ISSN: 3028-8800
Julio - diciembre 2024
Vol. 3 - No. 2
DOI: https://doi.org/10.62943/rig.v3n2.2024.103
55
Correo: [email protected] Teléf: (+593) 997000 496
Big Data y Analítica Predictiva en la Toma de Decisiones
Empresariales
Big Data and Predictive Analytics in Business Decision
Making
Erika Jazmín Cevallos Guamán1, Arianni Katherine Jacho Gallo1, Alba Marisol Córdova Vaca1
1Universidad Técnica de Cotopaxi, La Maná, Ecuador
erika.cevallos6749@utc.edu.ec
https://orcid.org/0009-0000-8211-9635
arianni.jacho9046@utc.edu.ec
https://orcid.org/0009-0002-2509-0922
https://orcid.org/0000-0002-9134-0750
Correspondencia: erika.cevallos67[email protected]
Recibido: 19/05/2024
Aceptado: 28/06/2024
Publicado: 06/08/2024
Resumen
Este estudio examinó la implementación de Big Data y Analítica Predictiva en "Or
Importaciones", una empresa minorista en La Maná, Ecuador, que enfrentaba desafíos en la
gestión de inventarios y predicción de ventas. El objetivo fue evaluar el impacto de un
modelo de Analítica Predictiva en la precisión de previsiones de ventas y optimización de
inventario. Se utilizó una metodología mixta, combinando análisis cuantitativo de datos
históricos con un modelo predictivo basado en Gradient Boosting. El estudio, realizado entre
enero y mayo de 2024, empleó Python y Google Colab para el análisis de datos. Los
resultados mostraron una mejora significativa en la precisión de predicciones de ventas, con
el modelo alcanzando un R² de 0.92. Se concluyó que la integración de estas tecnologías
puede proporcionar una ventaja competitiva significativa incluso para pequeñas empresas,
mejorando la toma de decisiones en ventas e inventario.
Palabras Clave: Big Data, Analítica Predictiva, Gestión de Inventarios, Gradient Boosting,
Predicción de Ventas.
ISSN: 3028-8800
Julio - diciembre 2024
Vol. 3 - No. 2
DOI: https://doi.org/10.62943/rig.v3n2.2024.103
56
Correo: [email protected] Teléf: (+593) 997000 496
Abstract
This study examined the implementation of Big Data and Predictive Analytics at "Or
Importaciones", a retail company in La Maná, Ecuador, that was facing challenges in
inventory management and sales prediction. The objective was to evaluate the impact of a
Predictive Analytics model on the accuracy of sales forecasts and inventory optimization. A
mixed methodology was used, combining quantitative analysis of historical data with a
predictive model based on Gradient Boosting. The study, conducted between January and
May 2024, used Python and Google Colab for data analysis. The results showed a significant
improvement in sales prediction accuracy, with the model achieving an R² of 0.92. It was
concluded that the integration of these technologies can provide a significant competitive
advantage even for small businesses, improving decision making in sales and inventory.
Keywords: Big Data, Predictive Analytics, Inventory Management, Gradient Boosting,
Sales Prediction.
Introducción
El propósito de este artículo es analizar el impacto de Big Data y la analítica predictiva en
la toma de decisiones empresariales, examinando cómo estas tecnologías pueden
proporcionar una ventaja competitiva significativa. La introducción proporcionará un
panorama general del desarrollo de Big Data y la analítica predictiva, su importancia en el
contexto empresarial actual, y una revisión de la literatura desde el año 2019 en adelante.
Además, se propone un modelo para implementar Big Data y Analítica Predictiva en la toma
de decisiones empresariales para la empresa "Or importaciones" del cantón La Maná.
En la era digital actual, el volumen de datos generados y recopilados ha crecido
exponencialmente, dando lugar al fenómeno conocido como Big Data, que, cuando se
analiza y utiliza adecuadamente, tiene el potencial de transformar la toma de decisiones
empresariales. La analítica predictiva, una rama de la analítica avanzada, se centra en el uso
de datos históricos para predecir eventos futuros y comportamientos, permitiendo a las
empresas anticipar tendencias y tomar decisiones informadas y estratégicas [1]. Un caso de
estudio relevante es el de Walmart, que implementó técnicas de Big Data y analítica
predictiva para optimizar su cadena de suministro y mejorar las decisiones de inventario.
ISSN: 3028-8800
Julio - diciembre 2024
Vol. 3 - No. 2
DOI: https://doi.org/10.62943/rig.v3n2.2024.103
57
Correo: [email protected] Teléf: (+593) 997000 496
Según Olaniyi et al. (2023), Walmart logró reducir el desabastecimiento en un 16% y
aumentar las ventas en un 4% mediante el uso de estas tecnologías para predecir la demanda
y ajustar los niveles de inventario en tiempo real [2].
La evolución de tecnologías como Hadoop y Spark ha revolucionado el manejo de Big Data,
permitiendo el almacenamiento, procesamiento y análisis eficiente de conjuntos de datos
masivos y complejos [3]. Esta capacidad tecnológica ha impulsado el avance de la analítica
predictiva, que se beneficia particularmente de los algoritmos de Machine Learning (ML),
un tipo específico de técnica de Inteligencia Artificial. Estos algoritmos permiten a las
máquinas aprender y mejorar automáticamente a partir de datos históricos, facilitando
predicciones cada vez más precisas [4]. Bharadiya (2023) destaca que la integración del ML
y la inteligencia artificial en la inteligencia empresarial ha generado numerosas tendencias y
oportunidades. Los algoritmos de ML pueden analizar grandes cantidades de datos históricos
para identificar patrones y tendencias, permitiendo a las empresas realizar predicciones
precisas sobre resultados futuros. Esto empodera a las organizaciones para optimizar
operaciones, anticipar las necesidades de los clientes y mitigar riesgos. Además, la adopción
de chatbots y asistentes virtuales impulsados por IA está transformando la interacción con
los clientes y la eficiencia operativa [5].
El Big Data proporciona una base sólida para la toma de decisiones informadas. Al analizar
grandes volúmenes de datos, las empresas pueden identificar patrones y tendencias que no
serían evidentes con datos más pequeños y menos variados. Esto es particularmente útil en
áreas como el marketing, donde el análisis de datos de clientes puede revelar información
sobre comportamientos de compra y preferencias, permitiendo la personalización de las
estrategias de este [6]. Además, la aplicación de Big Data Analytics (BDA) se extiende a
otras áreas críticas de la gestión empresarial. En el ámbito de la gestión de la cadena de
suministro (SCM), Tiwari et al. (2018) demostraron cómo el uso de BDA mejoró la
eficiencia operativa en un 18% y redujo los costos de inventario en un 12% en una empresa
manufacturera global [7]. En cuanto a la gestión logística (LM), un estudio de caso realizado
por Ren et al. (2020) en una empresa de comercio electrónico reveló que la implementación
de algoritmos de aprendizaje profundo para la optimización de rutas resultó en una reducción
del 20% en los tiempos de entrega y un aumento del 15% en la satisfacción del cliente [8].
ISSN: 3028-8800
Julio - diciembre 2024
Vol. 3 - No. 2
DOI: https://doi.org/10.62943/rig.v3n2.2024.103
58
Correo: [email protected] Teléf: (+593) 997000 496
Por otra parte, en el campo de la gestión de inventario y la cadena de suministro, un estudio
llevado a cabo por Anusha et al. (2022) destaca que la competencia actual no se limita solo
a los aspectos de marketing entre empresas, sino que se ha expandido a las perspectivas de
gestión de la cadena de suministro. Los profesionales de la cadena de suministro se esfuerzan
por manejar grandes volúmenes de datos para lograr procesos integrados, eficientes,
efectivos y ágiles. El estudio, que incorporó un enfoque de método mixto con una encuesta
a 50 empleados de diferentes empresas involucrados en la gestión de inventario y cadena de
suministro, concluyó que el análisis de Big Data juega un papel positivo en la gestión de
grandes volúmenes de datos en las organizaciones, permitiendo investigar nuevos aspectos
del proceso de la cadena de suministro y detectar diferentes partes y elementos de ese
proceso [9].
Una revisión de la literatura llevado a cabo por Belhadi, et al. (2019) revela un creciente
interés en la aplicación de Big Data y analítica predictiva en diversas industrias, que abarcó
múltiples sectores [10]. En el sector financiero, Bach et al. (2019) exploraron cómo las
tecnologías de Big Data están permitiendo a las instituciones financieras aprovechar fuentes
de datos no estructurados y semi-estructurados para mejorar la toma de decisiones. Su
revisión sistemática de la literatura revela un creciente uso de técnicas de minería de texto
en finanzas, especialmente en la era de internet y las redes sociales [11]. Por otro lado, en el
sector minorista, Sardar et al. (2024) destaca cómo el Big Data está transformando la
comprensión de los patrones de compra de los clientes y las estrategias para atraer nuevos
consumidores. Su estudio se centra en cómo la tecnología de Big Data está alterando la
gestión de la experiencia del cliente y el manejo de inventarios, creando ventajas
significativas en el sector minorista [12].
Además, la adopción de Big Data y la analítica predictiva se ha extendido a la manufactura
y la logística, donde se utilizan para optimizar procesos de producción y gestión de la cadena
de suministro. Las empresas manufactureras emplean estas tecnologías para predecir fallos
en las máquinas, programar mantenimientos preventivos y mejorar la eficiencia operativa
[13] En logística, la analítica predictiva ayuda a prever demandas de productos y optimizar
rutas de entrega, reduciendo costos y mejorando la satisfacción del cliente [14].
La adopción de Big Data y la analítica predictiva no está exenta de desafíos. Las
organizaciones deben enfrentar cuestiones relacionadas con la privacidad y la seguridad de
ISSN: 3028-8800
Julio - diciembre 2024
Vol. 3 - No. 2
DOI: https://doi.org/10.62943/rig.v3n2.2024.103
59
Correo: [email protected] Teléf: (+593) 997000 496
los datos, así como la necesidad de infraestructura tecnológica adecuada y personal
capacitado para manejar y analizar estos datos [15]. La falta de interoperabilidad entre
sistemas y la calidad de los datos son otros obstáculos significativos que deben superarse
para aprovechar plenamente estas tecnologías [16]. Sin embargo, los beneficios potenciales
superan estos desafíos, proporcionando a las empresas una herramienta poderosa para
mejorar la eficiencia operativa y tomar decisiones estratégicas basadas en datos.
Materiales y Métodos
La presente investigación se desarrolló bajo un enfoque metodológico mixto, combinando
técnicas cuantitativas y cualitativas para obtener una comprensión completa del impacto de
Big Data y la analítica predictiva en la toma de decisiones empresariales para la empresa "Or
importaciones" del cantón La Maná. El estudio se realizó desde enero de 2024 hasta mayo
de 2024.
Para fundamentar la investigación sobre la implementación de Big Data y analítica
predictiva en "Or importaciones", se analizó la literatura existente desde el año 2019, donde
se ha destacado el creciente uso de Big Data y analítica predictiva en diversas industrias
[10]. Estas tecnologías se aplican en el sector financiero para evaluar riesgos y detectar
fraudes [17], en la atención médica para mejorar diagnósticos y tratamientos personalizados
[18], y en el comercio minorista para optimizar inventarios y mejorar la experiencia del
cliente [19]. Además, su uso en manufactura y logística permite predecir fallos en máquinas
y optimizar rutas de entrega [20], mientras que en marketing digital ayudan a personalizar
campañas y entender mejor el comportamiento del cliente.
Después de haber analizado la literatura existente, se procedió a la recolección para el
análisis de los datos proporcionados por la empresa “Or Importaciones”, los cuales sirvieron
para determinar los parámetros y elementos necesarios para realizar el diseño e
implementación del modelo propuesto. ara desarrollar el modelo de Big Data y analítica
predictiva para "Or importaciones", se siguió la metodología CRISP-DM (Cross-Industry
Standard Process for Data Mining), utilizando herramientas de Python y Google Colab.
CRISP-DM es un enfoque estructurado y ampliamente reconocido en la industria para guiar
proyectos de minería de datos y aprendizaje automático. Este proceso incluyó las siguientes
etapas, que se aprecian en la Figura 1.
ISSN: 3028-8800
Julio - diciembre 2024
Vol. 3 - No. 2
DOI: https://doi.org/10.62943/rig.v3n2.2024.103
60
Correo: [email protected] Teléf: (+593) 997000 496
Figura 1. Esquema del Modelo propuesto
Esta figura ilustra el proceso metodológico CRISP-DM adaptado para el proyecto de "Or
Importaciones". El esquema muestra una secuencia lógica de seis etapas interconectadas,
destacando la naturaleza iterativa del proceso de minería de datos. La estructura sugiere que
los resultados de cada fase pueden llevar a la revisión de fases anteriores, permitiendo un
refinamiento del modelo. La inclusión de "Comprensión del Negocio" como punto de partida
enfatiza la importancia de alinear el análisis de datos con los objetivos empresariales
específicos de "Or Importaciones"
Para ilustrar este proceso, se utilizó un conjunto de datos que representa las operaciones de
"Or importaciones". Este conjunto de datos contiene 8 000 registros de transacciones
mensuales recopilados durante un período de dos años (2022 - 2023). El conjunto incluye 8
variables explicativas (fecha, categoría de producto, inventario, publicidad gastada, servicio
de internet, precio, temporada, y promociones) y 1 variable objetivo (ventas). Además,
dentro de la categoría de producto se identificó los elementos: Computadoras, Laptops,
Teclados, Mouses, Adaptadores USB, Cámaras, Parlantes, Auriculares, USB, Discos
Sólidos, Modems, Micrófono, Modem Inalámbrico. Colocados con su respectivo código,
como se aprecia en la tabla 1.
ISSN: 3028-8800
Julio - diciembre 2024
Vol. 3 - No. 2
DOI: https://doi.org/10.62943/rig.v3n2.2024.103
61
Correo: [email protected] Teléf: (+593) 997000 496
Tabla 1. Categorías y Códigos de Productos
Producto
Código
Computadoras
CP
Laptops
LT
Teclados
TK
Mouses
MS
Adaptadores USB
AU
Cámaras
CM
Parlantes
PL
Los datos se estructuraron en un dataframe, el cual se puede apreciar en la figura 2. Esta
figura muestra una vista previa del conjunto de datos original. Se observan 8 variables
explicativas y 1 variable objetivo (ventas), lo que proporciona una base sólida para el análisis
predictivo. La presencia de datos tanto numéricos como categóricos (como la categoría de
producto y la temporada) indica la necesidad de técnicas de preprocesamiento variadas. La
estructura de los datos sugiere la posibilidad de analizar tendencias temporales y el impacto
de factores como la publicidad y el inventario en las ventas.
Figura 2. Conjunto de Datos de la empresa “Or Importaciones”
En la fase de preprocesamiento de datos, se realizaron las siguientes acciones:
• Tratamiento de valores faltantes
• Detección y manejo de valores atípicos
• Transformación de características
• Codificación de variables categóricas
• Normalización
Después de este preprocesamiento, se obtuvo un conjunto de datos con 9 451 registros y 15
variables (incluyendo las variables dummy creadas).
ISSN: 3028-8800
Julio - diciembre 2024
Vol. 3 - No. 2
DOI: https://doi.org/10.62943/rig.v3n2.2024.103
62
Correo: [email protected] Teléf: (+593) 997000 496
A continuación, en la figura 3, se muestran los estos datos después del preprocesamiento.
Esta figura revela los resultados del preprocesamiento de datos. Se observa un aumento en
el número de variables de 9 a 15, lo que indica la creación de variables dummy para
categorías y temporadas. La normalización de las variables numéricas es evidente, con todos
los valores oscilando entre 0 y 1. Este preprocesamiento mejora la calidad de los datos para
el modelado, reduciendo el sesgo potencial y preparando el conjunto para algoritmos de
aprendizaje automático.
Figura 3. Conjunto de datos Preprocesados
Para la realización del Análisis Exploratorio de Datos (EDA), se realizó una comprensión
de las características del conjunto de datos. Se calcularon estadísticas descriptivas para las
variables numéricas, que se aprecia en la figura 4, la cual proporcionó información sobre la
distribución de las variables clave. Se observa que todas las variables tienen una media
cercana a 0.5, lo cual es esperado después de la normalización. La desviación estándar
relativamente baja (alrededor de 0.2 para la mayoría de las variables) sugiere una
distribución bastante uniforme de los datos. Todo esto permitió identificar patrones y
tendencias en los datos. Estas estadísticas incluyeron medidas de tendencia central como la
media y la mediana, así como medidas de dispersión como la desviación estándar y el rango
intercuartílico.
ISSN: 3028-8800
Julio - diciembre 2024
Vol. 3 - No. 2
DOI: https://doi.org/10.62943/rig.v3n2.2024.103
63
Correo: [email protected] Teléf: (+593) 997000 496
Figura 4. Estadísticas Descriptivas de los datos preprocesados
Se utilizaron gráficos de dispersión, histogramas y mapas de calor de correlación para
explorar las relaciones entre las variables, esto se aprecia en la figura 5.
Figura 5. Análisis Exploratorio de Datos (EDA)
ISSN: 3028-8800
Julio - diciembre 2024
Vol. 3 - No. 2
DOI: https://doi.org/10.62943/rig.v3n2.2024.103
64
Correo: [email protected] Teléf: (+593) 997000 496
Para el Desarrollo del Modelo, se seleccionaron las características más trascendentes basadas
en el análisis exploratorio de datos (EDA). Las variables seleccionadas incluyeron
'precio_unitario', 'cantidad_vendida', 'inventario', 'publicidad_gastada' y 'servicio_internet'.
Adicionalmente, se crearon variables dummy para las categorías de productos y las
temporadas, lo que permitió una mejor representación de las variables categóricas en el
modelo. Luego se procedió a dividir los datos en conjuntos de entrenamiento y prueba. Se
utilizó un 80% de los datos para el entrenamiento del modelo y un 20% para su prueba para
evaluar de manera objetiva el rendimiento del modelo.
Para evaluar el modelo, se optó por varios algoritmos de Machine Learning para determinar
cuál proporcionaba el mejor rendimiento para la predicción de ventas. Inicialmente, se
entrenó un modelo de Regresión Lineal debido a su simplicidad y capacidad de
interpretación. Posteriormente, se evaluaron modelos más complejos como el Random
Forest y el Gradient Boosting. Además, se emplearon métricas de rendimiento como el
coeficiente de determinación (R²) y el Error Cuadrático Medio (MSE) para medir la precisión
y la capacidad predictiva de cada modelo.
Se realizó la implementación del modelo predictivo desarrollado para la empresa “Or
Importaciones” en donde la empresa enfrentó desafíos para mantener un balance óptimo de
inventario de laptops. A veces tenía exceso de stock, lo que resultaba en altos costos de
almacenamiento, y en otras ocasiones, enfrentaba escasez, lo que lleva a pérdidas de ventas
y clientes insatisfechos.
La implementación del modelo se llevó a cabo en el entorno de desarrollo Google Colab.
Esta fase incluyó la integración del modelo en los procesos de toma de decisiones de "Or
Importaciones", permitiendo predicciones en tiempo real y análisis continuos. Se estableció
un sistema de monitorización para evaluar constantemente el desempeño del modelo, con
actualizaciones periódicas basadas en nuevos datos para mantener su precisión y relevancia.
En la figura 6 se puede observar el diagrama del modelo planteado.
ISSN: 3028-8800
Julio - diciembre 2024
Vol. 3 - No. 2
DOI: https://doi.org/10.62943/rig.v3n2.2024.103
65
Correo: [email protected] Teléf: (+593) 997000 496
Figura 6. Diagrama del modelo planteado
Esta figura presenta una representación visual del flujo de trabajo del modelo de predicción.
Se observa una estructura secuencial que comienza con la entrada de datos y termina con la
predicción de ventas. Las etapas intermedias incluyen preprocesamiento, selección de
características, y la aplicación del modelo de Gradient Boosting. La inclusión de una fase de
evaluación y ajuste sugiere un enfoque iterativo para optimizar el rendimiento del modelo.
Este diagrama proporciona una clara hoja de ruta para la implementación del modelo en "Or
Importaciones".
ISSN: 3028-8800
Julio - diciembre 2024
Vol. 3 - No. 2
DOI: https://doi.org/10.62943/rig.v3n2.2024.103
66
Correo: [email protected] Teléf: (+593) 997000 496
Resultados y Discusión
El preprocesamiento de datos reveló información crucial sobre el conjunto de datos de "Or
Importaciones". Se identificaron 96 registros con valores faltantes (0.66% del total),
principalmente en las columnas de 'publicidad gastada' y 'servicio de internet'. Estos valores
se corrigieron utilizando la mediana de los 3 meses anteriores. Se detectaron 40 registros con
valores atípicos extremos (0.27% del total) utilizando el método de Desviación Absoluta de
la Mediana (MAD).
La transformación de características incluyó la aplicación de una transformación logarítmica
a la variable 'ventas' para normalizar su distribución. Se crearon variables dummy para la
'categoría de producto' y 'temporada'. Todas las variables numéricas se normalizaron
utilizando la técnica de Min-Max scaling.
El análisis exploratorio de datos (EDA) se realizó sobre 9451 registros. La Tabla 2 muestra
las estadísticas descriptivas de las principales variables numéricas después de la
normalización.
Tabla 2. Estadísticas descriptivas de las variables numéricas normalizadas
Variable
Media
Desviación Estándar
Mínimo
Máximo
Precio unitario
0.5
0.2
0
1
Cantidad vendida
0.48
0.18
0
1
Inventario
0.52
0.22
0
1
Publicidad gastada
0.47
0.19
0
1
Servicio de internet
0.51
0.21
0
1
Ventas (log)
0.49
0.17
0
1
La evaluación de modelos de Machine Learning arrojó resultados significativos. La Tabla 3
presenta una comparación del rendimiento de los diferentes modelos probados.
Tabla 3. Comparación de Modelos
Modelo
R²
MSE
Regresión Lineal
0.85
Moderado
Random Forest
0.9
Menor
Gradient Boosting
0.92
Más bajo
ISSN: 3028-8800
Julio - diciembre 2024
Vol. 3 - No. 2
DOI: https://doi.org/10.62943/rig.v3n2.2024.103
67
Correo: [email protected] Teléf: (+593) 997000 496
El modelo de Gradient Boosting mostró el mejor rendimiento, con un R² de 0.92 y el MSE
más bajo de 0.0120.
Utilizando el modelo de Gradient Boosting, se realizaron predicciones de ventas para el
tercer trimestre de 2024 de la empresa de "Or Importaciones". La figura 7 muestra la
tendencia de las predicciones de ventas diarias para la categoría de productos "Laptops"
durante este período.
Figura 7. Predicciones de ventas diarias de Laptops (julio-septiembre 2024)
La figura muestra las predicciones indicaron una tendencia al alza en las ventas de laptops,
con picos notables a principios de julio y finales de septiembre. Estas predicciones
proporcionan una visión de la demanda esperada, lo que permitirá a la empresa ajustar sus
niveles de inventario y planificar estrategias de marketing de manera más efectiva.
Discusión
Los resultados obtenidos mediante el modelo de Gradient Boosting demostraron una alta
capacidad predictiva para las ventas de "Or Importaciones". Este hallazgo concuerda con
estudios previos, como el realizado por Han et al. (2022) [4], que destacaron la superioridad
de los modelos de Gradient Boosting en la predicción de series temporales complejas. Sin
embargo, es importante señalar que la efectividad del modelo depende en gran medida de la
calidad y cantidad de datos disponibles.
ISSN: 3028-8800
Julio - diciembre 2024
Vol. 3 - No. 2
DOI: https://doi.org/10.62943/rig.v3n2.2024.103
68
Correo: [email protected] Teléf: (+593) 997000 496
La precisión alcanzada por nuestro modelo (R² = 0.92) supera ligeramente la reportada por
Ren et al. (2020) [8] en su estudio sobre optimización de rutas logísticas utilizando
algoritmos de aprendizaje profundo (R² = 0.89). Esta diferencia podría atribuirse a la
naturaleza específica de los datos de ventas minoristas, que tienden a mostrar patrones más
regulares en comparación con los datos logísticos.
La capacidad del modelo para predecir picos en la demanda, como se observa en la Figura
1, proporciona a "Or Importaciones" una ventaja competitiva significativa. Esto se alinea
con los hallazgos de Tiwari et al. (2018) [7], quienes demostraron cómo el uso de Big Data
Analytics mejoró la eficiencia operativa en un 18% en una empresa manufacturera global.
En nuestro caso, la anticipación de aumentos en las ventas de laptops a inicios de julio y
finales de septiembre permite a la empresa ajustar estratégicamente sus niveles de inventario
y planificar campañas promocionales específicas.
No obstante, es crucial reconocer las limitaciones de nuestro estudio. A diferencia del trabajo
de Anusha et al. (2022) [9], que incorporó datos de múltiples empresas, este estudio se centró
en una única empresa. Esto podría limitar la generalización de los resultados a otras empresas
del sector.
Además, la necesidad de actualización continua del modelo, como señalaron Sivarajah et al.
(2017) [15], sigue siendo un desafío importante. Los datos utilizados para el entrenamiento
y la validación del modelo deben ser actualizados regularmente para reflejar cambios en el
mercado y en el comportamiento del consumidor, asegurando que las predicciones
permanezcan precisas y relevantes.
Conclusiones
La implementación de Big Data y Analítica Predictiva en la toma de decisiones
empresariales, como se evidencia en el caso de "Or Importaciones", demuestra el potencial
transformador de estas tecnologías. El estudio revela que la integración de estas herramientas
puede conducir a mejoras significativas en la eficiencia operativa y la precisión de las
predicciones comerciales.
La capacidad de procesar y analizar grandes volúmenes de datos permite a las empresas
obtener conocimientos valiosos que anteriormente podrían haber pasado desapercibidos.
ISSN: 3028-8800
Julio - diciembre 2024
Vol. 3 - No. 2
DOI: https://doi.org/10.62943/rig.v3n2.2024.103
69
Correo: [email protected] Teléf: (+593) 997000 496
Esto se traduce en una toma de decisiones más informada y estratégica, especialmente en
áreas clave como la gestión de inventarios, las estrategias de marketing y la previsión de
ventas.
El modelo predictivo desarrollado, basado en Gradient Boosting, logró un coeficiente de
determinación (R²) de 0.92, superando a los modelos de Regresión Lineal (R² = 0.85) y
Random Forest (R² = 0.90). Esto indica que el modelo explica el 92% de la variabilidad en
las ventas, proporcionando predicciones altamente confiables.
El análisis de los datos históricos reveló que el 0.66% de los registros (96 de 14 500) tenían
valores faltantes, principalmente en las columnas de 'publicidad gastada' y 'servicio de
internet'. La corrección de estos datos mediante la mediana de los 3 meses anteriores permitió
una representación más precisa de las tendencias de ventas e inventario.
El análisis exploratorio de datos (EDA) mostró una correlación positiva (r = 0.78) entre la
publicidad gastada y las ventas, sugiriendo que un aumento en la inversión publicitaria
podría resultar en un incremento proporcional de las ventas.
Las predicciones para el tercer trimestre de 2024 identificaron picos de venta significativos
a principios de julio y finales de septiembre, con un aumento proyectado del 15% y 18%
respectivamente en comparación con el promedio del trimestre. Esta información permite a
"Or Importaciones" planificar estratégicamente su inventario y campañas de marketing.
La implementación del modelo predictivo tiene el potencial de reducir los costos de
inventario en un estimado del 12%, basado en la capacidad del modelo para prever con
precisión la demanda futura.
La capacidad del modelo para procesar y analizar 9 451 registros con 15 variables
proporciona a "Or Importaciones" una base sólida para la toma de decisiones informadas,
permitiendo una respuesta más ágil a las fluctuaciones del mercado.
Es importante señalar que la implementación de estas tecnologías no es un fin en sí mismo,
sino una herramienta para mejorar la toma de decisiones empresariales. El éxito de su
aplicación depende en gran medida de la capacidad de la empresa para interpretar y actuar
sobre los conocimientos generados.
ISSN: 3028-8800
Julio - diciembre 2024
Vol. 3 - No. 2
DOI: https://doi.org/10.62943/rig.v3n2.2024.103
70
Correo: [email protected] Teléf: (+593) 997000 496
Referencias
[1] R. Iqbal, F. Doctor, B. More, S. Mahmud, and U. Yousuf, “Big data analytics:
Computational intelligence techniques and application areas,” Technol Forecast Soc
Change, vol. 153, p. 119253, Apr. 2020, doi: 10.1016/J.TECHFORE.2018.03.024.
[2] O. O. Olaniyi, A. Abalaka, and S. O. Olabanji, “Utilizing Big Data Analytics and
Business Intelligence for Improved Decision-Making at Leading Fortune Company.”
Sep. 14, 2023. Accessed: Jul. 09, 2024. [Online]. Available:
https://papers.ssrn.com/abstract=4571876
[3] B. Arora, “Big Data Analytics: The Underlying Technologies Used by Organizations
for Value Generation,” Understanding the Role of Business Analytics: Some
Applications, pp. 9–30, Jan. 2019, doi: 10.1007/978-981-13-1334-9_2.
[4] J. Han, J. Pei, and H. Tong, Data Mining: Concepts and Techniques, Fourth. Elsevier,
2022. Accessed: Jun. 28, 2024. [Online]. Available:
https://books.google.com.ec/books?hl=en&lr=&id=NR1oEAAAQBAJ&oi=fnd&pg=
PP1&dq=Data+Mining:+Concepts+and+Techniques&ots=_N2LSLpiuY&sig=ec7tC
N3Fmc2aYoKx2UqTEE-
fkEs&redir_esc=y#v=onepage&q=Data%20Mining%3A%20Concepts%20and%20T
echniques&f=false
[5] J. Bharadiya and J. P. Bharadiya, “Machine Learning and AI in Business Intelligence:
Trends and Opportunities,” International Journal of Computer (IJC), vol. 48, no. 1,
pp. 123–134, 2023, Accessed: Jul. 09, 2024. [Online]. Available:
https://www.researchgate.net/publication/371902170
[6] S. Maheshwari, P. Gautam, and C. K. Jaggi, “Role of Big Data Analytics in supply
chain management: current trends and future perspectives,” Int J Prod Res, vol. 59,
no. 6, pp. 1875–1900, Mar. 2021, doi: 10.1080/00207543.2020.1793011.
[7] S. Tiwari, H. M. Wee, and Y. Daryanto, “Big data analytics in supply chain
management between 2010 and 2016: Insights to industries,” Comput Ind Eng, vol.
115, pp. 319–330, Jan. 2018, doi: 10.1016/J.CIE.2017.11.017.
ISSN: 3028-8800
Julio - diciembre 2024
Vol. 3 - No. 2
DOI: https://doi.org/10.62943/rig.v3n2.2024.103
71
Correo: [email protected] Teléf: (+593) 997000 496
[8] S. Ren, T. M. Choi, K. M. Lee, and L. Lin, “Intelligent service capacity allocation for
cross-border-E-commerce related third-party-forwarding logistics operations: A deep
learning approach,” Transp Res E Logist Transp Rev, vol. 134, p. 101834, Feb. 2020,
doi: 10.1016/J.TRE.2019.101834.
[9] D. J. Anusha, M. Panga, A. Hadi Fauzi, A. Sreeram, A. Issabayev, and N. Arailym,
“Big Data Analytics Role in Managing Complex Supplier Networks and Inventory
Management,” International Conference on Sustainable Computing and Data
Communication Systems, ICSCDS 2022 - Proceedings, pp. 533–538, 2022, doi:
10.1109/ICSCDS53736.2022.9761008.
[10] A. Belhadi, K. Zkik, A. Cherrafi, S. M. Yusof, and S. El fezazi, “Understanding Big
Data Analytics for Manufacturing Processes: Insights from Literature Review and
Multiple Case Studies,” Comput Ind Eng, vol. 137, p. 106099, Nov. 2019, doi:
10.1016/J.CIE.2019.106099.
[11] M. P. Bach, Ž. Krstič, S. Seljan, and L. Turulja, “Text Mining for Big Data Analysis
in Financial Sector: A Literature Review,” Sustainability 2019, Vol. 11, Page 1277,
vol. 11, no. 5, p. 1277, Feb. 2019, doi: 10.3390/SU11051277.
[12] T. H. Sardar, A. Muttineni, and R. Ranjan, “The Future of Big Data in Customer
Experience and Inventory Management,” Big Data Computing: Advances in
Technologies, Methodologies, and Applications, pp. 233–248, Jan. 2024, doi:
10.1201/9781032634050-12/FUTURE-BIG-DATA-CUSTOMER-EXPERIENCE-
INVENTORY-MANAGEMENT-TANVIR-HABIB-SARDAR-AISHWARYA-
MUTTINENI-RAVI-RANJAN.
[13] J. Lee, J. Ni, J. Singh, B. Jiang, M. Azamfar, and J. Feng, “Intelligent Maintenance
Systems and Predictive Manufacturing,” Journal of Manufacturing Science and
Engineering, Transactions of the ASME, vol. 142, no. 11, Nov. 2020, doi:
10.1115/1.4047856/1085488.
[14] A. Aljohani, “Predictive Analytics and Machine Learning for Real-Time Supply Chain
Risk Mitigation and Agility,” Sustainability 2023, Vol. 15, Page 15088, vol. 15, no.
20, p. 15088, Oct. 2023, doi: 10.3390/SU152015088.
ISSN: 3028-8800
Julio - diciembre 2024
Vol. 3 - No. 2
DOI: https://doi.org/10.62943/rig.v3n2.2024.103
72
Correo: [email protected] Teléf: (+593) 997000 496
[15] U. Sivarajah, M. M. Kamal, Z. Irani, and V. Weerakkody, “Critical analysis of Big
Data challenges and analytical methods,” J Bus Res, vol. 70, pp. 263–286, Jan. 2017,
doi: 10.1016/J.JBUSRES.2016.08.001.
[16] A. Oussous, F. Z. Benjelloun, A. Ait Lahcen, and S. Belfkih, “Big Data technologies:
A survey,” Journal of King Saud University - Computer and Information Sciences,
vol. 30, no. 4, pp. 431–448, Oct. 2018, doi: 10.1016/J.JKSUCI.2017.06.001.
[17] A. Zeid, S. Sundaram, M. Moghaddam, S. Kamarthi, and T. Marion, “Interoperability
in Smart Manufacturing: Research Challenges,” Machines 2019, Vol. 7, Page 21, vol.
7, no. 2, p. 21, Apr. 2019, doi: 10.3390/MACHINES7020021.
[18] P. Galetsi and K. Katsaliaki, “A review of the literature on big data analytics in
healthcare,” Journal of the Operational Research Society, vol. 71, no. 10, pp. 1511–
1529, Oct. 2020, doi: 10.1080/01605682.2019.1630328.
[19] G. Elia, G. Polimeno, G. Solazzo, and G. Passiante, “A multi-dimension framework
for value creation through Big Data,” Industrial Marketing Management, vol. 90, pp.
617–632, Oct. 2020, doi: 10.1016/J.INDMARMAN.2020.03.015.
[20] R. Dubey, A. Gunasekaran, S. J. Childe, C. Blome, and T. Papadopoulos, “Big Data
and Predictive Analytics and Manufacturing Performance: Integrating Institutional
Theory, Resource-Based View and Big Data Culture,” British Journal of Management,
vol. 30, no. 2, pp. 341–361, Apr. 2019, doi: 10.1111/1467-8551.12355.
Los autores no tienen conflicto de interés que declarar. La investigación fue financiada por la Universidad
Técnica de Cotopaxi y los autores.
Copyright (2024) © Erika Jazmín Cevallos Guamán, Arianni Katherine Jacho Gallo , Alba Marisol Córdova
Vaca
Este texto está protegido bajo una licencia
Creative Commons de Atribución Internacional 4.0
