🛒 Machine Learning Project: Forecast de Ventas

📌 a. Problema de ML

El objetivo de este proyecto es predecir ventas diarias por tienda y familia de productos en la cadena de supermercados Favorita (Ecuador).

Este problema se plantea como:

• Tarea supervisada (Regresión) → predecir el valor de sales.
• Tarea no supervisada (Clustering) → segmentar tiendas/familias de productos con patrones similares.

El proyecto cubre el ciclo completo de MLEngineer:

1. Ingesta y preprocesamiento de datos.
2. Feature engineering y registro con Feast.
3. Entrenamiento y seguimiento de experimentos con MLflow.
4. Predicciones y evaluación de modelos.

---

📌 b. Diagrama de flujo del proyecto

---

📌 c. Descripción del dataset

El dataset proviene de la competencia Corporación Favorita Grocery Sales Forecasting (Kaggle).

Incluye:

Archivo	Descripción
train.csv	Datos históricos de ventas (date, store_nbr, family, sales).
transactions.csv	Número de transacciones diarias por tienda.
stores.csv	Información de las tiendas (ciudad, estado, tipo, cluster).
oil.csv	Precio del petróleo (WTI), indicador económico externo.
holidays_events.csv	Lista de feriados nacionales, regionales y locales (tipo, descripción).

📑 Diccionario de Datos

• date → Fecha (YYYY-MM-DD).
• store_nbr → Identificador de tienda.
• family → Categoría de productos (ej: GROCERY I, BEVERAGES).
• sales → Ventas diarias (target).
• onpromotion → Número de ítems en promoción ese día.
• transactions → Cantidad de transacciones realizadas en la tienda.
• dcoilwtico → Precio internacional del petróleo (USD por barril).
• holiday_type → Tipo de día festivo (Holiday, Additional, Bridge, Transfer, Event).
• city / state / type / cluster → Atributos de tienda.

---

📌 d. Model Card

Inspirado en Kaggle Model Cards.

🤖 Model: Bagging Regressor & XGBoost Regressor

• Versión: v1.0

• Objetivo: predecir ventas diarias usando variables como family, type_y(holiday), ventas pasadas, etc.

• Audiencia esperada: científicos de datos y desarrolladores que construyan aplicaciones predictivas.

• Uso no recomendado: no aplicar para clasificación ni extrapolar fuera del rango de entrenamiento (e.g., valores extremos).

• Evaluación

  Métrica	Bagging Regressor	XGBoost Regressor
  R² Score	0.8869	0.8289
  RMSE	342.0078	420.6431
  MAPE	38354010010174984.0000	39320049467145584.0000

  • Bagging ofreció un mejor R² (~0.86), menor RMSE, moviéndolo a la cabeza.
  • XGBoost también fue bueno, pero ligeramente más bajo. Podría brillar con tuning de hiperparámetros más avanzado.

---

🔍 Model: KMeans Clustering

• Versión: v1.0

• Objetivo: Identificar clusters de tiendas con comportamiento similar.

• Métrica:

  • Silhouette Score = 0.1942
  • Davies-Bouldin Index = 1.4256
  • Calinski-Harabasz Index = 235.8621

• Aplicación:

  • Segmentación de tiendas para estrategias de marketing.

---

📌 e. Conclusiones

1. Integración MLEngineer exitosa: Se logró implementar un pipeline reproducible con Feast + MLflow que cubre desde la ingesta de datos hasta la predicción.
2. Enriquecimiento externo: Variables como el precio del petróleo y feriados mejoran la precisión.
3. Clustering aporta insights: Los modelos no supervisados ayudan a segmentar tiendas y familias, lo que puede guiar estrategias de negocio.

---

📂 Estructura del repo:

├── data/
│   ├── raw/              <- Datos originales
│   ├── processed/        <- Datos procesados y features
│
├── docs/
│   └── pipeline_favorita_sales.png
│
├── notebooks/            <- Experimentos y EDA
│
├── ml_prediction_segmentation/
│   ├── modeling/
│   │   └── train.py
│   ├── config.py
│   └── preprocess.py
│
├── config.yaml
└── README.md

---

🌟 Experimentos realizados en MLFlow:

Experiments Link

Autor

Edynson Coronado Icochea

Licencia

MIT License