Predicción de ventas retail con ML: comparativa de algoritmos

Problema

Predecir las ventas de artículos específicos en retail con datos históricos que presentan patrones complejos, comportamientos irregulares por artículo y efectos temporales no lineales. Los modelos estadísticos clásicos no capturan estas relaciones; se necesita comparar múltiples algoritmos.

Solución

Análisis exploratorio exhaustivo de los datos de ventas + comparativa de cinco algoritmos de regresión (Decision Tree, Gradient Boosting, KNN, MLP, SVR) con optimización de hiperparámetros mediante GridSearchCV, RandomizedSearchCV y Optuna para encontrar la configuración óptima.

Exploración y feature engineering

Análisis exploratorio exhaustivo para identificar comportamientos y peculiaridades por artículo
Feature engineering temporal: extractar día de semana, mes, semana del año, días festivos
Identificación de artículos con patrones irregulares que requieren tratamiento especial
Validación cruzada temporal (expanding window) para evaluar sin data leakage

Comparativa de modelos y optimización

5 algoritmos: Decision Tree, Gradient Boosting, KNN, MLP y SVR sobre los mismos datos
GridSearchCV para búsqueda exhaustiva en espacios pequeños de hiperparámetros
RandomizedSearchCV para espacios grandes: muestreo aleatorio más eficiente
Optuna: optimización bayesiana avanzada para hiperparámetros — mejor exploración del espacio

Predicción de ventas retail con ML: comparativa de algoritmos

Problema

Solución

Exploración y feature engineering

Comparativa de modelos y optimización

Introducción a la previsión de series temporales

Forecasting con Prophet