Aplicativo web para la predicción de ventas y optimización del abastecimiento en tiempo real de las MiPymes del sector retail en Valledupar.
No Thumbnail Available
Date
2026
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Este proyecto de grado expone el diseño, desarrollo e implementación de "TargetBI", un aplicativo web concebido para la predicción de ventas y la optimización del abastecimiento en tiempo real de las MiPymes del sector retail en Valledupar, Colombia. La problemática central abordada radica en que la mayoría de estos comercios gestionan sus inventarios de forma empírica o mediante registros manuales, lo que deriva en desabastecimientos o problemas de sobrestock que menoscaban su rentabilidad. Para mitigar esta deficiencia, la investigación adoptó una metodología de tipo aplicada, cuantitativa y con un diseño tecnológico-experimental, sustentada en la metodología ágil Extreme Programming (XP) para el desarrollo de software. El núcleo del sistema incorpora un enfoque híbrido de modelado predictivo que segmenta el catálogo de productos según su nivel de rotación ; de este modo, se aplican algoritmos de Machine Learning (como Gradient Boosting) para artículos de alta demanda y métodos estadísticos especializados (como el modelo de Croston) para demandas intermitentes o de baja frecuencia. Tecnológicamente, la plataforma se estructuró utilizando Flutter Web en el frontend, una API en Python con FastAPI en el backend y Supabase sobre PostgreSQL para la administración de la base de datos en la nube. La validación funcional y evaluación del sistema se realizaron mediante un estudio de caso en una papelería local con un catálogo de 237 productos activos recopilados a lo largo de tres años.
Los resultados evidenciaron que el modelo predictivo experimenta un periodo necesario de maduración a medida que acumula historial de transacciones, logrando reducir su error neto de un +46,8% en 2023 a un -7,7% en 2024, alcanzando un comportamiento consistente y estable. Asimismo, el análisis demostró una mayor precisión al pronosticar unidades físicas vendidas (obteniendo un sMAPE global del 24,4%) en contraste con los ingresos monetarios estimados (sMAPE del 42,6%), variabilidad explicada por la marcada heterogeneidad de precios típica dentro del catálogo del comercio retail minorista. En conclusión, el proyecto demuestra que el levantamiento manual de datos históricos es una alternativa totalmente viable para alimentar modelos avanzados de analítica predictiva en empresas sin digitalización previa, ofreciendo una solución de inteligencia de negocios asequible y de bajo costo que reduce las brechas digitales y potencia la sostenibilidad económica de la región.
Abstract
This undergraduate thesis presents the design, development, and implementation of "TargetBI," a web application created for sales forecasting and real-time supply optimization in retail MSMEs in Valledupar, Colombia. The core problem addressed is that most of these small businesses manage their inventories empirically or through manual records, leading to stockouts or overstock situations that impair their profitability. To mitigate this deficiency, the research adopted an applied, quantitative methodology with a technological-experimental design, supported by the Extreme Programming (XP) agile methodology for software engineering. The core of the system incorporates a hybrid predictive modeling approach that segments the product catalog according to turnover levels ; thus, machine learning algorithms (such as Gradient Boosting) are applied to high-demand items, while specialized statistical methods (such as Croston's model) are used for intermittent or low-frequency demand. Technologically, the platform was structured using Flutter Web for the frontend, a Python API with FastAPI for the backend, and Supabase over PostgreSQL for cloud database management. The system's functional validation and evaluation were conducted through a case study in a local stationery store with a catalog of 237 active products collected over a three-year timeline.
The results showed that the predictive model undergoes a necessary maturation period as it accumulates transaction history, successfully reducing its net error from +46.8% in 2023 to -7.7% in 2024, arriving at a consistent and stable behavior. Furthermore, the analysis demonstrated higher accuracy in forecasting physical units sold (achieving a global sMAPE of 24.4%) compared to estimated monetary revenues (sMAPE of 42.6%), a variation explained by the sharp price heterogeneity typical within small-scale retail commerce catalogs. In conclusion, the project demonstrates that manual collection of historical records is a completely viable alternative for feeding advanced business analytics models in businesses without prior digitization, providing an affordable, low-cost business intelligence solution that bridges digital divides and boosts the economic sustainability of regional trade.