Optimización del pronóstico de ventas en Dislicores : evaluación y selección de modelos de series temporales, aprendizaje automático y técnicas avanzadas

Abstract

Dislicores es una empresa colombiana líder en la distribución y comercialización de bebidas alcohólicas y no alcohólicas, siendo su portafolio principal los vinos (tintos, blancos, rosados y espumosos), licores (whisky, ginebra, rones y tequilas), cervezas y bebidas sin alcohol. Además, complementa su oferta con alimentos como pasabocas, dulces y alimentos madurados, fortaleciendo y complementando su propuesta de consumo masivo. El objetivo de este estudio es mejorar la precisión de los pronósticos de demanda, mediante la evaluación y comparación de modelos avanzados de predicción. Para ello, se implementan seis modelos: Promedio Móvil Simple, Regresión Lineal, Holt-Winters, MSTL con Regresión Polinómica, XGBoost y LightGBM, utilizando datos históricos del periodo 2020-2024. Siguiente la metodología CRISP-DM, se realizaron procesos de limpieza de datos, análisis exploratorio y evaluación de desempeño empleando métricas como MAE%, SESGO%, SCORE% y RMSE% sobre las 232 referencias clave (Pareto). El modelo seleccionado se integrará en un pipeline automatizado y escalable dentro del servicio en nube de Amazon Web Services (AWS). Finalmente, los resultados se implementaron en Qlik Sense, facilitando el análisis y toma de decisiones estratégicas basadas en datos confiables y de fácil acceso. Esta solución pretende contribuir a una gestión y seguimiento más eficiente de la demanda, optimizando la planificación operativa y fortalecer la competitividad de Dislicores en el mercado nacional. (Tomado de la fuente)

Sales forecast optimization in Dislicores: evaluation and selection of time series models, automated learning and advanced techniques. Dislicores is a leading Colombian company in distribution and marketing of alcoholic and non-alcoholic beverages, its main portfolio being wines (red, white, rosé and sparkling), liquor (whiskey, gin, rum, tequila), beers and non-alcoholic drinks. Also, complement its offer with foods as snacks, candies and aged foods strengthening and complementing their massive consumption offer. This study’s focus is to improve demand forecast accuracy through evaluation and comparison of advanced forecasting models. To do this, six models are implemented: Simple Moving Average (SMA), Linear Regression, Holt-Winters, MSTL with Polynomial Regression, XGBoost and LightGBM, using historical data from 2020 to 2024. Then CRISP-DM methodology. Data cleaning, exploratory data analysis and performance evaluation processes were carried out using metrics like MAE, SESGO, SCORE, RMSE on the 232 key references (Pareto). The selected model will be integrated in an automated and scalable pipeline on the Amazon Web Services (AWS) cloud. Finally, results were implemented in Qlik Sense, easing analysis and strategic decision making based on reliable and easily accessible data. This solution aims to contribute to more efficient demand management and monitoring, optimizing operational planning and strengthening Dislicores' competitiveness in the national market.