Pronóstico de inventario de impresiones en una empresa de e-commerce
Cargando...
Autores
Director
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
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)
Abstract
Managing advertising impression inventory in e-commerce platforms represents a major technical challenge due to the volatility, skewness, and heterogeneity of digital traffic time series. The objective of this research was to propose and validate a forecasting model to improve guaranteed sales planning and advertising revenue optimization. A quantitative and applied study was conducted under the CRISP-DM framework using 652,318 observations from 1,520 unique time series over an 851-day historical window. An optimized XGBoost ensemble architecture was developed, incorporating 79 predictive features capturing historical dynamics, volatility, regime shifts, and temporal context, along with a stratified time-based split per series (70/15/15). The proposed model achieved a Mean Absolute Error (MAE) of 2.86 and an R² of 0.99 on the test set, representing a 91% reduction in error compared to baseline models, including LSTM and ARIMA. Control experiments showed no significant evidence of data leakage. Results indicate that the ensemble-based approach outperforms both classical statistical and deep learning models, providing high predictive accuracy, robustness to outliers, and computational efficiency suitable for deployment in high-demand production environments.
Descripción
ilustraciones a color, diagramas
Términos Normalizados
AGENCIAS PUBLICITARIAS; Advertising agencies; PROCESOS DE MANUFACTURA; Manufacturing processes; CONTROLADORES PROGRAMABLES; Programmable controllers; CONTROL DE INVENTARIOS; Inventory control; COMERCIO ELECTRONICO; Electronic commerce; PUBLICIDAD POR INTERNET; Internet advertising; 620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingeniería; 650 - Gerencia y servicios auxiliares::658 - Gerencia general