Este proyecto desarrolla una solución integral de Business Intelligence para la gestión de inventarios y optimización de la cadena de suministro. Utilizando el "High-Dimensional Supply Chain Inventory Dataset", se construyó un pipeline completo que transforma datos operativos crudos en decisiones estratégicas de negocio.
Optimizar los niveles de inventario y reducir costos operativos mediante el análisis de la precisión de los pronósticos de demanda y la monitorización de la salud del stock.
Los datos provienen de un dataset de Kaggle que simula operaciones del mundo real a nivel de SKU, incluyendo:
Ventas y Pronósticos: Datos diarios con tendencias estacionales y ruido aleatorio.
Logística: Tiempos de entrega de proveedores (Lead Times) y puntos de reorden.
Finanzas: Costos unitarios, precios de venta y márgenes de utilidad reales.
Eventos: Promociones y banderas de rotura de stock (Stockouts).
Lenguaje: Python (Pandas para ETL, SQLAlchemy para conexión).
Base de Datos: MySQL (Almacenamiento relacional optimizado).
Visualización: Power BI (DAX y Modelo Estrella).
Entorno: VS Code / MySQL Workbench.
- Extracción y Transformación (Python)
Se implementó un script de ETL que procesa los datos de SKU y almacén para generar métricas críticas:
Feature Engineering: Creación de indicadores de "Salud de Inventario" comparando niveles actuales vs. puntos de reorden.
Análisis de Error: Cálculo del error absoluto de pronóstico para cada registro.
- Almacenamiento Estructurado (MySQL)
Diseño de un esquema relacional que garantiza integridad y rapidez en las consultas. Se aplicaron índices en columnas clave (Date, SKU_ID, Region) para optimizar el rendimiento del dashboard interactivo.
- Inteligencia de Negocio (Power BI)
El dashboard final presenta una visión ejecutiva de 360°:
Executive KPIs: Ventas Totales ($33.43M), Margen de Utilidad (33.2%) y Precisión del Pronóstico (83.8%).
Rigor Estadístico: Inclusión de un Histograma de Distribución de Error para validar la fiabilidad del modelo de demanda (validando una distribución normal centrada en cero).
Análisis Temporal: Comparativa visual de Units Sold vs Demand Forecast con indicadores de crecimiento mes a mes (MoM Growth).
Precisión del Modelo: El modelo de demanda mantiene una precisión del 83.8%, permitiendo una planificación financiera estable.
Riesgo Operativo: Se identificaron zonas críticas de inventario en todas las regiones, indicando una necesidad de ajuste general en los puntos de reorden.
Correlación de Precios: El análisis de dispersión confirma una relación lineal saludable entre costos y precios, manteniendo un margen operativo robusto del 33.2%.