Predicción de la demanda utilizando algoritmos estadísticos y de aprendizaje automático

Abstract

El presente trabajo tiene por objetivo establecer una metodología para la predicción de la demanda diaria de envíos en una empresa dedicada al comercio electrónico por medio del uso de algoritmos matemáticos. Para ello, se ha comenzado realizando una intensa revisión literaria para analizar los métodos y algoritmos empleados hasta el momento en la predicción de la demanda en diferentes industrias y empresas en base a artículos científicos internacionales. Gracias a esta búsqueda bibliográfica se eligieron los algoritmos, tanto estadísticos como de aprendizaje automático, que habían proporcionado buenos resultados según los artículos consultados para evaluar su eficiencia en el caso particular de este proyecto. A partir de este punto, se trabajó en comprender el funcionamiento de cada algoritmo en particular aplicados en el contexto que nos ocupa, así como los parámetros más característicos de cada uno. Seguidamente, se llevó a cabo la programación de éstos y el testeo de su idoneidad a partir del histórico de datos facilitados por la empresa. Posteriormente, se compararon los resultados obtenidos por los diferentes algoritmos con la finalidad de hallar aquellos que mejor se ajustaban a las observaciones registradas por la compañía. En el caso concreto de este trabajo, los algoritmos que mejor ajustaban las predicciones eran los de aprendizaje automático (más concretamente, bosques aleatorios, k vecinos más próximos y la red neuronal LSTM). Una vez obtenidos los resultados iniciales, se valoró la opción de mejorarlos mediante dos métodos. El primero consistía en combinar estos algoritmos en la predicción de la demanda utilizando un método de ensamblaje, pero se llegó a la conclusión de que no había ninguna combinación de algoritmos que mejorase los resultados obtenidos de forma clara. El segundo método fue la calibración de los parámetros característicos de cada algoritmo con el fin de mejorar la bondad de los resultados obtenidos. Ningún método mejoraba de forma significativa los resultados iniciales obtenidos pero la calibración de parámetros fue el único método que consiguió mejorar los resultados de forma general en todas las ciudades. Es por ello por lo que se decidió aconsejar a la empresa la predicción de su demanda por medio del algoritmo de bosques aleatorios y con el método de mejora de calibración de parámetros.