Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Ward Clustering para demand planning en retail Minorista

65 views

Published on

La plática inicia con la introducción del problema de la planeación de la demanda en un ejemplo concreto, un conjunto de datos con información de la venta de ciertos productos y las características que los acompañan.
Presentado por Juan Zinser y Sergio Nieto

Published in: Technology
  • Be the first to comment

  • Be the first to like this

Ward Clustering para demand planning en retail Minorista

  1. 1. Demand Planning Forecasting en Ciencia de Datos Juan Sergio
  2. 2. ● ¿Por qué Predicción de la Demanda? ● Modelado por Series de Tiempo. ● Ward Clustering para agrupar demandas similares. ● Un Modelo Estacional Lineal ● Resultados y Conclusiones
  3. 3. Photo by Bernard Hermant on Unsplash ▷ ▷
  4. 4. Ejemplos de este tipo de negocios son las ventas al menudeo o venta por catálogo ya sea comercio por internet u otros similares. 01. Si se compra muy poco comenzamos a negar pedidos o compras de los clientes. Se genera abandono y esto beneficia a la competencia. 02. 03. Cada artículo se consume de manera constante, con excepción de los productos “estrellas”. Planear cuánto debemos comprar es un reto en estos negocios.
  5. 5. Si se compra demasiado, tendremos que rematarlo después (descuentos, 2x1, etc).04. 05. 06. Los productos pueden tener históricos de sus ventas porque son parte de la línea del negocio. Sin embargo, hay modelos que no se han vendido anteriormente, nuevos para el negocio y clientes.
  6. 6. ● La demanda de un producto es el número de artículos que se venden en un periodo de tiempo. ● Para hacer una estimación de la demanda tomamos en cuenta variables de los datos del negocio: clientes activos en un periodo, razón de compra de los productos, etc. ● La demanda puede ser antes o después de aplicar conceptos como devoluciones, descuentos o promociones, pérdidas, etc.
  7. 7. ● Puede haber sucesos importantes en el negocio: cambios de temporadas, vacaciones, etc. ● La operación de nuestros clientes puede depender directamente de estos. ● La llegada de nuevos productos también tiene estas dependencias y los periodos de compras varían. ● Todos estos factores operativos se deben tomar en cuenta o nuestro proyecto de Ciencia de Datos nunca saldrá a producción...
  8. 8. Photo by Artem Beliaikin @belart84 on Unsplash problemas de inventario falta de producto
  9. 9. Demanda de productos con historia ● Encontramos que es mejor hacer Grupos de modelos con incidencias similares en la historia reciente. Según el grupo, usamos los datos para generar predicciones. ● Las predicciones se pueden hacer utilizando un modelo lineal, ARIMA, Redes Neuronales, etc.
  10. 10. Demanda de productos sin historia ● Usamos los mismos grupos (con los productos que tienen historia) y entrenamos un clasificador sobre estos. ¡Usamos un vector de probabilidades para cada producto nuevo! ● Usando las predicciones de la demanda para los artículos con historia. Se hacen ponderando el individuo promedio de cada grupo con la probabilidad de pertenencia como peso de la predicción.
  11. 11. Predicciones dinámicas (cuando se tienen nuevas observaciones): ● Usamos los mismos grupos y entrenamos un clasificador sobre estos. Solo que esta vez usamos el comportamiento más reciente en los periodos transcurridos. ● Usamos un vector de probabilidades para cada producto y ponderamos las predicciones generadas para cada grupo. ● Usamos una métrica de desempeño que captura las ventajas de hacer predicciones dinámicas.
  12. 12. Predicción de Demanda para los productos del grupo 1 Comportamiento de la demanda en el grupo 1 Comportamiento de la demanda en el grupo 2 . . . Comportamiento general . . . Comportamiento de la demanda en el grupo n Predicción de Demanda para los productos del grupo n Predicción de Demanda para los productos del grupo 2 Modelo Estacional Lineal Ward Clustering Flujo de la Solución
  13. 13. Modelado de actividad e incidencia a través del tiempo. Identificar tendencia y estacionalidad.
  14. 14. Agrupación de modelos por demandas similares
  15. 15. ● Cada Modelo inicia en teniendo su propio grupo. ● Se unen los grupos que tienen menor varianza entre sí, hasta que todos los modelos terminan en el mismo grupo.
  16. 16. ● Los modelos lineales son más simples! Empezar con el Deep Data Science no necesariamente es lo mejor. ● Por ser un modelo lineal, ganamos en propiedades: - Tenemos a la mano más trucos: regularización, pruebas estadísticas, etc. - Ganamos Interpretabilidad! - Si un cliente va iniciando su carrera en la ciencia de datos, es mejor dejarles un modelo lineal en producción...
  17. 17. MLP ajustando la serie de tiempo
  18. 18. MLP ARIMA Ensemble Modelo Estacional
  19. 19. Predicción de la Demanda Los productos se pueden agrupar según niveles de demanda y cada grupo segmenta la oferta del negocio. 01. 02. Hemos visto que un modelo lineal puede ayudar a predecir la demanda de productos y es una solución más simple.
  20. 20. Predicción de la Demanda El comportamiento de un producto puede ser muy bueno. No queda mucho inventario en este caso. 03.
  21. 21. Predicción de la Demanda Lo anterior no quiere decir que tendremos estimaciones tan buenas para todos los productos. Necesitamos que el modelo se componga de estimaciones dinámicas... 04.
  22. 22. Benchmark en el caso de predicciones dinámicas
  23. 23. Benchmark en el caso de predicciones dinámicas
  24. 24. El uso de clusters facilita el manejo las series de tiempo tanto para su manejo como para su predicción. 01. El modelo de clasificación para predicciones dinámicas mejora respecto a si hiciéramos estimaciones a largo plazo. La ponderación entre grupos es favorable. 02. 03. El modelo estacional es bastante robusto y tiene mejor desempeño que los otros modelos clásicos.
  25. 25. Juan Zinser juanzinser@gmail.com juan@datank.ai Sergio Nieto ssnieto.mat@gmail.com sergio@datank.ai @SergioSNieto

×