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

Aug 4, 2026

La predicción precisa de la demanda constituye un elemento estratégico para optimizar la planificación operativa y la asignación eficiente de recursos en entornos industriales. El trabajo desarrolla un análisis comparativo de enfoques de pronóstico aplicados a datos reales de ventas de una empresa líder en la industria del vidrio, combinando modelos estadísticos tradicionales (ARIMA) con técnicas de machine learning como Random Forest, XGBoost, Prophet y redes neuronales LSTM. La evaluación integra métricas absolutas y relativas (RMSE, WAPE, R²) respetando la estructura temporal, evidenciando la superioridad de los modelos basados en machine learning. Además, se argumenta la relevancia de predicciones desagregadas por producto para maximizar el nivel de servicio y mejorar flexibilidad operativa, proponiendo líneas futuras para fortalecer capacidades predictivas.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas93

Tiempo de lectura2 h 23 min

AccesoGratis para descargar

Tabla de contenidos

Introducción

Contexto

Planteamiento del problema

Objetivos de investigación

Revisión de la literatura

Importancia del pronóstico de demanda en la industria del vidrio

Métodos de pronóstico de demanda

Series de tiempo

Métodos informales y promedios simples

Modelos de regresión

Modelos ARIMA / SARIMA y la metodología Box-Jenkins

Modelos aditivos: Prophet

Modelos de machine learning para series temporales

Datos

Estructura del dataset

Fuentes de datos

Variables relevantes

Análisis exploratorio de datos

Análisis de la demanda por SKU y cliente

Análisis por rubro

Identificación de patrones estacionales y de tendencia

Dispersión y volatilidad

Importancia empírica de variables predictoras

Metodología

Nivel y horizonte del pronóstico

Horizonte de pronóstico: octubre–diciembre 2024

Preparación de los datos

Selección y descripción de los modelos predictivos

Entrenamiento y validación

Evaluación de desempeño

Resultados

Enfoque de evaluación

Resultados por modelo

Comparación entre modelos

Escuela de Negocios Tipo de documento: Tesis de maestría Master in Management + Analytics Predicción de la Demanda mediante Modelos Estadísticos y de Machine Learning: Un Estudio Aplicado en la Industria del Vidrio Autoría: Harsányi, Pablo Año: 2025 ¿Cómo citar este trabajo? Harsányi, P. (2025)“Predicción de la Demanda mediante Modelos Estadísticos y de Machine Learning: Un Estudio Aplicado en la Industria del Vidrio”. [Tesis de maestría. Universidad Torcuato Di Tella] . Repositorio Digital Universidad Torcuato Di Tella [https://repositorio.utdt.edu/handle/20.500.13098/13677](https://repositorio.utdt.edu/handle/20.500.13098/13677) El presente documento se encuentra alojado en el Repositorio Digital de la Universidad Torcuato Di Tella bajo una licencia Creative Commons Atribución-No Comercial-Compartir Igual 4.0 Internacional Dirección: [https://repositorio.utdt.edu](https://repositorio.utdt.edu) Biblioteca Di Tella Master in Management + Analytics Predicción de la Demanda mediante Modelos Estadísticosyde Machine Learning: Un Estudio Aplicado en la Industria del Vidrio Francisco Pablo Harsányi Tutor: Luigi Laporte Resumen La predicción precisa de la demanda constituye un elemento estratégico para optimizar la planificación operativa y la asignación eficiente de recurs os en entornos industriales. Este trabajo desarrolla un análisis comparativo de distintos enfoques de pronóstico aplicados a datos reales de ventas de una empresa líder en la industria del vidrio. Se implementaron modelos estadísticos tradicionales (ARIMA) y técnicas avanzadas de machine learning (Random Forest, XGBoost, Prophet y redes neuronales LSTM), evaluados en dos niveles de agregación: SKU–mes y demanda total mensual. La metodología de evaluación combinó métricas absolutas y relativas (RMSE, WAPE, R²), respetando la estructura temporal de los datos para preservar la validez predictiva. Los resultados evidencian una marcada superioridad de los modelos basados en machine learning, destacándose XGBoost con errores ponderados inferiores al 3% y niveles de ajuste superiores al 95% en predicción agregada. El estudio resalta además la importancia de contar con predicciones desagregadas por producto, no solo para maximizar el nivel de servicio y minimizar inventarios, sino también para mejorar la flexibilidad operativa ante variaciones en la demanda. Finalmente, se discuten las implicancias prácticas de los hallazgos y se proponen líneas de investigación futuras para continuar fortaleciendo las capacidades predictivas en contextos industriales dinámicos. Índice 1. Introducción 1.1. Contexto ……………………………………………………………………………... 6 1.2. Planteamiento del problema …………………………………………………………. 8 1.3. Objetivos de investigación …………………………………………………………... 9 2. Revisión de la literatura …………………………………………………………….... 10 2.1. Importancia del pronóstico de demanda en la industria del vidrio ..………………… 10 2.2. Métodos de pronóstico de demanda …………………………………………………. 11 2.2.1. Series de tiempo ………………………....……………………………………… 11 2.2.2. Métodos informales y promedios simples……………………………………… 13 2.2.3. Modelos de regresión…………………………………………………………… 19 2.2.4. Modelos ARIMA / SARIMA y la metodología Box-Jenkins …………………….. 24 2.2.5. Modelos aditivos: Prophet ……………………………………………………... 27 2.2.5. Modelos de machine learning para series temporales ………………………….. 28 2.2.5.1. Random Forest ……………………………………………………………... 28 2.2.5.2. XGBoost…………………………………………………………………… 29 2.2.5.3. Redes neuronales y modelos avanzados de aprendizaje profundo ...……… 30 3. Datos ………………………………………………………………………………….. 31 3.1. Estructura del dataset ……………………………………………………………….. 31 3.1.1. Fuentes de datos ………………………………………………………………... 31 3.1.2. Variables relevantes ……………………………………………………………. 34 3.2. Análisis exploratorio de datos ………………………………………………………. 36 3.2.1. Análisis de la demanda por SKU y cliente ……………………………………... 37 3.2.2. Análisis por rubro ………………………………………………………………

Preguntas frecuentes

Qué modelos estadísticos y de machine learning se comparan para la predicción de la demanda?

Se comparan modelos estadísticos tradicionales como ARIMA y técnicas de machine learning como Random Forest, XGBoost, Prophet y redes neuronales LSTM, además de enfoques para series de tiempo y modelos aditivos.

Cómo se evalúa el desempeño de los modelos de pronóstico?

La evaluación combina métricas absolutas y relativas como RMSE, WAPE y R², preservando la estructura temporal de los datos para mantener la validez predictiva.

Qué conclusión principal arroja el estudio sobre los modelos más efectivos?

Los resultados muestran una superioridad marcada de los modelos basados en machine learning, destacándose XGBoost con errores ponderados inferiores al 3% y niveles de ajuste superiores al 95% en predicción agregada.

Aug 4, 2026

Subir por Valentina