Proyectos destacados

Aquí encontrarás mis proyectos

🛍️ Predicción de Ventas en Tiendas Minoristas con Machine Learning

📌 Introducción

En este proyecto abordo un problema común en el sector minorista: predecir las ventas diarias en tiendas físicas, con el objetivo de optimizar inventario, personal y promociones.

Utilizando un enfoque basado en redes neuronales profundas, desarrollé un modelo capaz de predecir con alta precisión las ventas esperadas a partir de variables operativas y de contexto.

🧩 Sobre el dataset

Trabajé con un dataset que simula datos reales de una cadena minorista, incluyendo más de 1 millón de registros y variables como:

Número de clientes diarios
Promociones activas
Estado de apertura de la tienda
Estación del año
Variables dummy codificadas

Variable objetivo: Sales (ventas diarias en euros)

🧠 Enfoque y modelo utilizado

Para resolver el problema de regresión, utilicé un modelo secuencial de red neuronal profunda (MLP) con las siguientes características:

5 capas ocultas de 350 neuronas
Función de activación: ReLU
Capa de salida: 1 neurona con activación lineal
Optimización: Adam
Pérdida: Error Cuadrático Medio (MSE)

Entrené el modelo durante 15 épocas utilizando un batch size de 16 ejemplos, validando el rendimiento con un conjunto separado de datos.

⚙️ Proceso general

Carga y exploración del dataset
Separación entre variables independientes (X) y la variable objetivo (Sales)
División en conjuntos de entrenamiento, validación y test
Construcción y compilación del modelo
Entrenamiento con visualización de la evolución de la pérdida
Evaluación en datos reales no vistos
Comparación de predicciones vs. valores reales

📈 Resultados

Comparé el rendimiento del modelo con una predicción base (usar el promedio como estimación).

MétricaModelo BaseModelo MLMAE (Error Absoluto)2886.89609.63MSE (Error Cuadrático)N/A825,782.31Promedio real de ventas5,773—

✅ Se logró una mejora del 78% en precisión comparado con el enfoque trivial.
Esto demuestra el potencial de aplicar Machine Learning en contextos reales de negocio.

✅ Conclusiones

Este modelo permite predecir con alta precisión las ventas diarias, lo que puede ser muy útil para planificar stock, personal y marketing.
Es un enfoque replicable para otros sectores minoristas o incluso e-commerce.
A futuro, se pueden mejorar los resultados integrando técnicas como regularización, feature selection o incluso modelos más complejos como LightGBM o XGBoost.

💻 Repositorio completo

Puedes acceder al código fuente proyecto aquí:
👉🏼 https://github.com/Valver91/retail-sales-prediction-ml

Autor: Santiago FV
Fecha: 25/03/2025