Pronóstico jerárquico de demanda intermitente en el retail de moda femenina. Un emsamble híbrido de Machine Learning con desacoplamiento jerárquico

Abstract

Esta memoria diseña, implementa y evalúa un modelo de pronóstico de demanda mensual para una cadena de moda femenina en Chile. El modelo (ES-GBM) combina suavizamiento exponencial con ensambles de árboles potenciados (XGBoost, LightGBM, CatBoost) y un modelo fundacional tabular (TabPFN), con desagregación jerárquica Top-Down hacia el nivel de SKU. La evaluación se realizó sobre 7 meses fuera de muestra (febrero–agosto 2025) en 100 SKUs de alto volumen y 58 Familias. El modelo alcanzó un WAPE de 16,10 % a nivel SKU y 12,89 % a nivel Familia (R2 = 0,95 y 0,96), superando a los benchmarks evaluados: Croston (84,87 %), SBA (83,42 %), SARIMA (76,74 %), SARIMAX (73,24 %), Seasonal Naïve (69,89 %), LSTM (45,75 %) y Chronos-Bolt a nivel Familia (36,35 %). Un experimento de ablación sin precios arrojó un WAPE de 38,25 %, lo que indica que la señal de precio aporta 22,2 puntos porcentuales de reducción del error. Una estimación ilustrativa de impacto financiero sugiere que la mejora permitiría liberar un inventario de $105,6 millones CLP (7.041 unidades) y ahorrar $23,2 millones CLP anuales en costos de mantención. This thesis designs, implements, and evaluates a monthly demand forecasting model for a Chilean women’s fashion retailer. The model (ES-GBM) combines exponential smoothing with gradient boosted ensembles (XGBoost, LightGBM, CatBoost) and a tabular foundation model (TabPFN), with top-down hierarchical disaggregation to the SKU level. Evaluation was conducted over 7 out-of-sample months (February–August 2025) on 100 high-volume SKUs and 58 Families. The model achieved a 16.10 % SKU WAPE and 12.89 % Family WAPE (R2 = 0,95 and 0,96), outperforming the evaluated benchmarks: Croston (84.87 %), SBA (83.42 %), SARIMA (76.74 %), SARIMAX (73.24 %), Seasonal Naïve (69.89 %), LSTM (45.75 %), and Chronos-Bolt at the Family level (36.35 %). An ablation experiment without pricing signals yielded a 38.25 % WAPE, indicating that the pricing signal contributes a 22.2 percentage point error reduction. An illustrative financial impact assessment suggests the improvement could enable a buffer stock release of 7,041 units ($105.6 million CLP) and annual holding cost savings of $23.2 million CLP.