Predice la demanda diaria de SKU para una bodega de Rías Baixas
Visión general
De qué trata este proyecto.
Recibirás 3 años de datos diarios de ventas por SKU (45 SKU activos), promociones, festivos y precios. Implementa una línea base con SARIMA (modelo estacional autorregresivo de medias móviles integradas) y un modelo con LightGBM sobre variables de retardo. Compara MAE (Mean Absolute Error — error absoluto medio) y sMAPE (Symmetric Mean Absolute Percentage Error — error porcentual absoluto medio simétrico) por SKU, con un análisis de qué SKU se benefician más del modelo avanzado. Entrega un cuaderno limpio y una recomendación de 2 páginas para la persona responsable de operaciones.
El Briefing
Lo que harás y lo que demostrarás.
Comparar de forma cuantitativa SARIMA y LightGBM para predecir demanda diaria por SKU, e identificar qué SKU se benefician de cada enfoque.
Earning criteria — what you'll demonstrate
- Aplicar técnicas clásicas y modernas de forecasting sobre datos reales
- Diseñar una evaluación rolling-origin (origen móvil) honesta para series temporales
- Traducir métricas técnicas en una recomendación operativa accionable
- Documentar un proyecto de ML para que otra persona pueda reproducirlo
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/a de Datos
Comparar enfoques de forecasting y traducirlos a una recomendación de negocio reproduce con fidelidad el flujo diario de una persona data scientist junior en una empresa con datos transaccionales.
Este proyecto afina
- time-series-forecasting
- model-evaluation
- business-translation
Ingeniero/a de Machine Learning
Construir un cuaderno reproducible con división temporal correcta es el cimiento del trabajo cotidiano de MLE: pipelines que respetan el tiempo y se pueden poner en producción.
Este proyecto afina
- feature-engineering
- python
- model-evaluation