Análisis Predictivo en Retail Online

Demanda, Segmentación de Clientes, Punto de Reorden y Rentabilidad

Descripción General del Proyecto

Este proyecto aplica técnicas de Business Intelligence y Machine Learning para mejorar la toma de decisiones en el comercio electrónico. Se desarrollaron modelos predictivos para pronosticar demanda, segmentar clientes, calcular puntos de reorden y estimar rentabilidad.


Objetivos

Métodos Utilizados

1. Descomposición STL

STL (Seasonal-Trend decomposition using Loess) es un método para descomponer series temporales en:

  • Tendencia
  • Estacionalidad
  • Componente residual

Ventajas:

  • Robusto frente a ruido.
  • Permite detectar patrones estacionales.
  • Facilita la predicción futura.

2. K-Means

Algoritmo de clustering no supervisado utilizado para agrupar clientes con características similares.

Proceso:

  • Selección del número K de grupos.
  • Asignación de observaciones.
  • Actualización de centroides.
  • Iteración hasta convergencia.

3. KNN (K-Nearest Neighbors)

Método supervisado que clasifica observaciones utilizando los vecinos más cercanos.

Aplicación:

  • Clasificación automática de clientes.
  • Predicción basada en similitud.
  • Segmentación personalizada.

4. Prophet

Modelo desarrollado por Meta para predicción de series temporales.

Características:

  • Tendencia no lineal.
  • Estacionalidad múltiple.
  • Efectos de festividades.
  • Intervalos de confianza.

5. Random Forest

Algoritmo basado en múltiples árboles de decisión.

Ventajas:

  • Alta precisión.
  • Reduce overfitting.
  • Identifica variables importantes.
  • Robusto frente a datos ruidosos.

Cálculo del Punto de Reorden

El punto de reorden permite determinar cuándo realizar un nuevo pedido para evitar quiebres de stock.


Fórmula

ROP = Demanda durante Lead Time + Stock de Seguridad


Variable Descripción
Demanda diaria Consumo promedio por día
Lead Time Tiempo de reposición
Stock de Seguridad Inventario adicional para incertidumbre

Evaluación de Modelos

Modelo Métrica Interpretación
Prophet MAPE Error porcentual medio
KNN Accuracy Precisión de clasificación
Random Forest R² / MAE Calidad de predicción

Conclusiones