APLICACIÓN DE ALGORITMOS DE APRENDIZAJE AUTOMÁTICO EN LA PREDICCIÓN DE VENTAS DIARIAS DE UNA INDUSTRIA CERVECERA BRASILEÑA
DOI:
https://doi.org/10.56238/arev8n2-064Palabras clave:
Predicción de la Demanda, Aprendizaje Automático, Series Temporales, Industria CerveceraResumen
La previsión de ventas constituye un elemento estratégico para la industria cervecera, un sector caracterizado por una elevada estacionalidad y por variaciones significativas asociadas a fines de semana, feriados y eventos festivos. Los modelos estadísticos tradicionales, aunque ampliamente utilizados, presentan limitaciones para capturar relaciones no lineales y patrones complejos presentes en las series temporales de demanda. En este contexto, el presente estudio tiene como objetivo evaluar la aplicación de algoritmos de aprendizaje automático en la predicción de ventas diarias de una industria cervecera brasileña. Para ello, se utilizó un conjunto de datos históricos de ventas diarias correspondiente al período de mayo de 2024 a mayo de 2025, adoptándose una división temporal en la que los datos de 2024 se emplearon para el entrenamiento de los modelos y los de 2025 se reservaron para la prueba. Se llevó a cabo ingeniería de características temporales, incluyendo variables de calendario, indicadores de feriados, variables rezagadas y estadísticas móviles. Se evaluaron cuatro algoritmos basados en árboles de decisión: Decision Tree, Random Forest, XGBoost y LightGBM, utilizando como métricas de desempeño el coeficiente de determinación (R²), el error absoluto medio (MAE) y la raíz del error cuadrático medio (RMSE). Los resultados evidencian que los modelos de tipo ensemble superan significativamente al árbol de decisión individual, destacándose el XGBoost, que presentó el mejor desempeño predictivo, explicando aproximadamente el 89,9% de la variancia de las ventas diarias. Se concluye que la aplicación de algoritmos de aprendizaje automático, combinada con la ingeniería de características temporales, constituye un enfoque eficaz para la predicción de la demanda en el sector cervecero, aportando insumos relevantes para la planificación de la producción, los inventarios y la logística.
Descargas
Referencias
ALVES, Ricardo Marques; SILVA, Luiz Fernando. Padrões temporais no consumo de bebidas alcoólicas no Brasil. Revista de Saúde Pública, São Paulo, v. 57, p. 17, 2023. Disponível em: https://www.scielosp.org/article/rsp/2023.v57/17/pt/. Acesso em: [26/01/2026].
BANDARA, Kasun; BERGMEIR, Christoph; SMITH, Rob J. Forecasting across time series databases using recurrent neural networks on groups of similar series: A clustering approach. Expert Systems with Applications, v. 140, 112896, 2020.Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S0957417419306128. Acesso em: [26/01/2026].
BERGMEIR, Christoph; BENÍTEZ, José Manuel. On the use of cross-validation for time series predictor evaluation. Information Sciences, v. 191, p. 192–213, 2012.
BOX, George E. P.; JENKINS, Gwilym M.; REINSEL, Gregory C. Time series analysis: forecasting and control. 5. ed. Hoboken: Wiley, 2015.
BREIMAN, Leo. Random forests. Machine Learning, v. 45, n. 1, p. 5–32, 2001. Disponível em: https://link.springer.com/article/10.1023/A:1010933404324. Acesso em: 26 jan. 2026.
CHEN, Tianqi; GUESTRIN, Carlos. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2016. p. 785–794.
DE OLIVEIRA DIAS, Murillo; FALCONI, Davi. The evolution of craft beer industry in Brazil. Journal of Economics and Business, v. 1, n. 4, p. 618-626, 2018.
MAKRIDAKIS, Spyros; BAKAS, Nikolas. Forecasting and uncertainty: A survey. Risk and Decision Analysis, v. 6, n. 1, p. 37–64, 2016.
HASTIE, Trevor; TIBSHIRANI, Robert; FRIEDMAN, Jerome. The elements of statistical learning: data mining, inference, and prediction. 2. ed. New York: Springer, 2009.
HYNDMAN, Rob J.; ATHANASOPOULOS, George. Forecasting: principles and practice. 2. ed. Melbourne: OTexts, 2018.
KE, Guolin; MENG, Qi; FINLEY, Thomas; WANG, Taifeng; CHEN, Wei; MA, Weidong; YE, Qiwei; LIU, Tie-Yan. LightGBM: A highly efficient gradient boosting decision tree. In: Advances in Neural Information Processing Systems. Red Hook: Curran Associates, 2017. p. 3146–3154.
LIU, Yanli; WANG, Yourong; ZHANG, Jian. New machine learning algorithm: Random Forest. In: LIU, Bing; MA, Min; CHANG, Jie (eds.). Information Computing and Applications. Lecture Notes in Computer Science, v. 7473. Berlin, Heidelberg: Springer, 2012. p. 246–252. Disponível em: https://doi.org/10.1007/978-3-642-34062-8_32. Acesso em: [26/01/2026].
