Dashboard predictivo para prevenir quiebres de stock en puntos de venta mediante un modelo heurístico en el sector retail​

Abstract

El presente proyecto tiene como finalidad implementar un dashboard predictivo basado en un modelo heurístico para la gestión de quiebres de stock en una empresa latinoamericana que brinda soluciones tecnológicas al sector retail. El diagnóstico inicial evidenció una detección reactiva de las rupturas, alta dependencia de reportes manuales y niveles de disponibilidad por debajo del objetivo, lo que impactaba en ventas no realizadas y sobrestock. El objetivo es mejorar la disponibilidad en góndola y apoyar decisiones comerciales ágiles y oportunas diarias. La solución propone una arquitectura analítica en entorno Big Data que integra fuentes de ventas, stock y rupturas mediante un proceso ETL, sobre el cual se ejecuta una heurística de riesgo de quiebre por producto, punto de venta y proveedor. Los resultados se visualizan en un dashboard interactivo con indicadores de disponibilidad, quiebres, desempeño del proceso y alertas priorizadas. En la validación se comprobó que el proceso ETL cumple las metas de desempeño (duración total ≤ 3 horas, actualización del dashboard ≤ 30 minutos y porcentaje de ejecuciones exitosas ≥ 90 %, con un rendimiento mínimo de 50 000 registros por minuto) y que la calidad de datos supera el umbral definido para las variables críticas. El análisis de impacto evidencia una reducción de 15,16 % en la ocurrencia de quiebres y una mejora en la planificación y reposición de inventario, apoyada por la evaluación de 10 expertos que califican positivamente la utilidad, claridad y confiabilidad de la solución.

The present project aims to implement a predictive dashboard based on a heuristic model for managing stock-outs in a Latin American company that provides technological solutions for the retail sector. The initial diagnosis revealed reactive detection of stock-outs, high dependence on manual reports, and availability levels below target, which resulted in lost sales and overstock. The main objective is to improve on-shelf availability and support agile, day-to-day commercial decision-making. The proposed solution defines an analytical architecture in a Big Data environment that integrates sales, stock, and rupture sources through an ETL process, upon which a heuristic risk model is executed by product, point of sale, and supplier. The results are displayed in an interactive dashboard with indicators of availability, stock-outs, process performance, and prioritized alerts. During validation, it was verified that the ETL process meets the performance targets (total duration ≤ 3 hours, dashboard update ≤ 30 minutes, and a success rate ≥ 90 %, with a minimum throughput of 50,000 records per minute) and that data quality exceeds the threshold defined for critical variables. The impact analysis shows a 15.16 % reduction in the occurrence of stock-outs and an improvement in inventory planning and replenishment. Additionally, the evaluation conducted with 10 experts confirms the usefulness, clarity, and reliability of the proposed solution.