Examinando por Materia "Sales forecasting"
Mostrando 1 - 4 de 4
Resultados por página
Opciones de ordenación
Publicación Caracterización del manejo del tiempo y la carga de trabajo de los representantes de venta en empresa distribuidora de productos químicos en Colombia(Universidad EAFIT, 2008) Hoyos Gómez, Juan CamiloLa presente investigación pretende determinar la carga de trabajo del departamento de ventas de una empresa dedicada a la distribución y comercialización de productos químicos y materias primas para la industria en general, establecer el perfil tiempo-actividad por cargo y compararlo con el perfil esperado por los directivos -- Para esto se realizaron encuestas a todos los representantes de ventas, quienes a su vez, ayudaron a establecer las actividades más comunes que realizan día a día -- Con base en los resultados obtenidos, el investigador propone cambios a la estructura del departamento de ventas, transferencia de actividades a otros departamentos y revisión de casos puntuales de sobrecarga de trabajo -- Este trabajo de investigación se presenta como una fuente de información y ayuda en el planteamiento de alternativas para adecuar la estructura del departamento de ventas a los nuevos retos planteados por el plan estratégico de la empresa para los próximos añosPublicación Interpreting direct sales' demand forecasts using SHAP values(Universidad EAFIT, 2022) Arboleda Flórez, Mariana; Castro Zuluaga, Carlos AlbertoÍtem Inventarios y pronósticos de demanda en ensamble de equipos mecánicos: motorreductores(Universidad EAFIT, 2008) Alzate Gómez, Juan Pablo; Lotero Martínez, Carlos Andrés; Mora Gutierrez, Luis AlbertoPublicación Modelo de predicción de venta en una compañía textil con técnicas de Machine Learning(Universidad EAFIT, 2025) Lezcano Echeverri, Jhon Wilder; Puerta Puerta, Henry DanielThis study explores the implementation of sales forecasting models in a Colombian textile company, combining traditional techniques with Machine Learning-based approaches. Daily sales data from 187 stores between 2021 and 2025 were analyzed. The methodology followed five stages: (1) exploratory analysis, (2) feature engineering, (3) model implementation, (4) model optimization and fine-tunning, and (5) comparative validation. The models implemented were: Prophet, XGBoost, Random Forest, and regularized Linear Regression. Prophet achieved the best overall performance for units sold (R² = 0.7121), standing out for its ability to capture complex seasonal patterns and adapt to store-level variability. XGBoost demonstrated high accuracy in non-linear scenarios, Random Forest showed robustness to noise, and Linear Regression provided greater interpretability. Feature engineering resulted in 83 variables, including temporal components, trends, volatility, and special effects. A cross-sectional analysis revealed common patterns such as peak underestimation, higher error in smaller stores and weekends, and lower accuracy in predicting monetary values compared to units. The findings confirm that sales forecasting using Machine Learning offers substantial improvements over traditional methods, enhancing operational efficiency, inventory optimization, and financial planning. Prophet is recommended as the primary model, along with the establishment of monthly recalibration cycles to maintain accuracy.