Optimización de Inventarios en PYMEs Retail: Un Enfoque Basado en Prophet y Python

Diego Javier Portilla Martínez; M´ónica Elizabeth Páez Padilla

doi:10.37431/conectividad.v6i4.399

Autores/as

Diego Javier Portilla Martínez Investigador Independiente https://orcid.org/0009-0008-7295-6227
M´ónica Elizabeth Páez Padilla Instituto Tecnológico Superior Nelson Torres https://orcid.org/0009-0006-1030-1394

DOI:

https://doi.org/10.37431/conectividad.v6i4.399

Palabras clave:

Modelos productivos, Prophet, Phyton, Gestión de inventario, Retail, PYMES

Resumen

La gestión eficiente de inventarios es uno de los grandes retos para las pequeñas y medianas empresas (PYMEs) del sector retail en Latinoamérica. Este estudio propone el uso de Prophet, una herramienta de código abierto desarrollada por Meta e implementada en Python, para predecir la demanda de productos y optimizar la planificación de inventarios. Se trabajó con datos reales de ventas diarias entre 2021 y 2023, más de 15,000 registros, obteniendo un error medio absoluto porcentual (MAPE) promedio del 6.5%, mejor que métodos tradicionales como ARIMA. Entre los beneficios destacan una reducción del 22% en inventario inmovilizado y ahorros estimados en $20,000 USD anuales. La propuesta se implementó en Google Colab, lo que la hace accesible y escalable incluso para empresas con recursos limitados.

Citas

Ali, H., Rahman, S., & Noor, N. (2023). Retail demand forecasting: A comparative study for multivariate time series. arXiv preprint arXiv:2308.11939. https://doi.org/10.48550/arXiv.2308.11939

Bergmeir, C., Hyndman, R. J., & Koo, B. (2022). Comparing Prophet, ARIMA, and deep learning models for time series forecasting in retail. International Journal of Forecasting, 38(4), 1328–1345. https://doi.org/10.1016/j.ijforecast.2022.03.015

Pérez, L., & Salazar, M. (2022). Transformación digital en las PYMEs latinoamericanas: retos y estrategias de adopción tecnológica. Revista Iberoamericana de Ciencia, Tecnología y Sociedad (CTS), 17(50), 89–104. https://doi.org/10.24215/18524694e056.

Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3rd ed.). OTexts. https://otexts.com/fpp3/

IBIMA Journal. (2024). Time series demand forecasting based on Prophet model. https://ibima.org/accepted-paper/time-series-demand-forecasting-based-on-prophet-model

Kumar, S., & Ranjan, R. (2021). A comprehensive study on demand forecasting methods and algorithms for retail industries. International Journal of Computer Applications, 183(24), 1–8. https://www.ijcaonline.org

López, F., & Ramírez, J. (2023). Predicción de la demanda en el comercio minorista latinoamericano mediante modelos de series temporales y aprendizaje automático. Revista Ingeniería Industrial, 44(3), 85–98. https://doi.org/10.4067/S0718-33052023000300085

Mehta, P., & Singh, R. (2025). Demand forecasting for improved inventory management in small and medium-sized businesses. Journal of Applied Natural Science and Technology, 12(1), 57–144. https://doi.org/10.23887/janapati.v12i1.57144 DOI: https://doi.org/10.23887/janapati.v12i1.57144

Meta Platforms Inc. (2024). Prophet documentation. https://facebook.github.io/prophet/

ONTSI (Observatorio Nacional de las Telecomunicaciones y de la Sociedad de la Información). (2023). Informe de digitalización de las PYMEs 2023. Ministerio de Asuntos Económicos y Transformación Digital. https://www.ontsi.es/es/actualidad/informe-de-digitalizacion-de-las-pymes-2023

Pozo-Benites, K. B., Guadalupe-Sánchez, K. W., Peñarreta-Barrera, E. E., & Meza-Salvatierra, J. K. (2025). Transformación digital de las PYMEs en América Latina: barreras, oportunidades y estrategias para la competitividad. Multidisciplinary Latin American Journal (MLAJ), 3(2), 236–255. https://doi.org/10.62131/MLAJ-V3-N2-015 DOI: https://doi.org/10.62131/MLAJ-V3-N2-015

Taylor, S. J., & Letham, B. (2018). Forecasting at scale. The American Statistician, 72(1), 37–45. https://doi.org/10.1080/00031305.2017.1380080 DOI: https://doi.org/10.1080/00031305.2017.1380080