APLICACIÓN DE ALGORITMOS DE APRENDIZAJE AUTOMÁTICO EN LA PREDICCIÓN DE VENTAS DIARIAS DE UNA INDUSTRIA CERVECERA BRASILEÑA

Resumen

La previsión de ventas constituye un elemento estratégico para la industria cervecera, un sector caracterizado por una elevada estacionalidad y por variaciones significativas asociadas a fines de semana, feriados y eventos festivos. Los modelos estadísticos tradicionales, aunque ampliamente utilizados, presentan limitaciones para capturar relaciones no lineales y patrones complejos presentes en las series temporales de demanda. En este contexto, el presente estudio tiene como objetivo evaluar la aplicación de algoritmos de aprendizaje automático en la predicción de ventas diarias de una industria cervecera brasileña. Para ello, se utilizó un conjunto de datos históricos de ventas diarias correspondiente al período de mayo de 2024 a mayo de 2025, adoptándose una división temporal en la que los datos de 2024 se emplearon para el entrenamiento de los modelos y los de 2025 se reservaron para la prueba. Se llevó a cabo ingeniería de características temporales, incluyendo variables de calendario, indicadores de feriados, variables rezagadas y estadísticas móviles. Se evaluaron cuatro algoritmos basados en árboles de decisión: Decision Tree, Random Forest, XGBoost y LightGBM, utilizando como métricas de desempeño el coeficiente de determinación (R²), el error absoluto medio (MAE) y la raíz del error cuadrático medio (RMSE). Los resultados evidencian que los modelos de tipo ensemble superan significativamente al árbol de decisión individual, destacándose el XGBoost, que presentó el mejor desempeño predictivo, explicando aproximadamente el 89,9% de la variancia de las ventas diarias. Se concluye que la aplicación de algoritmos de aprendizaje automático, combinada con la ingeniería de características temporales, constituye un enfoque eficaz para la predicción de la demanda en el sector cervecero, aportando insumos relevantes para la planificación de la producción, los inventarios y la logística.

DOI: https://doi.org/10.56238/sevened2026.008-124