Implementación de un Sistema de Predicción de ventas mediante el uso de aprendizaje supervisado para una empresa

[jcosme]

Juan Carlos Cosme
UNI – Facultad de Ingeniería Industrial y de Sistemas
Lima, Perú juan.cosme.l@uni.edu.pe

Renato de la Cruz
UNI – Facultad de Ingeniería Industrial y de Sistemas
Lima, Perú rdelacruzm@uni.pe


RESUMEN:

Se trabajó con variables exógenas PBI, Tasas de desempleo, ECC, Inflación, EES para complementar de manera independiente con las variables proporcionado por la empresa obteniendo resultados en diferentes tipos de algoritmos como los son Random Forest, ReepTree, Redes neuronales, SMOREG, Regresión lineal por lo cual se optó el algoritmo Regresión lineal dando como resultado 21 instancias con un margen de error absoluto de 2073.9304 con instancia “1”, por lo que indica que es el algoritmo elegido para las predicciones futuras de las ventas por calzado.

Palabras claves – retail, Random Forest, ReepTree, Redes neuronales, SMOREG

INTRODUCCION

La empresa de calzado cuenta con mas de 30 años en el mercado y dispone diversos tipos de modelos en la línea de calzado para damas tales como ballerinas, stilettos, mocacines, sandalias, zapatillas por lo tanto las marcas más demandadas son Páez, Botero, Fasceni, Jorge Bishof. Teniendo claro la definición de cada tipo de calzado.

• Ballerinas: a estos tipos de calzado se considera por tener puntas agudas y se usa para look casuales.
• Stilettos: son zapatos cerrados de tacón puntilla y se usa para la oficina o para llevar con traje de fiesta.
• Sandalias: es un tipo de calzado con suela resistente atada al pie mediante bandas de material ligero se usa en temporada de verano.
• Zapatillas: es un tipo de calzado ligero y cómodo con suela plana se usa dentro del hogar u en temporada de invierno donde es más demandado.


ESTADO DEL ARTE

• Se han aplicado diversos tipos de algoritmos de aprendizaje supervisado en función al tipo de regresión cuyo valor objetivo es numérico a partir de la información obtenida del dataset proporcionado por la empresa de calzado con periodo entre 2018 y 2023, y se obtuvo diferentes resultados comparando el mejor coeficiente correlativo con un menor margen de error para así tomar la predicción de la venta de calzado para los años posteriores.
Con respecto a:

• Random Forest: Este algoritmo de predicción de arboles aleatorios nos proporciona resultados de las ventas mensuales por el tipo de calzado dando resultado 21 instancias con un margen de error absoluto de 1275.6183 con instancia “1”


Fig.1 Algoritmo Random Forest

• ReepTree: es un tipo de aprendizaje de árboles de decisiones se caracteriza por usar ganancia y varianza nos proporciono resultados adecuado para la toma de decisión dando como resultado 21 instancias con un margen de error absoluto de 12977.128 con instancia “15”

Fig.2 Algoritmo ReepTree

• Redes neuronales: este modelo nos sirve para obtener funciones adecuadas en diferentes capas ocultas brindando un coeficiente correlativo dando como resultado 21 instancias con un margen de error absoluto de 14247.2762 con instancia “14”

Fig.3 Algoritmo Redes Neuronales

• SMOREG: este algoritmo es vectores de soporte para la regresión por lo cual nos arrojó como resultado 21 instancias con un margen de error absoluto de 3011.123 con instancia “4”

Fig.4 Algoritmo SMOreg

• Regresión líneal: este algoritmo utiliza la línea recta de mejor ajuste por lo que también es conocida como línea de regresión teniendo en cuenta que establece la variable dependiente tales calzados, fecha, PBI y etc. dando como resultado 21 instancias con un margen de error absoluto de 2073.9304 con instancia “1”

Fig.5 Algoritmo Regresión lineal


De acuerdo al dataset trabajado se ha tenido que depurar variables innecesarias como el contador correlativo, tipos de comprobantes, OP, nombre vendedoras, RUC, razón social y código de barra.

TECNICAS PROPUESTAS

DATA SET

Se tiene en cuenta que el data set es una colección de almacenamiento organizada en filas y columnas por lo que se ha trabajado con 65 registros y 13 variables dependientes y una variable objetiva precio venta para el debido procesamiento con algoritmo supervisados de tipo regresión en machine learning.

Cuadro de variables





Fig.6 Muestra DataSet

CONCLUSION

• La regresión Lineal muestra un mejor comportamiento, basándose en dos variables, la venta del mes anterior y la Tasa de desempleo.



• Se necesita mejores variables económicas para poder realizar una predicción con menor Mean absolute error y Root Mean Squared error.

REFERENCIA

https://estadisticas.bcrp.gob.pe/estadisticas/
https://www.ipsos.com/es-cl/ipsos-cci-i ... nfianza-de