CS-09 — Automatización e IA
Previsión de ventas en retail para Eroski
Modelos de previsión de ventas por tienda, producto, categoría, sección y promoción para entender la demanda, la estacionalidad y el efecto de las promociones.
- Mi papel
- Data Engineer e investigador (IKERLAN).
- Periodo
- No documentado
- Divulgación
- Detalles anonimizados
- Tecnologías
- PythonJupyterPandasProphet
- Última revisión
- 13 de noviembre de 2026
Contexto
Eroski necesitaba entender mejor la demanda, el comportamiento por tienda y el consumo de productos para apoyar decisiones comerciales, incluida la evaluación de promociones.
Retos
- 01Combinar varias dimensiones (tienda, producto, categoría, sección, promoción, periodo).
- 02Separar estacionalidad, tendencia y efecto de las promociones.
- 03Comparar y validar modelos de forma fiable.
Solución y arquitectura
Análisis exploratorio del histórico de compras, ingeniería de características y comparación de modelos de series temporales (autorregresivos, técnicas tipo ARIMA/SARIMA, Facebook Prophet) y de regresión, con validación de modelos. El análisis también evaluaba qué promociones se asociaban a patrones de venta más favorables.
Decisiones clave
Aún no documentado
Compromisos
Aún no documentado
Resultados
Los resultados se publicarán una vez verificados
Aprendizajes
Aún no documentado
Proyecto relevante porque une técnicas analíticas con operaciones de retail, comportamiento de ventas y estrategia comercial.
Pregunta sobre este caso de estudio
Las preguntas de aquí se responden con el caso de estudio «Previsión de ventas en retail para Eroski» como contexto.