Análisis predictivo de series temporales en el entorno retail
Autor/es: Tebar Folch, Alvaro
Director/es: Castillo Fauli, Vicente
Titulación: Grado en Ciencia de Datos
Fecha de defensa: 2026-06
Tipo de contenido:
TFG
Resumen:
La gestión masiva de datos y la precisión predictiva son desafíos críticos para la cadenade suministro en el sector retail, donde las fluctuaciones estocásticas de la demanda generan roturas de stock y mermas logísticas. El presente trabajo realiza un análisiscomparativo de modelos de predicción de demanda aplicado al dataset M5 Forecasting –Accuracy de Walmart, compuesto por más de 58 millones de registros y 30.490 seriestemporales jerárquicas (Makridakis, Spiliotis & Assimakopoulos, 2022). Se evalúan cinco modelos de naturaleza heterogénea: un baseline ingenuo estacional, dos modelos estadísticos clásicos (ARIMA y SARIMA), un modelo aditivo descomponible (Prophet)y un algoritmo de Gradient Boosting (XGBoost) sobre un horizonte de validación de 28días, empleando el RMSE como métrica principal y la función de pérdida Tweedie para manejar la intermitencia del 68,2 % de ceros del dataset. Los resultados sitúan a XGBoost
Ficheros en el ítem
Nombre: TFG_Alvaro_Tebar_Folch.pdf
Tamaño: 2.847Mb
Formato: PDF
Tipo de contenido:
TFG






