Sistema basado en Machine Learning para predicción de inventarios para una empresa del sector industrial

Abstract

En el sector industrial, la gestión de inventarios enfrenta constantes desafíos debido a la variabilidad de la demanda, los plazos de entrega irregulares y la falta de integración entre los sistemas de información. Estas limitaciones dificultan mantener un equilibrio entre la disponibilidad de insumos y la eficiencia operativa, generando sobrecostos por exceso de stock y pérdidas por desabastecimiento. Ante esta problemática, la presente implementación propuso el desarrollo de un sistema basado en Machine Learning para la predicción de inventarios en una empresa del sector industrial, cuyo objetivo es estimar con mayor precisión la demanda de productos, optimizando los niveles de inventario y reduciendo costos operativos. La propuesta integra tres modelos predictivos ARIMA/SARIMA, Random Forest y XGBoost, seleccionados por su capacidad para capturar patrones temporales y variaciones en el comportamiento de los productos. El sistema se implementó bajo una arquitectura lógica compuesta por PostgreSQL como base de datos, un entorno de entrenamiento en Google Colab y un dashboard web para la visualización de resultados y alertas. En la validación, el modelo híbrido alcanzó un MAPE global de 24.21 %, además de una coherencia de volumen del 98.31 % entre la demanda real y pronosticada. Estos valores reflejan un desempeño adecuado frente a la variabilidad de la demanda por SKU. Tras su implementación, el tiempo de gestión de inventarios disminuyó de seis a una hora diaria y la productividad aumentó de 16.7 a 100 artículos por hora, evidenciando una mejora significativa en la eficiencia operativa.

In the industrial sector, inventory management faces constant challenges due to demand variability, irregular lead times, and the lack of integration among information systems. These limitations make it difficult to maintain a balance between the availability of supplies and operational efficiency, generating cost overruns due to excess stock and losses caused by stockouts. In response to this issue, the present implementation proposed the development of a Machine Learning–based system for inventory prediction in an industrial company, with the aim of estimating product demand more accurately, optimizing inventory levels, and reducing operational costs. The proposal integrates three predictive models—ARIMA/SARIMA, Random Forest, and XGBoost—selected for their ability to capture temporal patterns and fluctuations in product behavior. The system was implemented under a logical architecture composed of PostgreSQL as the main database, a training environment in Google Colab, and a web dashboard for the visualization of results and alerts. During validation, the hybrid model achieved a global MAPE of 24.21%, along with a volume consistency of 98.31% between actual and forecasted demand. These values demonstrate adequate performance in scenarios with SKU-level demand variability. Following deployment, inventory management time decreased from six to one hour per day, and productivity increased from 16.7 to 100 items per hour, evidence of a significant improvement in operational efficiency