LOGÍSTICA Y TRANSPORTE: PREVISIÓN DE LA DEMANDA DE TRANSPORTE UTILIZANDO SARIMA Y XGBOOST
DOI:
https://doi.org/10.36674/mythos.v18i1.1066Palabras clave:
Comercio electrónico, Aprendizaje automático, Estacionalidad, Datos de pedidos de ventas, Sistemas de apoyo a la toma de decisionesResumen
La predicción precisa de la demanda de transporte de carga es fundamental para optimizar la planificación logística y apoyar la toma de decisiones en las cadenas de suministro del comercio electrónico. Este estudio compara el desempeño de dos enfoques de pronóstico: el modelo Autorregresivo Integrado de Media Móvil Estacional (SARIMA) y Extreme Gradient Boosting (XGBoost), para estimar la demanda diaria de carga medida por el peso transportado. La investigación siguió la metodología CRISP-DM utilizando el conjunto de datos público Brazilian E-commerce Dataset by Olist. Tras el preprocesamiento de los datos, el análisis exploratorio, las pruebas de estacionariedad y la ingeniería de características, se desarrollaron y evaluaron múltiples modelos SARIMA y XGBoost mediante una partición cronológica entre entrenamiento y prueba, validación cruzada y el Error Porcentual Absoluto Medio (MAPE). Los modelos SARIMA emplearon diferenciación estacional y transformaciones Box-Cox, mientras que los modelos XGBoost incorporaron variables de calendario, medias móviles y desviaciones estándar móviles. Los resultados muestran que la ingeniería de características mejoró significativamente el desempeño predictivo. El mejor modelo XGBoost alcanzó un MAPE del 3%, superando ampliamente al mejor modelo SARIMA. Estos hallazgos indican que las técnicas de aprendizaje automático combinadas con ingeniería de características temporales constituyen una alternativa sólida para la predicción de la demanda de carga en operaciones de comercio electrónico, contribuyendo a la planificación del transporte, la asignación de recursos y la eficiencia operativa.
Citas
Bruce, P., & Bruce, A. (2019). Estatística prática para cientistas de dados: 50 conceitos essenciais. Alta Books.
Brunheroto, P. H., Pepino, A. L. G., et al. (2022). Data analytics in fleet operations: A systematic literature review and workflow proposal. Procedia CIRP, 107, 1192–1197. https://doi.org/10.1016/j.procir.2022.05.130
Chapman, P., Clinton, J., Kerber, R., et al. (2000). CRISP-DM 1.0: Step-by-step data mining guide. SPSS.
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). ACM. https://doi.org/10.1145/2939672.2939785
Fávero, L. P., & Belfiore, P. (2017). Manual de análise de dados. Elsevier.
Haque, M. S., Amin, M. S., & Miah, J. (2023). Retail demand forecasting: A comparative study for multivariate time series. arXiv preprint arXiv:2308.11939. https://arxiv.org/abs/2308.11939
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Prin ciples and practice (3rd ed.). OTexts. https://otexts.com/fpp3/
Jahin, M. A., Shahriar, A., & Al Amin, M. (2024). MCDFN: Supply chain demand forecasting via an explainable multi-channel data fusion network model integrating CNN, LSTM, and GRU. arXiv preprint arXiv:2405.15598. https://arxiv.org/abs/2405.15598
McKinney, W. (2022). Python para análise de dados. Novatec.
Morettin, P. A., & Bussab, W. O. (2016). Estatística básica (8ª ed.). Saraiva.
Nagel, M., & dos Santos, C. P. (2017). A relação entre a satisfação com o gerenciamento de reclamações e as intenções de recompra: Detectando influências moderadoras em retail. Brazilian Business Review, 14(5). https://doi.org/10.15728/bbr.2017.14.5.4
Novack, R. A., Gibson, B., Coyle, J. J., & Suzuki, Y. (2020). Transportation: A global supply chain perspective (9th ed.). Cengage Learning.
Olist, & Sionek, A. (2018). Brazilian e-commerce public dataset by Olist [Data set]. Kaggle. https://doi.org/10.34740/KAGGLE/DSV/195341
Pavlyshenko, B. M. (2019). Machine-learning models for sales time series forecasting. Data, 4(1), 15. https://doi.org/10.3390/data4010015
Prim, A. L., & de Freitas, K. A. (2020). Frete barato e entrega atrasada: O dilema do nível de serviço versus custos. Revista de Administração Contemporânea, 24(6), 618–631. https://doi.org/10.1590/19827849rac2020190226
Pankratz, A. (1983). Forecasting with univariate Box-Jenkins models: Concepts and cases. John Wiley & Sons.
Saha, P., Gudhenia, N., Mitra, R., et al. (2022). Demand forecasting of a multinational retail company using deep learning frameworks. IFAC-PapersOnLine. https://doi.org/10.1016/j.ifacol.2022.09.425 Shumway, R. H., & Stoffer, D. S. (2011). Time series analysis and its applications (3rd ed.). Springer.
VanderPlas, J. (2016). Python data science handbook. O’Reilly Media. https://jakevdp.github.io/PythonDataScienceHandbook/
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Eduardo Modesto de Melo, Fabricio Pelloso Piurcosky
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
A partir de enero de 2024, los autores conservan los derechos de autor de su artículo y conceden a la revista Mythos de FEPESMIG el derecho de primera publicación, estando la obra simultáneamente bajo la licencia Creative Commons Reconocimiento 4.0 Internacional (CC BY 4.0), tal y como se recoge en el documento PDF del artículo. Esta licencia establece que el artículo publicado puede ser compartido (permite copiar y redistribuir el material en cualquier medio o formato) y adaptado (permite remezclar, transformar y crear a partir del material para cualquier fin, incluido el comercial) por cualquier persona.
