Presentation for Entel Datathon 2022, our project achieved the best top performance from all Kaggle Competitors

1. FORECASTING DE ABASTECIMIENTO
DE EQUIPOS MÓVILES
Insight ML

2. Nosotros
Cristian Lazo Quispe (24)
ADVANCED ANALYTICS
SPECIALIST
COMPUTER VISION
SCIENTIST
Renato Castro Cruz (23)
+4 AÑOS EXP. EN ANALYTICS +4 AÑOS EXP. EN ML ENGINEER
¿ Q U I É N E S S O M O S
N O S O T R O S ?

3. 1.- Problemática
2.- Oportunidad
3.- Solución Analítica
4.- Impacto en el negocio
5.- Conclusiones y trabajo futuro

4. 1.- Problemática

5. P R O B L E M Á T I C A
1 . L A L O G Í S T I C A I N V E R S A
N O A G R E G A V A L O R ,
G E N E R A C O S T O .
3 . L E A D T I M E S C O N
O P O R T U N I D A D D E
M E J O R A
E L F O R E C A S T I N G E S U N
E L E M E N T O C L A V E E N C U A L Q U I E R
E M P R E S A . B U S C A R L A P R E C I S I Ó N
Y E L P O R Q U É A Y U D A A
R E S O L V E R V A R I O S P R O B L E M A S
2 . N O T E N E R P U N T O S
D E V E N T A S
P E R F I L A D O S

6. 2.- Oportunidad

7. O P O R T U N I D A D
P R O D U C T O C L I E N T E L U G A R
C O S T O
C A L I D A D
T I E M P O
B U E N A P L A N I F I C A C I Ó N
L A L O G Í S T I C A
A G R U P A
L O S
S I G U I E N T E S
E L E M E N T O S

8. 3.- Solución Analítica

9. S O L U C I Ó N A N A L Í T I C A
M E T O D O L O G Í A
T R A T A M I E N T O
D E D A T O S
E N T E N D I E N D O
L O S D A T O S
I N G E N I E R Í A D E
D A T O S
M O D E L A D O Y
R E T R O A L I M E N T A C I Ó N
I M P L E M E N T A C I O N

10. T R A T A M I E N T O D E L A
D A T A
S O L U C I Ó N A N A L Í T I C A
D A T A C O N L A
Q U E
T R A B A J A R E M O S

11. E N T I E N D I E N D O L O S
D A T O S
S O L U C I Ó N A N A L Í T I C A

12. E N T I E N D I E N D O L O S D A T O S
S O L U C I Ó N A N A L Í T I C A

13. M O D E L A D O B A S E L I N E
S O L U C I Ó N A N A L Í T I C A
LOCAL CV RMSE: 2.31
PUBLIC RMSE: 2.59
F E A T U R E E N G I N E E R I N G

14. H I E R A R C H I C A L
T I M E S E R I E S
S O L U C I Ó N
A N A L Í T I C A
Sources: A machine learning approach for forecasting hierarchical time series (2020)
F O R E C A S T D E
D E M A N D A T O T A L
X S E M A N A
D T
S 1 S N
. . .
F O R E C A S T D E
D E M A N D A
S E M A N A L X I D
I D 1 I D N I D N
I D 1
. . . . . .
. . .
. . .
. . .

15. M O D E L O F O R E C A S T I N G
D E M A N D A N A C I O N A L
P O R S E M A N A
S O L U C I Ó N A N A L Í T I C A
LOCAL RMSE: 1.94
PUBLIC RMSE: 2.04

16. S O L U C I Ó N A N A L Í T I C A
LOCAL RMSE: 1.88
PUBLIC RMSE: 1.94
M O D E L O F O R E C A S T I N G
D E M A N D A S E M A N A L X I D

17. R E S U L T A D O S L E A D E R B O A R D
P U B L I C : 1.94567 RMSE
P R I V A T E : 1.92173 RMSE
M O D E L O R O B U S T O

18. 4.- Conclusiones y
trabajo a futuro

19. C O N C L U S I O N E S
L A M E T O D O L O G Í A D E H I E R A R C H I C H A L F O R E C A S T I N G F U N C I O N Ó M U Y
B I E N P A R A E S T E R E T O .
S E P U E D E T E N E R M Á S F O R E C A S T S H I J A S Q U E P E R M I T A N T E N E R
M E J O R E S P R E D I C C I O N E S .
H A Y O P O R T U N I D A D E N L A S E G M E N T A C I O N D E P U N T O S D E V E N T A Q U E
P E R M I T A N A P L I C A R E S T R A T E G I A S P E R S O N A L I Z A D A S P A R A L L E G A R A
L A S M E T A S .
1 .
2 .
3 .
R E C O M E N D A C I O N E S
S E H U B I E R A D E S E A D O T E N E R C O M O D A T A E L I N V E N T A R I O E N C A D A S E M A N A P A R A
M E J O R A R E L M O D E L O O S A C A R K P I S D E N E G O C I O R E L E V A N T E S ( E . G . A H O R R O D E
C O S T E D E I N V E N T A R I O ) .
E L M O D E L O E S F L E X I B L E Y P O D R Í A A P L I C A R S E N O S O L A M E N T E A L F O R E C A S T D E
A B A S T E C I M I E N T O S I N O T A M B I É N A O T R O S T I P O D E F O R E C A S T C O M O D E M A N D A D E
M O D U L O S D E I N T E R N E T P O R D E P A R T A M E N T O , C O N S U M O D E P A Q U E T E S P O R
U S U A R I O .
1 .
2 .