Download

Download Full Text (3.2 MB)

Description

El presente trabajo explora el desarrollo e implementación de diferentes modelos diseñados para prever las ventas de varios centros pertenecientes a la ONCE. Se han utilizado técnicas avanzadas de aprendizaje profundo, incluyendo Transformers, Redes Neuronales Recurrentes (LSTM), así como Regresión Lineal Múltiple, abordando el desafío de la predicción de series temporales con un enfoque en predicciones a múltiples pasos. Los modelos se entrenaron y validaron con datos históricos de ventas, que incluían variables como jornadas laborables y de absentismo, número de empleados, factores estacionales e indicadores económicos. El preprocesamiento de los datos incluyó la normalización, cálculos de tasas de crecimiento mensual y anual, y manejo de valores faltantes para garantizar la calidad y confiabilidad de los datos. Los resultados demostraron la efectividad de los modelos en la generación de previsiones de ventas confiables a múltiples pasos. El rendimiento de los modelos se evaluó en diferentes productos y las predicciones se agregaron para proporcionar una visión integral de las tendencias futuras de ventas. Este enfoque de modelado predictivo ofrece una herramienta robusta para apoyar los procesos de toma de decisiones en la gestión de ventas.

Publication Date

2024

City

Madrid

Keywords

Series Temporales; Transformer; Redes Neuronales Recurrentes (RNN); LSTM (Long Short-Term Memory); TFT (Temporal Fusion Transformer); Aprendizaje profundo

Previsiones de Ventas Canal Principal de la ONCE-España

Share

COinS