Predicción de ventas mediante modelos ARIMA y Prophet: comparación de métodos y buenas prácticas en series temporales

Abstract

Este trabajo analiza y compara diferentes metodologías para la predicción de ventas en series temporales, centrándose en los modelos ARIMA (en sus versiones manual y automática) y Prophet. A partir de un conjunto de datos reales de ventas, se realiza una transformación y exploración inicial para identificar tendencias y patrones de variabilidad. Se llevan a cabo procesos de preprocesamiento, incluyendo la diferenciación y la transformación logarítmica, con el objetivo de adaptar la serie a los supuestos requeridos por los modelos clásicos de predicción. Se divide la serie temporal en conjuntos de entrenamiento y test, evaluando la capacidad predictiva de los modelos sobre el tramo de datos no visto durante el ajuste. Además, se estudia el impacto de la granularidad temporal sobre la precisión del modelo Prophet, aplicándolo tanto a la serie diaria como a la serie agregada semanalmente. Para cada modelo y configuración, se calculan métricas objetivas de error, como el MAPE, MAE y RMSE, lo que permite realizar una comparación cuantitativa de resultados. Los hallazgos muestran que la agregación semanal de los datos puede mejorar notablemente la precisión de los modelos de tipo estructural como Prophet, mientras que ARIMA ofrece un rendimiento competitivo en la serie diaria. Finalmente, se discuten las implicaciones prácticas de estos resultados para la toma de decisiones empresariales y se plantean posibles líneas de mejora y extensión futura del trabajo.