mes)) costo_mes <- median(product_data$Costo_Venta, na.rm = TRUE)
if (is.na(cant_mes) || cant_mes == 0) cant_mes <- median(product_data$Cant, na.rm = TRUE)
if (is.na(desc_mes)) desc_mes <- median(product_data$Descuento_Porcentaje, na.rm = TRUE)
date_df <- data.frame(
Trx_Fecha = rep(future_date, price_steps),
Precio_Final_Unitario = price_range,
Cant = cant_mes,
Costo_Venta = costo_mes,
Descuento_Porcentaje = desc_mes,
Dia_Semana = lubridate::wday(future_date),
Mes_Num = mes_actual,
Anio = lubridate::year(future_date),
Dias_Desde_Inicio = as.numeric(difftime(future_date, min(product_data$Trx_Fecha), units = "days")),
Margen_Unitario = NA
)
future_scenarios <- rbind(future_scenarios, date_df)
}
future_scenarios$Margen_Unitario <- future_scenarios$Precio_Final_Unitario -
(future_scenarios$Costo_Venta / future_scenarios$Cant)
product_data <- product_data %>% arrange(Trx_Fecha)
elasticity_df <- product_data %>%
filter(!is.na(Cant) & !is.na(Precio_Final_Unitario)) %>%
mutate(
P_lag = lag(Precio_Final_Unitario),
Q_lag = lag(Cant),
dP = Precio_Final_Unitario - P_lag,
dQ = Cant - Q_lag,
elasticity_point = (dQ / Q_lag) / (dP / P_lag)
) %>%
filter(!is.na(elasticity_point), is.finite(elasticity_point))
elasticity <- median(elasticity_df$elasticity_point, na.rm = TRUE)
if (is.na(elasticity) || !is.finite(elasticity)) elasticity <- 1.5
results <- future_scenarios %>%
mutate(Venta_Esperada = 0, Margen_Total = 0)
for (i in 1:nrow(results)) {
baseline_price <- median(product_data$Precio_Final_Unitario, na.rm = TRUE)
price_ratio <- baseline_price / results$Precio_Final_Unitario[i]
adjusted_quantity <- results$Cant[i] * (price_ratio ^ elasticity)
results$Venta_Esperada[i] <- results$Precio_Final_Unitario[i] * adjusted_quantity
results$Margen_Total[i] <- adjusted_quantity * results$Margen_Unitario[i]
}
optimal_prices <- results %>%
group_by(Trx_Fecha) %>%
slice_max(Venta_Esperada, n = 1) %>%
select(Trx_Fecha, Precio_Optimal = Precio_Final_Unitario, Venta_Esperada, Margen_Total)
return(list(
resultados = results,
precios_optimos = optimal_prices,
elasticidad = elasticity
))
}9.0.4 Visualizar resultados
dates_future <- seq.Date(as.Date("2025-01-01"), by = "month", length.out = 6)
precios_optimos_lista <- list()
for (id in productos_ids) {
cat("Estimando precios Ć³ptimos para producto:", id, "\n")
modelo_precio <- modelos_precio_lista[[as.character(id)]]
if (!is.null(modelo_precio)) {
precios_optimos_lista[[as.character(id)]] <- estimate_optimal_prices(
data = datos,
product_id = id,
price_models = modelo_precio,
future_dates = dates_future
)
}
}## Estimando precios Ć³ptimos para producto: 155001
## Estimando precios Ć³ptimos para producto: 3929788
## Estimando precios Ć³ptimos para producto: 3904152
## Estimando precios Ć³ptimos para producto: 155002
## Estimando precios Ć³ptimos para producto: 3678055graficas_individuales <- list()
for (id in names(precios_optimos_lista)) {
df_optimo <- precios_optimos_lista[[id]]$precios_optimos
p <- ggplot(df_optimo, aes(x = Trx_Fecha, y = Precio_Optimal)) +
geom_line(color = "#1f77b4", linewidth = 1.2) +
geom_point(color = "#1f77b4", size = 2) +
labs(
title = paste("Precio Ćptimo por Mes - Producto", id),
x = "Fecha",
y = "Precio Ćptimo"
) +
scale_x_date(date_labels = "%b %Y", date_breaks = "1 month") +
theme_minimal(base_size = 12) +
theme(
plot.title = element_text(face = "bold"),
axis.text.x = element_text(angle = 45, hjust = 1)
)
graficas_individuales[[id]] <- p
}
for (id in names(graficas_individuales)) {
print(graficas_individuales[[id]])
}
9.0.5 IntegraciĆ³n de precios Ć³ptimos y modelos
integrate_with_existing_models <- function(data, product_id, price_opt_results,
arma_model = NULL, reg_model = NULL,
rf_model = NULL, xgb_model = NULL) {
optimal_prices <- price_opt_results[[as.character(product_id)]]$precios_optimos
if (is.null(optimal_prices) || nrow(optimal_prices) == 0) {
warning(paste("No se encontraron precios Ć³ptimos para el producto", product_id))
return(data.frame())
}
future_data <- data.frame(
Fecha = optimal_prices$Trx_Fecha,
Precio_Final_Unitario = optimal_prices$Precio_Optimal
)
hist_data <- data %>%
filter(ID_Inventario == product_id) %>%
arrange(Trx_Fecha)
future_features <- data.frame()
for (i in 1:nrow(optimal_prices)) {
future_date <- optimal_prices$Trx_Fecha[i]
future_price <- optimal_prices$Precio_Optimal[i]
mes_data <- hist_data %>% filter(lubridate::month(Trx_Fecha) == lubridate::month(future_date))
if (nrow(mes_data) < 5) mes_data <- hist_data
avg_features <- mes_data %>%
summarise(
Cant = median(Cant, na.rm = TRUE),
Costo_Venta = median(Costo_Venta, na.rm = TRUE),
Costo_Devolucion = median(Costo_Devolucion, na.rm = TRUE),
Precio_Lista_Unitario = median(Precio_Lista_Unitario, na.rm = TRUE),
Descuento_Porcentaje = median(Descuento_Porcentaje, na.rm = TRUE),
Tiempo = as.numeric(difftime(future_date, min(hist_data$Trx_Fecha), units = "days")) / 30
)
avg_features$Precio_Final_Unitario <- future_price
avg_features$Trx_Fecha <- future_date
future_features <- rbind(future_features, avg_features)
}
if (!is.null(arma_model)) {
arma_forecast <- forecast(arma_model, h = nrow(optimal_prices))
future_data$Venta_ARMA <- as.numeric(arma_forecast$mean)
ref_price <- median(hist_data$Precio_Final_Unitario, na.rm = TRUE)
elasticity <- 1.5
future_data$Venta_ARMA_Ajustada <- future_data$Venta_ARMA *
(ref_price / future_data$Precio_Final_Unitario)^elasticity
}
if (!is.null(reg_model)) {
tryCatch({
future_data$Venta_RegLineal <- predict(reg_model, newdata = future_features)
}, error = function(e) {
future_data$Venta_RegLineal <- NA
})
}
if (!is.null(rf_model)) {
tryCatch({
future_data$Venta_RandomForest <- predict(rf_model, newdata = future_features)
}, error = function(e) {
future_data$Venta_RandomForest <- NA
})
}
if (!is.null(xgb_model)) {
tryCatch({
features <- xgb_model$feature_names
if (is.null(features)) {
features <- setdiff(names(future_features), "Venta")
}
xgb_matrix <- as.matrix(future_features[, features, drop = FALSE])
future_data$Venta_XGBoost <- predict(xgb_model, xgb_matrix)
}, error = function(e) {
future_data$Venta_XGBoost <- NA
})
}
avg_cost_per_unit <- median(hist_data$Costo_Venta / hist_data$Cant, na.rm = TRUE)
for (model in c("ARMA_Ajustada", "RegLineal", "RandomForest", "XGBoost")) {
vcol <- paste0("Venta_", model)
if (vcol %in% names(future_data)) {
ucol <- paste0("Unidades_", model)
ccol <- paste0("Costo_", model)
mcol <- paste0("Margen_", model)
future_data[[ucol]] <- future_data[[vcol]] / future_data$Precio_Final_Unitario
future_data[[ccol]] <- future_data[[ucol]] * avg_cost_per_unit
future_data[[mcol]] <- future_data[[vcol]] - future_data[[ccol]]
}
}
pred_cols <- c("Venta_ARMA_Ajustada", "Venta_RegLineal", "Venta_RandomForest", "Venta_XGBoost")
pred_cols <- pred_cols[pred_cols %in% names(future_data)]
tryCatch({
if (length(pred_cols) > 0 && ncol(future_data[, pred_cols, drop = FALSE]) > 0) {
future_data$Venta_Consenso <- rowMeans(future_data[, pred_cols, drop = FALSE], na.rm = TRUE)
future_data$Unidades_Consenso <- future_data$Venta_Consenso / future_data$Precio_Final_Unitario
future_data$Costo_Consenso <- future_data$Unidades_Consenso * avg_cost_per_unit
future_data$Margen_Consenso <- future_data$Venta_Consenso - future_data$Costo_Consenso
}
}, error = function(e) {
warning(paste("No se pudo calcular el consenso para producto", product_id, ":", e$message))
})
return(future_data)
}
resultados_futuros_lista <- list()
for (id in productos_ids) {
cat("Integrando modelos para producto:", id, "\n")
resultado <- integrate_with_existing_models(
data = datos,
product_id = id,
price_opt_results = precios_optimos_lista,
arma_model = modelos_arma_lista[[as.character(id)]],
reg_model = modelos_reg_lista[[as.character(id)]],
rf_model = modelos_rf_lista[[as.character(id)]],
xgb_model = modelos_xgb_lista[[as.character(id)]]
)
resultados_futuros_lista[[as.character(id)]] <- resultado
}## Integrando modelos para producto: 155001
## Integrando modelos para producto: 3929788
## Integrando modelos para producto: 3904152
## Integrando modelos para producto: 155002
## Integrando modelos para producto: 36780559.0.6 Pipeline correcto
corregir_formato_fechas <- function(datos) {
if ("Trx_Fecha" %in% colnames(datos)) {
datos$Trx_Fecha_Original <- datos$Trx_Fecha
if (is.character(datos$Trx_Fecha) &&
any(grepl("^\\d{7}-\\d{2}-\\d{2}$", datos$Trx_Fecha))) {
cat("Corrigiendo formato de fechas extraƱo...\n")
datos$Trx_Fecha <- sapply(datos$Trx_Fecha, function(fecha) {
if (is.na(fecha) || !is.character(fecha)) return(NA)
partes <- strsplit(fecha, "-")[[1]]
if (length(partes) == 3) {
fecha_corregida <- paste("2023", partes[2], partes[3], sep = "-")
return(fecha_corregida)
} else {
return(NA)
}
})
datos$Trx_Fecha <- as.Date(datos$Trx_Fecha)
cat("Fechas corregidas exitosamente.\n")
} else if (!inherits(datos$Trx_Fecha, "Date")) {
cat("Intentando convertir fechas a formato Date...\n")
datos$Trx_Fecha <- as.Date(datos$Trx_Fecha)
}
}
return(datos)
}
# Aplicar la correcciĆ³n a tu dataframe antes de usarlo
datos_filtrados <- corregir_formato_fechas(datos_filtrados)## Intentando convertir fechas a formato Date...dates_future <- seq.Date(as.Date("2023-01-01"), by = "month", length.out = 6)
precios_optimos_lista <- list()
for (id in productos_ids) {
cat("Estimando precios Ć³ptimos para producto:", id, "\n")
modelo_precio <- modelos_precio_lista[[as.character(id)]]
if (!is.null(modelo_precio)) {
precios_optimos_lista[[as.character(id)]] <- estimate_optimal_prices(
data = datos_filtrados,
product_id = id,
price_models = modelo_precio,
future_dates = dates_future
)
}
}## Estimando precios Ć³ptimos para producto: 155001
## Estimando precios Ć³ptimos para producto: 3929788
## Estimando precios Ć³ptimos para producto: 3904152
## Estimando precios Ć³ptimos para producto: 155002
## Estimando precios Ć³ptimos para producto: 3678055for (id in names(precios_optimos_lista)) {
df_optimo <- precios_optimos_lista[[id]]$precios_optimos
if (!inherits(df_optimo$Trx_Fecha, "Date")) {
df_optimo$Trx_Fecha <- as.Date(df_optimo$Trx_Fecha)
}
p <- ggplot(df_optimo, aes(x = Trx_Fecha, y = Precio_Optimal)) +
geom_line(color = "#1f77b4", linewidth = 1.2) +
geom_point(color = "#1f77b4", size = 2) +
labs(
title = paste("Precio Ćptimo por Mes - Producto", id),
x = "Fecha",
y = "Precio Ćptimo"
) +
scale_x_date(date_labels = "%b %Y", date_breaks = "1 month") +
theme_minimal(base_size = 12) +
theme(
plot.title = element_text(face = "bold"),
axis.text.x = element_text(angle = 45, hjust = 1)
)
print(p)
}
# FunciĆ³n para correr optimizaciĆ³n de precios para todos los productos
run_price_optimization <- function(data, product_ids, future_dates = NULL, modelos_precio_lista = NULL) {
if (is.null(future_dates)) {
future_dates <- seq.Date(Sys.Date(), by = "month", length.out = 6)
}
precios_optimos_lista <- list()
for (id in product_ids) {
cat("Estimando precios Ć³ptimos para producto:", id, "\n")
price_model <- NULL
if (!is.null(modelos_precio_lista)) {
price_model <- modelos_precio_lista[[as.character(id)]]
}
precios_optimos_lista[[as.character(id)]] <- estimate_optimal_prices(
data = data,
product_id = id,
price_models = price_model,
future_dates = future_dates
)
}
return(precios_optimos_lista)
}
# FunciĆ³n principal que integra todo el pipeline
run_complete_analysis <- function(data, top_ids, modelos_arma, modelos_reg, modelos_rf, modelos_xgb, modelos_precio_lista = NULL) {
# 1. Ejecutar optimizaciĆ³n de precios para todos los productos
all_results <- run_price_optimization(data, top_ids, modelos_precio_lista = modelos_precio_lista)
# 2. Integrar con modelos existentes para cada producto
integrated_results <- list()
for (i in seq_along(top_ids)) {
pid <- top_ids[i]
pid_str <- as.character(pid)
arma_model <- if(length(modelos_arma) >= i) modelos_arma[[i]] else NULL
reg_model <- if(length(modelos_reg) >= i) modelos_reg[[i]] else NULL
rf_model <- if(length(modelos_rf) >= i) modelos_rf[[i]] else NULL
xgb_model <- if(length(modelos_xgb) >= i) modelos_xgb[[i]] else NULL
future_predictions <- integrate_with_existing_models(
data = data,
product_id = pid,
price_opt_results = all_results,
arma_model = arma_model,
reg_model = reg_model,
rf_model = rf_model,
xgb_model = xgb_model
)
integrated_results[[pid_str]] <- future_predictions
if (nrow(future_predictions) > 0) {
p_sales <- ggplot(future_predictions)
if ("Venta_ARMA_Ajustada" %in% names(future_predictions)) {
p_sales <- p_sales + geom_point(aes(x = Fecha, y = Venta_ARMA_Ajustada, color = "ARMA"), size = 3, na.rm = TRUE)
}
if ("Venta_RegLineal" %in% names(future_predictions)) {
p_sales <- p_sales + geom_point(aes(x = Fecha, y = Venta_RegLineal, color = "RegresiĆ³n Lineal"), size = 3, na.rm = TRUE)
}
if ("Venta_RandomForest" %in% names(future_predictions)) {
p_sales <- p_sales + geom_point(aes(x = Fecha, y = Venta_RandomForest, color = "Random Forest"), size = 3, na.rm = TRUE)
}
if ("Venta_XGBoost" %in% names(future_predictions)) {
p_sales <- p_sales + geom_point(aes(x = Fecha, y = Venta_XGBoost, color = "XGBoost"), size = 3, na.rm = TRUE)
}
if ("Venta_Consenso" %in% names(future_predictions)) {
p_sales <- p_sales + geom_line(aes(x = Fecha, y = Venta_Consenso, color = "Consenso"), size = 1.5)
}
p_sales <- p_sales +
labs(
title = paste("Predicciones de ventas con precios Ć³ptimos - Producto", pid),
x = "Fecha",
y = "Ventas estimadas ($)",
color = "Modelo"
) +
theme_minimal() +
theme(
plot.title = element_text(face = "bold"),
axis.title = element_text(face = "bold"),
legend.position = "bottom"
)
p_margins <- ggplot(future_predictions)
if ("Margen_Consenso" %in% names(future_predictions)) {
p_margins <- p_margins +
geom_col(aes(x = Fecha, y = Margen_Consenso), fill = "steelblue", width = 15) +
geom_text(aes(x = Fecha, y = Margen_Consenso, label = round(Margen_Consenso, 0)),
vjust = -0.5, size = 3.5)
}
p_margins <- p_margins +
labs(
title = paste("Margen esperado con precios Ć³ptimos - Producto", pid),
x = "Fecha",
y = "Margen estimado ($)"
) +
theme_minimal() +
theme(
plot.title = element_text(face = "bold"),
axis.title = element_text(face = "bold")
)
all_results[[pid_str]]$integrated_plots <- list(
sales = p_sales,
margins = p_margins
)
}
}
# 3. Visualizar resultados comparativos
all_optimal_prices <- data.frame()
for (pid in top_ids) {
pid_str <- as.character(pid)
if (pid_str %in% names(all_results)) {
opt_prices <- all_results[[pid_str]]$precios_optimos %>%
mutate(ID_Inventario = pid)
all_optimal_prices <- rbind(all_optimal_prices, opt_prices)
}
}
p_comparison <- ggplot(all_optimal_prices,
aes(x = Trx_Fecha, y = Precio_Optimal, color = factor(ID_Inventario))) +
geom_line(size = 1.2) +
geom_point(size = 3) +
labs(
title = "ComparaciĆ³n de Precios Ćptimos por Producto",
x = "Fecha",
y = "Precio Ćptimo",
color = "ID Producto"
) +
theme_minimal() +
theme(
plot.title = element_text(face = "bold"),
axis.title = element_text(face = "bold"),
legend.position = "bottom"
)
metricas_optimas <- data.frame()
for (pid in top_ids) {
pid_str <- as.character(pid)
if (pid_str %in% names(integrated_results)) {
pred_data <- integrated_results[[pid_str]]
if ("Margen_Consenso" %in% names(pred_data)) {
metrics_row <- data.frame(
ID_Inventario = pid,
Precio_Promedio = mean(pred_data$Precio_Final_Unitario, na.rm = TRUE),
Venta_Total = sum(pred_data$Venta_Consenso, na.rm = TRUE),
Margen_Total = sum(pred_data$Margen_Consenso, na.rm = TRUE),
Margen_Porcentual = 100 * sum(pred_data$Margen_Consenso, na.rm = TRUE) /
sum(pred_data$Venta_Consenso, na.rm = TRUE)
)
metricas_optimas <- rbind(metricas_optimas, metrics_row)
}
}
}
return(list(
resultados = all_results,
integracion = integrated_results,
precios_optimos = all_optimal_prices,
metricas_optimas = metricas_optimas,
grafico_comparativo = p_comparison
))
}
# Ejecutar el anƔlisis completo
resultado_completo <- run_complete_analysis(
data = datos,
top_ids = productos_ids,
modelos_arma = modelos_arma_lista,
modelos_reg = modelos_reg_lista,
modelos_rf = modelos_rf_lista,
modelos_xgb = modelos_xgb_lista,
modelos_precio_lista = modelos_precio_lista # Pasa esta lista si la tienes, o NULL
)## Estimando precios Ć³ptimos para producto: 155001
## Estimando precios Ć³ptimos para producto: 3929788
## Estimando precios Ć³ptimos para producto: 3904152
## Estimando precios Ć³ptimos para producto: 155002
## Estimando precios Ć³ptimos para producto: 36780559.0.7 GrĆ”fico comparativo de precios Ć³ptimos por producto:
# Mostrar mƩtricas si estƔs en modo interactivo
if (interactive()) View(resultado_completo$metricas_optimas)
cat("GrĆ”fico comparativo de precios Ć³ptimos por producto:\n")## GrĆ”fico comparativo de precios Ć³ptimos por producto:print(resultado_completo$grafico_comparativo)
10 PrediciĆ³n de ventas con precios optimos por producto
cat("GrƔficos individuales por producto:\n")## GrƔficos individuales por producto:for (pid in names(resultado_completo$resultados)) {
plots <- resultado_completo$resultados[[pid]]$integrated_plots
if (!is.null(plots)) {
cat(paste0("## Producto: ", pid, "\n\n"))
print(plots$sales)
print(plots$margins)
# SeparaciĆ³n visual opcional
cat("\n---\n\n")
}
}## ## Producto: 155001
##
## ---
##
## ## Producto: 3929788
##
## ---
##
## ## Producto: 3904152
##
## ---
##
## ## Producto: 155002
##
## ---
##
## ## Producto: 3678055
##
## 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