Propuesta de mejora de la planificación de la demanda interna aplicando modelos de Machine Learning en una empresa de consumo masivo

La investigación propone mejorar la planificación de la demanda interna de una empresa peruana de consumo masivo, aplicando modelos de Machine Learning dirigidos al pronóstico de insumos y materiales indirectos. El estudio surge ante las limitaciones del método actual basado en hojas de cálculo y decisiones empíricas, que generan ineficiencias en los niveles de inventario y costos operativos. La metodología adoptada sigue el enfoque CRISP-DM (Cross Industry Standard Process for Data Mining), que abarca desde la comprensión del negocio hasta el despliegue del modelo predictivo. Se emplearon registros históricos de compras, consumo y stock entre los años 2019 y 2025, aplicándose cuatro algoritmos de aprendizaje supervisado: Regresión Lineal, LightGBM Regressor, SARIMA y FB Prophet, seleccionados por su capacidad para modelar relaciones no lineales y patrones estacionales en series temporales. Los resultados evidencian que los modelos basados en Machine Learning ofrecen un desempeño superior respecto a los métodos tradicionales de pronóstico, logrando mayor precisión en la estimación de la demanda y reduciendo la variabilidad del error. En consecuencia, se demuestra que la incorporación de técnicas de analítica predictiva permite optimizar la toma de decisiones, mejorar la rotación de inventarios y fortalecer la eficiencia de la cadena de suministro interna.