Desarrollo de una aplicación de predicción usando machine learning para la planificación de compra de insumos en el restaurante El Nuevo Ferrocarril

Abstract

La investigación aborda el problema de planificación de compra de insumos en el restaurante El Nuevo Ferrocarril, debido a que la cantidad de compras era calculada basándose únicamente en la experiencia de ventas pasadas, generando gastos por sobreabastecimiento o desabastecimiento de insumos. Ante ello se desarrolló una aplicación web que utiliza un modelo de predicción de ventas basado en ML, para determinar la cantidad de insumos a comprar. Con el fin de lograr nuestro objetivo principal, se evaluaron los modelos ARIMA, Random Forest, Prophet y RNN LSTM con MAPE y MSE, usando 157 registros de ventas semanales y considerando análisis de series temporal y la inclusión de días festivos. También, se valoró la precisión de los modelos predictivos por cada producto, usando la métrica FA. Finalmente se evaluó la calidad de la aplicación web usando la métrica "rendimiento" y la herramienta Lighthouse. Los resultados obtenidos seleccionaron a Prophet como el mejor modelo con 537.36 de MSE promedio y 14.16% de MAPE promedio. Se obtuvo una alta precisión por cada modelo, con un FA promedio de 0.71. La calidad de la aplicación registró un rendimiento medio de 90, indicándonos una buena calidad de la aplicación. El proyecto fue desarrollado usando SCRUM por su adaptabilidad en los requerimientos y entregables en corto plazo, además, la aplicación fue desarrollada usando el framework Flask, FastApi y el lenguaje Python.

The research addresses the problem of planning the purchase of inputs in the restaurant El Nuevo Ferrocarril, because the amount of purchases was calculated based solely on the experience of past sales, generating expenses due to oversupply or shortage of inputs. Therefore, a web application was developed that uses a sales prediction model based on ML to determine the amount of inputs to be purchased. In order to achieve our main objective, ARIMA, Random Forest, Prophet and RNN LSTM models were evaluated with MAPE and MSE, using 157 weekly sales records and considering time series analysis and the inclusion of holidays. Also, the accuracy of the predictive models was assessed for each product, using the FA metric. Finally, the quality of the web application was evaluated using the “performance” metric and the Lighthouse tool. The results obtained selected Prophet as the best model with 537.36 average MSE and 14.16% average MAPE. High accuracy was obtained for each model, with an average FA of 0.71. The quality of the application recorded an average performance of 90, indicating a good quality of the application. The project was developed using SCRUM for its adaptability in the requirements and deliverables in a short period of time, in addition, the application was developed using the Flask framework, FastApi and the Python language.