Predicción de escenarios de ventas en el contexto de consumibles de impresoras de gran formato

Abstract

[ES] En el contexto empresarial actual, la capacidad de anticipar y comprender el comportamiento de las ventas se ha convertido en un elemento crucial. Este TFG, resultado de una colaboración directa con la empresa HP, se propone abordar la necesidad de prever el comportamiento de las ventas de consumibles para impresoras de gran formato en un periodo y región determinados. El objetivo consiste en desarrollar un modelo de aprendizaje automático estudiando productos antiguos. Esto permitirá no solo capturar el conocimiento del pasado, sino también tener la capacidad de proyectar escenarios futuros de ventas, con la posibilidad de aplicarse más tarde a productos que estén en pleno ciclo de vida en el mercado. Dicho modelo de pronóstico proporcionará una herramienta determinante para la toma de decisiones estratégicas en la empresa. Para alcanzar este propósito, se explorarán diversos parámetros mensuales, como el uso de dichos consumibles, los envíos de impresoras, entre otros. Para el desarrollo de esta herramienta se utilizarán diversas técnicas: regresión lineal para entender las relaciones iniciales entre nuestras variables; SARIMAX, para la predicción de series temporales estacionarias con componentes estacionales; Prophet, un algoritmo diseñado para abordar relaciones de estacionalidad y eventos atípicos en datos temporales; y XGBoost, capaz de manejar conjuntos de datos de gran tamaño y complejidad. Por último, se estudiará el uso de redes neuronales, especialmente Long Short-Term Memory (LSTM), para demostrar su efectividad en la modelización de dependencias temporales complejas.

[CA] En el context empresarial actual, la capacitat d’anticipar i comprendre el comportament de les vendes s’ha convertit en un element crucial. Este TFG, resultat d’una col·laboració directa amb l’empresa HP, es proposa abordar la necessitat de preveure el comportament de les vendes de consumibles per a impressores de gran format en un període i regió determinats. L’objectiu consistix a desenvolupar un model d’aprenentatge automàtic estudiant productes antics. Això permetrà no sols capturar el coneixement del passat, sinó també tindre la capacitat de projectar escenaris futurs de vendes, amb la possibilitat d’aplicar-se més tard a productes que estiguen en ple cicle de vida en el mercat. Este model de pronòstic proporcionarà una ferramenta determinant per a la presa de decisions estratègiques en l’empresa. Per a aconseguir este propòsit, s’exploraran diversos paràmetres mensuals, com l’ús de dites consumibles, els enviaments d’impressores, entre altres. Per al desenvolupament d’esta ferramenta s’utilitzaran diverses tècniques: regressió lineal per a entendre les relacions inicials entre les nostres variables; SARIMAX, per a la predicció de sèries temporals estacionàries amb components estacionals; Prophet, un algorisme dissenyat per a abordar relacions d’estacionalitat i esdeveniments atípics en dades temporals; i XGBoost, capaç de manejar conjunts de dades de gran grandària i complexitat. Finalment, s’estudiarà l’ús de xarxes neuronals, especialment Long ShortTerm Memory (LSTM), per a demostrar la seua efectivitat en la modelització de dependències temporals complexes.

[EN] In today’s business context, the ability to anticipate and understand sales behavior has become crucial. This dissertation, the result of a direct collaboration with HP, aims to address the need to forecast the sales behavior of large format printer consumables in a given period and region. The objective is to develop a machine learning model by studying old products. This will allow not only to capture knowledge from the past, but also to have the ability to project future sales scenarios, with the possibility of being applied later to products that are in the middle of their life cycle in the market. Such a forecasting model will provide a decisive tool for strategic decision making in the company. To achieve this purpose, several monthly parameters will be explored, such as the use of consumables, printer shipments, among others. Different techniques will be used to develop this tool: linear regression to understand the initial relationships between our variables; SARIMAX, for the prediction of stationary time series with seasonal components; Prophet, an algorithm designed to deal with seasonality relationships and atypical events in temporal data; and XGBoost, capable of handling large and complex data sets. Finally, the use of neural networks, especially Long Short-Term Memory (LSTM), will be studied to demonstrate its effectiveness in modeling complex time dependencies.