Gestión de Demanda e Inventarios en Retail

Objetivo del Proyecto

Desarrollar un sistema de forecasting de demanda y reposición de inventario para una cadena de retail que comercializa bebidas (Gaseosas, Jugos, Aguas) en 5 tiendas. El objetivo es optimizar la disponibilidad de productos, minimizar quiebres de stock y reducir costos de inventario.

Estructura del proyecto

• La data a utilizar estara en la carperta data
• Para comenzar, ejecutar el notebook sales_forecast.ipynb el cual generara el archivo data/forecast.csv que contendra las predicciones
• Finalmente ejecutar inventarios.ipynb que mostrara el resultado del modelo de optimización model.py

No olvidar Instalar librerias:

pip install -r requirements.txt

Parte I: Predicción de Demanda

Se desarrolló un pipeline de forecasting a nivel SKU-tienda utilizando:

• Modelos base: XGBoost
• Atributos producto: ['region', 'tienda', 'familia', 'precio_unitario','temperatura', 'indice_economico', 'año', 'mes', 'dia', 'dia_semana', 'semana']

Parte II: Optimización de Inventario

Problema

Formular un modelo de programación lineal entera, que decida semanalmente el inventario que debe tener cada tienda

Función objetivo

Minimizar el costo de inventarios dado por el sobre stock y por el quiebre de stock

Variable de desicion

Cantidad de producto i en tienda j

Restricciones:

Capacidad limitada por tienda

Capacidad de producción limitada a nivel nacional

Demanda minima

Costos:

    Inventarios (costo de mantener inventario)

    Quiebre de Stock (ventas perdidas)

Parte III: Reflexión

✅ Lo que funcionó

• Integración de variables exógenas (temperatura)

• Predicción SKU-tienda específica con buena granularidad

• Solución de inventario interpretable para operaciones

⚠️ Limitaciones

• Calidad/precisión de predicciones aún perfectible

• Algunas suposiciones simplifican la logística real (no se consideran costos de transportes)

• Solo considera un rango de tiempo estatico (1 semana)

Próximos Pasos

• Incorporar condiciones de borde (inventario inicial)

• Incluir costos por producto más detallados (e.g., margen unitario)

Arquitectura Técnica Propuesta

• Consideraría una arquitectura basada en microservicios y un pipeline robusto,
• primero tener un datalake o warehouse con los diversos datos necesarios (ventas, clima...),
• luego con un orquestador (tipo airflow) consumir la data diariamente y realizar las transformaciones requeridas.
• Nuestro primer microservicio sería el modelo de predicción de la demanda (Forecast), el cual recibe la data y como salida tendríamos el forecast de los productos,
• luego el microservicio de optimización recibirá la data del Forecast con la cual calculará el inventario óptimo de cada tienda,
• cabe destacar que cada microservicio debe tener su propia DB para almacenar resultados.
• Finalmente tener el microservicio de reporting que consumirá la data de los modelos, el cual permite tomar decisiones estratégicas.