Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería Industrial · 2026
Pronóstico de inventario de impresiones en una empresa de e-commerce
La gestión del inventario de impresiones publicitarias en plataformas de comercio electrónico constituye un desafío técnico debido a la alta volatilidad, asimetría y heterogeneidad de las series temporales asociadas al tráfico digital. El objetivo de esta investigación fue proponer y validar un modelo de pronóstico de inventario para una empresa de e-commerce, orientado a mejorar la precisión en la planeación de ventas garantizadas y la optimización de ingresos publicitarios. Se desarrolló un estudio cuantitativo y aplicado bajo la metodología CRISP-DM, utilizando 652.318 observaciones correspondientes a 1.520 series temporales únicas, extraídas de una ventana histórica de 851 días. Se diseñó una arquitectura basada en XGBoost, incorporando 79 variables predictoras que capturan dinámica histórica, volatilidad, régimen y contexto temporal, junto con un particionamiento temporal estratificado por serie (70/15/15). El modelo optimizado alcanzó un MAE de 2,86 y un coeficiente de determinación (R²) de 0,99 en el conjunto de prueba, logrando una reducción del 91% del error frente a modelos base, incluyendo LSTM y ARIMA. Los experimentos de control descartaron data leakage significativo. Se concluye que el enfoque de ensamble propuesto supera a los modelos estadísticos y de aprendizaje profundo evaluados, ofreciendo alta precisión, robustez ante outliers y eficiencia computacional para su implementación en entornos productivos de alta demanda. (Texto tomado de la fuente)
Full text 51 pages with text
Read the full thesis Record in the repository
Contents
- Agradecimientosp. 7
- Resumenp. 8
- Abstractp. 9
- Introducciónp. 10
- Antecedentes:p. 12
- Conceptos:p. 12
- Estado del Arte:p. 12
- Métodos Clásicos de Pronósticop. 12
- Modelos de Aprendizaje Automático (Machine Learning)p. 14
- Modelos Híbridos y Nuevas Implementacionesp. 16
- Planteamiento del problema:p. 19
- Objetivo general y objetivos específicos:p. 20
- Objetivo General:p. 20
- Objetivos Específicos:p. 20
- Metodologíap. 21
- Comprensión del Negocio y Definición del Problemap. 21
- Comprensión y Extracción de los Datosp. 21
- Curación y Criterios de Calidadp. 21
- Preparación de los Datos e Ingeniería de Atributosp. 22
- Feature Engineering Avanzadop. 22
- Estrategia de Particionamiento Estratificadop. 23
- Modelado y Proceso de Experimentaciónp. 23
- Fase de Línea Base (Baselines):p. 23
- Fase de Optimización:p. 23
- Plan de Evaluación y Validaciónp. 24
- Análisis Exploratorio de Datos (EDA)p. 25
- Distribución Estadística de las Impresionesp. 25
- Caracterización de las Series Temporalesp. 27
- Disponibilidad de Datos por Seriep. 27
- Análisis de Variabilidad por Ubicación (Placement Group)p. 28
- Diagnóstico de la Señal: Estacionalidad y Tendenciap. 30
- Análisis de Estacionalidad Semanal y Memoria del Datop. 30
- Componente de Tendencia y Ruidop. 32
- Análisis de resultadosp. 35
- Comparativa Global de Desempeñop. 35
- Evaluación de la Red Neuronal LSTM (Deep Learning)p. 35
- Análisis Comparativo: XGBoost frente a la Estadística Clásica (ARIMA)p. 36
- Análisis de Capacidad de Generalización (Overfitting)p. 39
- Análisis de Integridad Temporal (Temporal Leakage)p. 40
- Prueba A - Comparación con baseline ingenuo por seriep. 42
- Prueba B — Aleatorización de variables potencialmente sensiblesp. 42
- Discusión Técnicap. 43
- Conclusiones y recomendacionesp. 45
- Conclusionesp. 45
- Recomendacionesp. 46
- Bibliografíap. 47
- Figura 1 Fórmula matemática inventario de impresionesp. 17
- Figura 2 Fórmula matemática de minimización de error de inventariop. 18
- Figura 3 Descripción del problema Fuente: Elaboración propiap. 19
- Figura 4 Distribución General de sum_n_printsp. 25
- Figura 5 Boxplot de sum_n_printsp. 26
- Figura 6 Top 5 series Por sum_n_prints y longitudp. 27
- Figura 7 Distribución de observaciones por seriep. 28
- Figura 8 Distribución por placement Group (sin outliers)p. 29
- Figura 9 Fuerza de estacionalidad Semanal (STL, periodo 7)p. 30
- Figura 10 Autocorrelación en lag 7 (proxy semanal)p. 31
- Figura 11 Autocorrelación en lag 7 (proxy semanal)p. 31
- Figura 12 ACF en lag 7 (proxy estacionalidad anual)p. 32
- Figura 13 Fuerza de tendencia (STL)p. 32
- Figura 14 Estacionalidad vs tendenciap. 33
- Figura 15 Ejemplo STL serie representativap. 34
- Figura 16 Comparativa con modelo LSTM, y ARIMA (Rolling Forecast)p. 36
- 386,4723,8744p. 39
- Figura 20 Comparación de R2 modelo actual vs escenarios de controlp. 41
- Tabla 1 Comparativa Consolidada de Modelosp. 35
- Tabla 2 Comparativa de métricas entre los datasetp. 40
- Tabla 3 Impacto de la remoción de variables temporales en el desempeñop. 41