Modelo machine learning para predecir las ventas de una empresa RETAIL, 2025

• Autor: Serna Berrocal, Keyla Elyneth
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional San Cristóbal de Huamanga
• Repositorio: UNSCH - Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsch.edu.pe:20.500.14612/8362
• Enlace del recurso: https://hdl.handle.net/20.500.14612/8362
• Nivel de acceso: acceso abierto
• Materia: Machine Learning; Ventas; Tienda virtual; Empresa RETAIL; Prophet; LSTM; https://purl.org/pe-repo/ocde/ford#2.02.04

La tesis titulada: “Modelo machine learning para predecir las ventas de una empresa RETAIL, 2025” aborda el problema de la baja precisión en la estimación de ventas en una tienda virtual de una empresa retail peruana. La investigación partió de la necesidad de determinar qué modelo de machine learning, entre Prophet y LSTM, permite una mejor predicción de ventas, considerando que actualmente la empresa fija metas únicamente con base en datos históricos sin métodos de predicción formales. Para resolver este problema, se desarrolló un estudio de tipo aplicado, con nivel predictivo y diseño no experimental, utilizando datos secundarios. La investigación empleó análisis documental como técnica principal y se analizaron 152,735 registros de ventas históricas comprendidos entre los años 2022 y 2024. Se implementaron y entrenaron ambos modelos (Prophet y LSTM) en Python, utilizando métricas como RMSE, MAE y MAPE para evaluar su desempeño, y se aplicó validación cruzada temporal en el caso del modelo LSTM. Los resultados mostraron que el modelo LSTM presentó un menor error absoluto y porcentual, con un RMSE de 28,019, MAE de 15,604 y MAPE de 123.35%, frente a Prophet, que alcanzó un RMSE de 33,802.85, MAE de 22,133.22 y MAPE de 182.99%. De esta manera, se concluyó que el modelo LSTM mostró una mejor capacidad para predecir las ventas en el contexto analizado en comparación con Prophet. También, se comprobó que el uso de las variables históricas influye de manera significativa en la precisión del modelo, además, el tipo de algoritmo tiene un impacto directo en el nivel del error, ya que este caso Prophet menos preciso que el LSTM. El estudio aporta evidencia de que los modelos de machine learning pueden mejorar notablemente las estimaciones de ventas en el canal virtual de una empresa retail. Asimismo, se recomienda a la empresa considerar la aplicación de este tipo de soluciones y, en el futuro, incluir otras variables como promociones o estacionalidades para perfeccionar el modelo. Sin embargo, una limitación importante fue que se usaron datos de una sola tienda virtual, lo que dificulta extrapolar los resultados a otros canales o empresas del sector retail. Asimismo, no se consideraron variables externas que podrían influir en la demanda, como campañas promocionales, estacionalidad o comportamiento del consumidor. Finalmente, la comparación se centró solo en dos modelos de machine learning, lo que deja abierta la posibilidad de explorar otros enfoques predictivos en futuras investigaciones.