Demand Planner es un proyecto que integra modelos estadísticos y de machine learning para la predicción de demanda en series temporales. Su diseño responde a dos enfoques complementarios:
- Académico: laboratorio de aprendizaje y validación para estudiantes e investigadores en Inteligencia Artificial y Ciencia de Datos.
- Profesional: herramienta práctica para la planificación de inventarios, producción y logística en empresas que buscan optimizar sus procesos de toma de decisiones.
- Aplicar teoría estadística y de aprendizaje automático en problemas reales de predicción de demanda.
- Comparar modelos clásicos y modernos (SARIMA, Prophet, Random Forest, ensembles).
- Validar métricas de desempeño (RMSE, MAE, MAPE) en contextos de enseñanza e investigación.
- Fomentar reproducibilidad científica mediante notebooks y pipelines documentados.
- Proveer pronósticos confiables para apoyar decisiones estratégicas en supply chain.
- Generar visualizaciones ejecutivas claras y exportables para audiencias directivas.
- Automatizar flujos de trabajo para reducir tiempos de análisis y aumentar la eficiencia.
- Integrar modelos en pipelines reproducibles y adaptables a distintos sectores (retail, salud, energía).
- SARIMA: modelo estadístico para series estacionarias y periódicas.
- Prophet: modelo aditivo desarrollado por Facebook, ideal para estacionalidad múltiple y eventos externos.
- Random Forest: captura relaciones no lineales y variables explicativas adicionales.
- Ensemble: combina modelos para robustez y reducción de sesgo/varianza.
Las métricas de validación (RMSE, MAE, MAPE) permiten evaluar precisión y estabilidad en contextos tanto académicos como empresariales.
├── app/ # Código fuente
├── assets/ # Gráficas y reportes ejecutivos generados
├── data/ # Conjuntos de datos
│ ├── inputs/ # Datos de entrada originales
│ └── outputs/ # Resultados y pronósticos generados
├── notebooks/ # Jupyter/Colab notebooks de exploración y desarrollo
├── .gitignore
├── LICENSE
├── README.md # Documentación principal del proyecto
└── requirements.txt # Dependencias del proyecto
SOLUTION_CHALLENGE_ENSAMBLE.py: Script principal de análisis, modelado estadístico y generación de pronósticos. Es el punto de partida para generar los resultados.db_manager.py: Módulo encargado de la creación y gestión de la base de datos SQLite para persistencia de datos y resultados.app_dashboard.py: Código de la aplicación interactiva (Dashboard) en Streamlit para la visualización de datos y pronósticos.requirements.txt: Lista de librerías necesarias para instalar y ejecutar el proyecto (usandopip install -r requirements.txt).
git clone https://github.com/RobbeAlex/demand-planner.git
cd demand-planner
python -m venv venv
source venv/bin/activate # Linux/Mac
venv\Scripts\activate # Windows
pip install -r requirements.txtEn Google Colab:
!pip install prophet statsmodels scikit-learn matplotlib pandasfrom src.models import demand_forecast
from src.visualization import plot_forecast
from src.utils import evaluate_model
# Cargar datos
df = load_data("data/sales.csv")
# Entrenar modelo Prophet
forecast = demand_forecast.prophet(df, periods=30)
# Visualizar resultados
plot_forecast(forecast)
# Evaluar desempeño
metrics = evaluate_model(forecast, df)
print(metrics)- Académico: análisis de tendencia y estacionalidad, comparación de modelos, reportes reproducibles.
- Profesional: pronósticos confiables, visualizaciones ejecutivas, métricas claras para la toma de decisiones.
- Académicas: cursos de estadística aplicada, seminarios de machine learning, proyectos de investigación, tesis.
- Profesionales: planeación de inventarios, optimización de supply chain, análisis de ventas, proyecciones financieras.
| Modelo | Contexto académico/profesional recomendado |
|---|---|
| Prophet | Estacionalidad múltiple, eventos externos |
| SARIMA | Series estacionarias y periódicas |
| Random Forest | Variables adicionales, relaciones no lineales |
| Ensemble | Robustez y reducción de sesgo/varianza |
- Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice. OTexts.
- Taylor, S. J., & Letham, B. (2018). Forecasting at scale. The American Statistician, 72(1), 37–45.
- Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32.
- Box, G. E. P., Jenkins, G. M., & Reinsel, G. C. (2015). Time Series Analysis: Forecasting and Control. Wiley.
- Retail: predicción de ventas para optimizar inventarios y reducir quiebres de stock.
- Salud: estimación de demanda de medicamentos y equipos médicos para mejorar la logística hospitalaria.
- Energía: pronóstico de consumo eléctrico para balancear oferta y demanda en redes inteligentes.
- Manufactura: planificación de producción en función de la demanda proyectada, reduciendo costos de almacenamiento.
- Transporte y logística: predicción de flujos de carga para optimizar rutas y capacidad de distribución.
Se invita a estudiantes, docentes, investigadores y profesionales a:
- Proponer nuevos modelos o métricas.
- Documentar casos de uso en diferentes industrias.
- Extender notebooks con experimentos reproducibles.
- Adaptar pipelines a entornos empresariales.
Este proyecto está bajo la licencia MIT. Consulta el archivo LICENSE para más detalles.
Roberto Alejandro Chagra Martínez Licenciado en Nutrición y estudiante de Inteligencia Artificial y Ciencia de Datos en la Universidad de Guadalajara. Experiencia en consultoría independiente y gestión operativa, con enfoque en:
- Optimización de modelos estadísticos.
- Automatización de pipelines.
- Visualización ejecutiva para tomadores de decisión.