Forecasting de demanda con RNNs/transformers para una bodega riojana
Visión general
De qué trata este proyecto.
Recibirás 5 años de demanda mensual anonimizada por SKU × mercado, calendario de promociones y eventos exógenos (festivos, lanzamientos). Implementa: (1) baseline ARIMA + Holt-Winters, (2) LSTM por SKU con features de calendario, (3) Temporal Fusion Transformer o N-BEATS sobre el dataset completo. Evalúa con WAPE (Weighted Absolute Percentage Error — error porcentual absoluto ponderado), MASE (Mean Absolute Scaled Error — error absoluto escalado medio) y bias por SKU. Reporta también coste de entrenamiento + inferencia. Conclusión honesta: ¿el DL vale la complejidad? Entrega notebook + reporte + recomendación.
El Briefing
Lo que harás y lo que demostrarás.
Compara ARIMA vs LSTM vs Transformer en forecasting de bodega y recomienda honestamente con base en WAPE + complejidad operativa.
Earning criteria — what you'll demonstrate
- Aplicar LSTMs y Transformers temporales sobre datos de demanda reales
- Comparar baselines clásicos vs deep learning con métricas correctas
- Evaluar complejidad operativa, no solo accuracy
- Comunicar conclusiones honestas que pueden no ser las esperadas por el cliente
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosCientífico de Datos
Forecasting con comparación honesta clásico-vs-DL es uno de los proyectos más usados en entrevistas de DS en retail/CPG.
Este proyecto afina
- time-series-forecasting
- lstm
- evaluation
Ingeniero de Aprendizaje Automático
Comparar complejidad operativa además de accuracy es la habilidad que diferencia al MLE senior del junior.
Este proyecto afina
- pytorch
- transformers
- model-comparison
Científico Aplicado de IA
Comunicar conclusiones honestas que pueden no ser las esperadas es trabajo cotidiano del applied AI scientist.
Este proyecto afina
- time-series-forecasting
- model-comparison
- evaluation