Modelos neuronales para forecasting jerárquico de cadena de suministro
Visión general
De qué trata este proyecto.
Recibes 4 años de ventas semanales con 60 SKUs activos en 9 países (540 series por SKU-país). Implementa dos enfoques: (a) ARIMA por serie + reconciliación bottom-up, (b) DeepAR o N-HiTS aprendiendo conjuntamente. Evalúa con error porcentual absoluto medio escalado (Mean Absolute Scaled Error, MASE) y con error de coherencia jerárquica (la suma de niveles inferiores debe igualar al nivel superior). Reporta también el coste computacional de cada enfoque. El éxito es mejorar MASE >= 8 % en el nivel SKU-país sin empeorar la coherencia.
El Briefing
Lo que harás y lo que demostrarás.
Comparar forecasting neuronal jerárquico contra ARIMA con reconciliación bottom-up, equilibrando precisión, coherencia y coste.
Earning criteria — what you'll demonstrate
- Aplicar forecasting jerárquico con reconciliación
- Entrenar modelos neuronales conjuntos sobre múltiples series
- Evaluar precisión y coherencia jerárquica
- Razonar sobre coste de los enfoques para planeación operativa
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 canónicosIngeniero/a de Aprendizaje Automático
Entrenar y desplegar forecasting jerárquico neuronal sobre supply chain es trabajo cotidiano de una persona MLE en compañías de gran consumo.
Este proyecto afina
- hierarchical-forecasting
- neural-forecasting
- pytorch
Científico/a de Datos
Comparar enfoques de forecasting con métricas de coherencia y traducirlos a propuestas operativas es perfil clásico de data scientist en consumo.
Este proyecto afina
- arima
- evaluation
- reconciliation
Investigador/a de Aprendizaje Automático
Evaluar precisión, coherencia y coste de modelos jerárquicos refleja el rigor de una persona investigadora ML aplicada.
Este proyecto afina
- neural-forecasting
- hierarchical-forecasting
- evaluation