Proyección de venta mensual de la empresa Inspectorate Services Perú S.A.C. usando los modelos de Random Forest y LightGBM

Abstract

Este Trabajo de Sustentación Profesional (TSP) tiene como objetivo principal la proyección de las ventas mensuales de la empresa, Inspectorate Services Perú SAC, ubicado sus oficinas en los distritos del Callao y Chorrillos, en el departamento de Lima, Perú, a través de los modelos de Machine Learning Random Forest y LightGBM y poder comparar cuál de los dos procesos nos genera resultados más fiables y eficaces, y seleccionar el mejor. Ya que la proyección es crucial para asegurar a que la empresa pueda llegar al objetivo o las metas indicadas por la gerencia. El enfoque metodológico se basa en el análisis de una ecuación de variables involucradas en los modelos utilizando datos históricos de ventas proporcionadas por la empresa. Estos datos incluyen las ventas de los 2 segmentos de mercado de la empresa, y las 7 condiciones de pagos de los clientes y los 4 tipos de servicio que cuenta la empresa. Anteriormente, la proyección lo hacían a través del juicio de expertos, lo que generaba mucha incertidumbre, o lo realizaban por promedio móviles, pero generaba muchas diferencias entre los valores reales. Por lo cual se está apostando por modelos de Machine Learning que ofrece herramientas más robustas al basarse de patrones y análisis estadísticos avanzados. El estudio también va a beneficiar la optimización de los diferentes gastos realizados en las áreas de la empresa, ya que se envían muchas solicitudes de órdenes de compra, y como no se tiene un número exacto de cuanto se va a vender en el mes, hay dificultad para medir el margen con que se va a terminar y poder cumplir con el objetivo. Y con los modelos de Random Forest y LightGBM presenta un avance significativo después de comparar sus indicadores para poder tener el mejor algoritmo que proyecte las ventas mensuales.This Professional Sustentation Work (TSP) aims to forecast the monthly sales of Inspectorate Services Perú SAC, which has offices in the districts of Callao and Chorrillos, Lima, Peru. The study utilizes Random Forest and LightGBM Machine Learning models to compare which of the two processes generates more reliable and effective results and to select the optimal one. Accurate forecasting is crucial to ensuring the company meets the objectives and targets set by management. The methodological approach is based on the analysis of an equation of variables involved in the models, using historical sales data provided by the company. These data include sales from two market segments, seven customer payment terms, and four types of services offered by the firm. Previously, projections were made through expert judgment, which created significant uncertainty, or through moving averages, which resulted in substantial discrepancies compared to actual values. Therefore, this study opts for Machine Learning models, which offer more robust tools based on patterns and advanced statistical analysis. Furthermore, this study will benefit the optimization of various expenses across company departments. Currently, numerous purchase order requests are processed, but the lack of an exact monthly sales forecast makes it difficult to measure the final profit margin and meet objectives. The implementation of Random Forest and LightGBM models represents a significant advancement, as comparing their performance indicators allows for the selection of the best algorithm to project sales.