( Magíster en Ciencias de Datos )

Actualmente, el entorno empresarial y organizacional, se enfrenta a una problemática generalizada que trasciende sectores: la gestión ineficiente de los pronósticos de ventas y su falta
de implementación. La realización de las predicciones de ventas, dentro de las organizaciones, se realiza de manera manual y utilizando métodos obsoletos, lo cual consume recursos
valiosos, tanto en tiempo como en dinero, con consecuencias económicas bastante graves. Se
habla de cifras impactantes, cuyos valores oscilan entre 568 millones de pesos a nivel de una
sola organización. Estas pérdidas, representan desafíos reales para las empresas, ya que estos
recursos podrían destinarse a la expansión, innovación e inversión en otros aspectos cruciales
del negocio aumentando su crecimiento.
En este contexto, la precisión en las proyecciones de ventas es vital, ya que cualquier margen de error puede tener un impacto significativo en los resultados financieros. En un mundo
empresarial altamente competitivo, la capacidad de identificar patrones y relaciones entre indicadores y ventas es un activo invaluable. La implementación de soluciones de pronóstico de
ventas precisas y eficientes no solo permite recuperar pérdidas, sino que también impulsa el
crecimiento sostenible y la toma de decisiones informadas, lo que convierte esta área en una
prioridad en cualquier organización que busque el éxito en el mercado global.
Con base en las razones y el contexto expuesto anteriormente, este proyecto de grado tiene
como objetivo desarrollar una solución, que incluya un modelo de predicción de ventas, el cual
emplee técnicas de machine learning previamente seleccionados e investigadas, para la predicción de ventas, incorporando diferentes variables exógenas que impactan significativamente en
el mercado. Para los modelos seleccionados, se incluirán variables relevantes tanto del entorno
empresarial como del contexto externo. La solución se visualizará a través de una aplicación
web, desarrollada para el trabajo de grado.
El ambiente de desarrollo será Google Colab y se utilizará una aplicación web desarrollada
en Angular como plataforma de visualización de la data. Inicialmente, se extraerán indicadores
macroeconómicos del mercado mundial de una plataforma llamada Trading Economics y la
página del Banco Mundial, posteriormente se realizara un análisis exploratorio de los datos y
se decidirá que variables tanto internas como externas serán de importancia para la realización
del modelo.
A continuación, se realizará la evaluación de diferentes modelos de machine learning aplicados a Series Temporales, donde se espera predecir las ventas en Euros. En este contexto,
se evaluará el modelo con los datos de las ventas de una compañía del sector de tecnología.
El modelo deberá aprender de las múltiples variables y pronosticar las ventas. Por último, se
realizará la visualización de los datos a través de una aplicación web, donde se mostrará la
precisión de predicción del modelo, la data histórica, data pronosticada y las variables de alto
impacto en el modelo