Modelo de predicción de venta en una compañía textil con técnicas de Machine Learning

Lezcano Echeverri, Jhon Wilder

Publicación:
Modelo de predicción de venta en una compañía textil con técnicas de Machine Learning

dc.contributor.advisor	Puerta Puerta, Henry Daniel
dc.contributor.author	Lezcano Echeverri, Jhon Wilder
dc.coverage.spatial	Medellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees
dc.creator.email	jwlezcanoe@eafit.edu.co
dc.creator.email	jhonlezcano16@gmail.com
dc.date.accessioned	2025-08-15T20:54:23Z
dc.date.available	2025-08-15T20:54:23Z
dc.date.issued	2025
dc.description	Este trabajo explora la implementación de modelos de predicción de ventas en una empresa del sector textil colombiano, a partir del uso combinado de técnicas tradicionales y enfoques basados en Machine Learning. Se analizaron datos de ventas diarias en 187 tiendas entre 2021 y 2025. Se desarrollaron cuatro fases metodológicas: (1) análisis exploratorio, (2) ingeniería de características, (3) implementación de modelos (4) Optimización y mejoras de los modelos y (5) validación comparativa. Se implementaron los modelos: Prophet, XGBoost, Random Forest y Regresión Lineal regularizada. Prophet obtuvo el mejor desempeño general en unidades (R² = 0.7121), destacándose por su capacidad para capturar patrones estacionales complejos y adaptarse a la variabilidad entre tiendas. Por su lado, XGBoost mostró alta precisión en escenarios no lineales, mientras que Random Forest ofreció robustez ante el ruido y la Regresión Lineal proporcionó mayor interpretabilidad. La ingeniería de características incorporó 83 variables, incluyendo componentes temporales, tendencias, volatilidad y efectos especiales. Mediante un análisis transversal se reveló tendencias comunes como la subestimación de picos, mayor error en tiendas pequeñas y fines de semana, y menor precisión al predecir montos monetarios con respecto a unitarios. Se concluye que la predicción de ventas mediante Machine Learning ofrece mejoras sustanciales respecto a los métodos tradicionales para una mayor eficiencia operativa, optimización de inventario y planificación financiera. Se recomienda adoptar Prophet como modelo principal y establecer ciclos mensuales de recalibración para mantener la precisión.
dc.description.abstract	This 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.
dc.description.degreelevel	Maestría	spa
dc.description.degreename	Magíster en Ciencias de Datos y Analítica	spa
dc.format.mimetype	application/pdf
dc.identifier.instname	instname:Universidad EAFIT
dc.identifier.reponame	reponame:Repositorio Institucional Universidad EAFIT
dc.identifier.repourl	repourl:https://repository.eafit.edu.co
dc.identifier.uri	https://hdl.handle.net/10784/36677
dc.language.iso	spa
dc.publisher	Universidad EAFIT	spa
dc.publisher.department	Área Computación y Analítica	spa
dc.publisher.faculty	Escuela de Ciencias Aplicadas e Ingeniería	spa
dc.publisher.place	Medellín
dc.publisher.program	Maestría en Ciencias de los Datos y Analítica	spa
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.local	Acceso abierto
dc.rights.uri	http://creativecommons.org/licenses/by-nc/4.0/deed.es
dc.subject	Pronóstico de ventas
dc.subject	Sector textil
dc.subject	Machine Learning
dc.subject	PropheT
dc.subject	Estacionalidad
dc.subject	Series temporales
dc.subject	Random Forest
dc.subject	XGBoost
dc.subject	Modelos de ensemble
dc.subject	regresión lineal
dc.subject.keyword	Sales forecasting
dc.subject.keyword	Textile sector
dc.subject.keyword	Seasonality
dc.subject.keyword	Time series
dc.subject.keyword	Ensemble models
dc.subject.keyword	Linear regression
dc.subject.lemb	APRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)
dc.subject.lemb	INDUSTRIA TEXTIL - COLOMBIA) - INNOVACIONES TECNOLÓGICAS
dc.subject.lemb	MINERÍA DE DATOS
dc.subject.lemb	PRONÓSTICO DE VENTAS
dc.title	Modelo de predicción de venta en una compañía textil con técnicas de Machine Learning
dc.type	info:eu-repo/semantics/masterThesis
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc
dc.type.coarversion	http://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.local	Tesis de Maestría	spa
dc.type.redcol	http://purl.org/redcol/resource_type/TM
dc.type.version	info:eu-repo/semantics/acceptedVersion
dspace.entity.type	Publication