La plática inicia con la introducción del problema de la planeación de la demanda en un ejemplo concreto, un conjunto de datos con información de la venta de ciertos productos y las características que los acompañan. Presentado por Juan Zinser y Sergio Nieto

1. Demand Planning
Forecasting en Ciencia de Datos
Juan
Sergio

2. ● ¿Por qué Predicción de la Demanda?
● Modelado por Series de Tiempo.
● Ward Clustering para agrupar demandas similares.
● Un Modelo Estacional Lineal
● Resultados y Conclusiones

4. Photo by Bernard Hermant on Unsplash
▷
▷

5. Ejemplos de este tipo de negocios son las ventas al
menudeo o venta por catálogo ya sea comercio por
internet u otros similares.
01.
Si se compra muy poco comenzamos a negar
pedidos o compras de los clientes. Se genera
abandono y esto beneficia a la competencia.
02.
03.
Cada artículo se consume de manera constante,
con excepción de los productos “estrellas”. Planear
cuánto debemos comprar es un reto en estos
negocios.

6. Si se compra demasiado, tendremos que
rematarlo después (descuentos, 2x1, etc).04.
05.
06.
Los productos pueden tener históricos de sus
ventas porque son parte de la línea del
negocio.
Sin embargo, hay modelos que no se han
vendido anteriormente, nuevos para el
negocio y clientes.

7. ● La demanda de un producto es el número de artículos que se
venden en un periodo de tiempo.
● Para hacer una estimación de la demanda tomamos en cuenta
variables de los datos del negocio: clientes activos en un
periodo, razón de compra de los productos, etc.
● La demanda puede ser antes o después de aplicar conceptos
como devoluciones, descuentos o promociones, pérdidas, etc.

8. ● Puede haber sucesos importantes en el negocio: cambios de
temporadas, vacaciones, etc.
● La operación de nuestros clientes puede depender directamente
de estos.
● La llegada de nuevos productos también tiene estas dependencias
y los periodos de compras varían.
● Todos estos factores operativos se deben tomar en cuenta
o nuestro proyecto de Ciencia de Datos nunca saldrá a producción...

9. Photo by Artem Beliaikin @belart84 on Unsplash
problemas de inventario falta de producto

11. Demanda de productos con historia
● Encontramos que es mejor hacer Grupos de modelos con
incidencias similares en la historia reciente. Según el grupo,
usamos los datos para generar predicciones.
● Las predicciones se pueden hacer utilizando un modelo
lineal, ARIMA, Redes Neuronales, etc.

12. Demanda de productos sin historia
● Usamos los mismos grupos (con los productos que tienen
historia) y entrenamos un clasificador sobre estos. ¡Usamos
un vector de probabilidades para cada producto nuevo!
● Usando las predicciones de la demanda para los artículos
con historia. Se hacen ponderando el individuo promedio de
cada grupo con la probabilidad de pertenencia como peso
de la predicción.

13. Predicciones dinámicas (cuando se tienen nuevas observaciones):
● Usamos los mismos grupos y entrenamos un clasificador sobre
estos. Solo que esta vez usamos el comportamiento más
reciente en los periodos transcurridos.
● Usamos un vector de probabilidades para cada producto y
ponderamos las predicciones generadas para cada grupo.
● Usamos una métrica de desempeño que captura las ventajas
de hacer predicciones dinámicas.

14. Predicción de
Demanda para los
productos del
grupo 1
Comportamiento
de la demanda en
el grupo 1
Comportamiento
de la demanda en
el grupo 2
. . .
Comportamiento
general
. . .
Comportamiento
de la demanda en
el grupo n
Predicción de
Demanda para los
productos del
grupo n
Predicción de
Demanda para los
productos del
grupo 2
Modelo Estacional
Lineal
Ward Clustering
Flujo de la Solución

15. Modelado de actividad e incidencia a
través del tiempo.
Identificar tendencia y estacionalidad.

18. Agrupación de modelos por
demandas similares

20. ● Cada Modelo inicia en teniendo su propio grupo.
● Se unen los grupos que tienen menor varianza entre sí, hasta que
todos los modelos terminan en el mismo grupo.

23. ● Los modelos lineales son más simples! Empezar con el Deep Data
Science no necesariamente es lo mejor.
● Por ser un modelo lineal, ganamos en propiedades:
- Tenemos a la mano más trucos: regularización, pruebas estadísticas,
etc.
- Ganamos Interpretabilidad!
- Si un cliente va iniciando su carrera en la ciencia de datos, es mejor
dejarles un modelo lineal en producción...

24. MLP ajustando la serie de tiempo

30. MLP
ARIMA
Ensemble
Modelo
Estacional

32. Predicción de la Demanda
Los productos se pueden agrupar
según niveles de demanda y cada
grupo segmenta la oferta del
negocio.
01.
02.
Hemos visto que un modelo
lineal puede ayudar a predecir la
demanda de productos y es una
solución más simple.

33. Predicción de la Demanda
El comportamiento de
un producto puede ser
muy bueno.
No queda mucho
inventario en este caso.
03.

34. Predicción de la Demanda
Lo anterior no quiere
decir que tendremos
estimaciones tan
buenas para todos los
productos.
Necesitamos que el
modelo se componga
de estimaciones
dinámicas...
04.

36. Benchmark en el caso de predicciones dinámicas

37. Benchmark en el caso de predicciones dinámicas

41. El uso de clusters facilita el manejo las series de
tiempo tanto para su manejo como para su
predicción.
01.
El modelo de clasificación para predicciones
dinámicas mejora respecto a si hiciéramos
estimaciones a largo plazo. La ponderación entre
grupos es favorable.
02.
03.
El modelo estacional es bastante robusto y tiene
mejor desempeño que los otros modelos clásicos.

42. Juan Zinser juanzinser@gmail.com
juan@datank.ai
Sergio Nieto ssnieto.mat@gmail.com
sergio@datank.ai
@SergioSNieto