Predicción de Ventas con Machine Learning y Visualización Adaptativa con Business Intelligence en una Empresa Logística del Ecuador
DOI:
https://doi.org/10.65415/9xb01a98Palabras clave:
Predicción de Ventas, Machine Learning, Business Intelligence, Evaluación de Modelos, Visualización Adaptativa.Resumen
Este estudio aborda el desafío de anticipar la demanda en el sector logístico ecuatoriano mediante la integración de machine learning (ML) con business intelligence (BI) y visualización adaptativa. Usando registros consolidados de ventas mensuales (2019-2025), se entrenaron siete enfoques de pronóstico (Random Forest, Gradient Boosting, Support Vector Regression, k-Nearest Neighbors, Regresión Lineal, Prophet y un modelo base naive estacional) bajo un protocolo idéntico de entrenamiento/prueba cronológico (entrenamiento 2019-2023, prueba sobre 2024) y se evaluaron con MAE, RMSE, MAPE y R². Random Forest obtuvo el mejor desempeño (MAPE = 8.43%), superando al modelo base (11.56%) y superando claramente a los enfoques que extrapolan tendencia, como la Regresión Lineal (32.53%) y Prophet (27.23%). Un análisis de errores detallado, replicado de forma independiente para cada categoría de servicio de negocio, muestra además que los modelos de conjunto basados en árboles presentan un sesgo pequeño y consistente, más fácil de corregir que la varianza impredecible mes a mes del modelo base, que la ventaja agregada de Random Forest está impulsada principalmente por las tres categorías de mayor valor (Paletizado, Flete, Granos), y que los modelos basados en tendencia sobreproyectan sistemáticamente las ventas durante el período atípico y casi estancado de 2024, posterior a una fuerte contracción en 2023. Los pronósticos validados se integraron en tableros de BI adaptativos que exponen vistas a nivel de categoría, zona y ruta con indicadores de incertidumbre. Estos resultados muestran que combinar un modelo de ML rigurosamente validado con tableros adaptativos mejora tanto la precisión del pronóstico como su interpretabilidad para los tomadores de decisiones logísticas, mientras que los análisis comparativo y de errores aportan un protocolo de evaluación reproducible para estudios de predicción de ventas en el sector logístico latinoamericano.
Descargas
Referencias
Bi, X., Adomavicius, G., Li, W., Qu, A.: Improving sales forecasting accuracy: a tensor factorization approach with demand awareness. INFORMS Journal on Computing 34(3), 1644–1660 (2022)
Breiman, L.: Random forests. Machine Learning 45(1), 5–32 (2001)
Choi, T.M., Wallace, S.W., Wang, Y.: Big data analytics in operations management. Production and Operations Management 27(10), 1868–1883 (2018)
Chopra, S., Meindl, P.: Supply Chain Management. Pearson (2020)
Cuesta Astudillo, F.L., Buele Nugra, I.G., Coral Pesantez, L.E., Marin Neira, D.M.: Pronóstico de ventas en empresas manufactureras ecuatorianas aplicando Random Forest. In: XI Congreso Internacional de Auditoría, Gestión y Negocios (CIAGEN 2024), Ecuador (2024)
Culcay, L., Bustillos, F., Vallejo-Huanga, D.: Home appliance demand forecasting: a comparative approach using traditional and machine learning algorithms. In: Arai, K. (ed.) Intelligent Systems and Applications (IntelliSys 2023), vol. 3. LNNS, vol. 824, pp. 457–473. Springer (2024)
Efat, M.I.A., Hajek, P., Abedin, M.Z., Azad, R.U., Al Jaber, M., Aditya, S., Hassan, M.K.: Deep-learning model using hybrid adaptive trend estimated series for modelling and forecasting sales. Annals of Operations Research 339, 297–328 (2024)
Friendly, M.: A brief history of data visualization. In: Chen, C.H., Härdle, W., Unwin, A. (eds.) Handbook of Data Visualization, pp. 15–56. Springer (2008)
Ganguly, P., Mukherjee, I.: Enhancing retail sales forecasting with optimized machine learning models. In: 2024 International Conference on Smart Electronics and Systems (ICSES). IEEE (2024)
Goel, L., Nandal, N., Gupta, S., Karanam, M., Yeluri, L.P., Pandey, A.K., Rozhdestvenskiy, O.I., Grabovy, P.: Revealing the dynamics of demand forecasting in supply chain management: a holistic investigation. Cogent Engineering 11(1) (2024)
Herrera-Franco, G., Montalván-Burbano, N., Mora-Frank, C., Bravo-Montero, L.: Scientific research in Ecuador: a bibliometric analysis. Publications 9(4), 55 (2021)
Hobor, L., Brčić, M., Polutnik, L., Kapetanović, A.: Comparative analysis of modern machine learning models for retail sales forecasting. Croatian Operational Research Review 17(2), 285–296 (2026)
Joseph, M., Tackes, J.: Modern Time Series Forecasting with Python: Industry-Ready Machine Learning and Deep Learning Time Series Analysis with PyTorch and pandas, 2nd edn. Packt Publishing (2024)
Ma, S., Fildes, R.: Retail sales forecasting with meta-learning. European Journal of Operational Research 288(1), 111–128 (2021)
Mitra, A., Jain, A., Kishore, A., Kumar, P.: A comparative study of demand forecasting models for a multi-channel retail company: a novel hybrid machine learning approach. SN Operations Research Forum 3(4), 1–22 (2022)
Pasupuleti, V., Thuraka, B., Kodete, C.S., Malisetty, S.: Enhancing supply chain agility and sustainability through machine learning: optimization techniques for logistics and inventory management. Logistics 8(3), 73 (2024)
Pavlyshenko, B.M.: Machine-learning models for sales time series forecasting. Data 4(1), 15 (2019)
Punia, S., Nikolopoulos, K., Singh, S.P., Madaan, J.K., Litsiou, K.: Deep learning with LSTM networks and random forests for demand forecasting in multi-channel retail. International Journal of Production Research 58(16), 4964–4979 (2020)
Ribeiro, M.T., Singh, S., Guestrin, C.: “Why should I trust you?” Explaining the predictions of any classifier. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 1135–1144. ACM (2016)
Rodríguez, V., Flores-Sanchez, M., Zambrano, C.H., Rincón, L., Paz, J.L., Torres, F.J.: Analysis of Ecuador’s SCOPUS scientific production during the 2001–2020 period by means of standardized citation indicators. Heliyon 8(4), e09329 (2022)
Shmueli, G., Bruce, P.C., Gedeck, P., Patel, N.R.: Data Mining for Business Analytics: Concepts, Techniques, and Applications in Python. Wiley (2020)
Sisa, I., Caicedo-Potosí, J., Cordovez, M., Verdezoto, C., Barreno, M., Coral, M., Herrera-Franco, G.: One hundred years of Ecuadorian biomedical scientific output and its association with the main causes of mortality: a bibliometric study. Frontiers in Medicine 11, 1395433 (2024)
Sohrabpour, V., Oghazi, P., Toorajipour, R., Nazarpour, A.: Export sales forecasting using artificial intelligence. Technological Forecasting and Social Change 163, 120480 (2021)
Taylor, S.J., Letham, B.: Forecasting at scale. The American Statistician 72(1), 37–45 (2018)
Žunić, E., Korjenić, K., Hodžić, K., Đonko, D.: Application of Facebook’s Prophet algorithm for successful sales forecasting based on real-world data. International Journal of Computer Science & Information Technology 12(2), 23–36 (2020)
Zubair, M., Waleed, A., Rehman, A., Ahmad, F., Islam, M., Javed, S.: Machine learning insights into retail sales prediction: a comparative analysis of algorithms. In: 2024 International Conference on Horizons of Information Technology and Engineering (HITE). IEEE (2024)
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Johanna María Achance Solís, Yomira Yamilex Preciado Cortez, Julio Goivanni Litardo Unda, Liliam Stephania Garzón Reyes
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
