Desarrollo de un modelo dinámico para forecasting de bebidas en RStudio

El proyecto se basa en el desarrollo de un modelo para la predicción de demanda de bebidas espirituosas, que podrá ser utilizado por los usuarios de los sistemas tecnológicos de Pernod Ricard España para adaptar su producción y gestión del marketing al mercado actual, facilitando así también su adaptación a la metodología de "Lean Manufacturing" y permitiendo aprovechar ventajas competitivas frente a otras empresas. Se realizó mediante el desarrollo de un modelo de regresión sarima llevado a cabo mediante la metodología de Box-Jenkins y se utilizará dinámicamente mediante una aplicación tipo dashboard para facilitar el uso al usuario. La metodología seguida es: análisis de posibles transformaciones y fallos en la recogida de datos, selección de los parámetros del modelo, comprobación del p-valor y los residuos y si es válido utilización. En caso de no ser válido se repitió iterativamente el anterior esquema. En su base de datos desde la que se nutre se encuentran los años desde 2017 hasta junio de 2021 y repartidos en formato de botella, zona de distribución, si es off-trade u on-trade (alimentación u hostelería) y el tipo de bebida. Tiene la posibilidad de, mediante una función de transferencia, transferir información de variables externas relevantes, como el PIB, turismo, etc, al modelo, haciéndolo más fiable. Analizando los resultados finales, la aplicación en general comete errores de menos del 6% de previsión a 3 meses y parece dar resultados correctos a 6 meses.

The project is based on the development of a model for the prediction of demand for spirits, which can be used by the users of Pernod Ricard España's technological systems to adapt their production and marketing management to the current market, thus facilitating their adaptation to the "Lean Manufacturing" methodology and allowing them to take advantage of competitive advantages over other companies. It was carried out through the development of a sarima regression model using the Box-Jenkins methodology and will be used dynamically by means of a dashboard application to facilitate its use by the user. The methodology followed is: analysis of possible transformations and failures in data collection, selection of model parameters, checking the p-value and residuals and if valid use. If not valid, the previous scheme was repeated iteratively. In its database from which it is fed are the years from 2017 to June 2021 and distributed in bottle format, distribution area, whether it is off-trade or on-trade (food or hospitality) and the type of beverage. It has the possibility, through a transfer function, to transfer information from relevant external variables, such as GDP, tourism, etc, to the model, making it more reliable. Analyzing the final results, the application generally makes errors of less than 6% forecast at 3 months and seems to give correct results at 6 months.