• Introducción al taller y objetivos
• Importancia de la calidad de datos en forecasting
• Tipos de errores más comunes:
  • Valores faltantes
  • Duplicados
  • Inconsistencias en formatos (fechas, texto, unidades)
  • Outliers
• Exploración inicial con Python:
• Lectura de dataset con pandas
• Inspección de estructura, tipos y valores nulos
• Detección básica de duplicados y anomalías

• ¿Qué hace que una serie sea forecasteable?
  • Estabilidad, volumen, estacionalidad
  • Visibilidad en la cadena
• Criterios prácticos para descartar o filtrar series
  • Serie con venta 0 constante
  • Serie demasiado intermitente
• Técnicas de limpieza:
  • Imputación de valores faltantes (media, mediana, forward fill)
• Técnicas de limpieza:
  • Eliminación o imputación de outliers (Z
    score, IQR)
  • Normalización y estandarización
    opcional

• Revisión del dataset objetivo:
  • Validación de estructura post-limpieza
  • Chequeo de consistencia
• Pipeline de limpieza completo:
  • • Desde la carga hasta el dataset limpio
  • Modularización en funciones
• Evaluación final del dataset:
  • ¿Qué series quedaron fuera y por qué?
  • ¿Qué cambios se hicieron?
• Exportación y recomendaciones para
  modelado posterior

• Introducción
• Componentes de series de tiempo
• Métricas empleadas
• Selección

Actividad: Fundamentos de serie de Tiempo

• Descomposición de series en Python
• Identificación de patrones

Actividad: Análisis Exploratorio de Datos

• Presentación de objetivos y agenda del taller.
• Fundamentos del pronóstico de demanda y su importancia en la
  gestión de inventarios.
• Componentes de las series de tiempo: tendencia,
  estacionalidad, ciclos e irregularidades.
• Herramientas básicas en Python (Pandas, Matplotlib, Seaborn)
  para visualización y manipulación de datos temporales.
• Métodos de pronóstico básicos: promedio móvil, Naive y
  suavizado exponencial.
• Métricas de evaluación: MAE, RMSE, MAPE.

Ejercicio práctico: Análisis exploratorio de ventas y predicción
inicial con métodos simples.

• Modelos ETS (Holt-Winters): enfoque aditivo y multiplicativo.
• Fundamentos del modelo ARIMA: componentes AR, I, MA.
• Selección de parámetros (p, d, q) mediante ACF/PACF.
• Implementación en Python con statsmodels.
• Introducción a Prophet: enfoque modular, estacionalidad y efectos de días festivos.

Ejercicio práctico: Comparación entre Holt-Winters y
Prophet para predicción avanzada.

• Modelos causales: uso de variables externas en regresión lineal múltiple.
• Algoritmos de aprendizaje automático: árboles de decisión, Random Forest, XGBoost.
• Preparación de datos para ML: generación de Lags, ventanas de entrenamiento.

Ejercicio práctico: Construcción de modelo predictivo con Scikit-learn, uso de Lags y variables externas, comparación con ARIMA/Prophet.

• Criterios de elección: error, estabilidad,
  interpretabilidad.
• Introducción a metodologías tipo “Best Fit” y
  segmentación de SKUs.

Ejercicio Práctico: Desarrollo de matriz de decisión.

• Automatización de pruebas de múltiples modelos
sobre conjunto de productos.
• Evaluación de desempeño por segmento (alta,
media, baja rotación).
Ejercicio práctico guiado: Creación de reporte con ranking por SKU.

• Mejoras de métricas con técnicas como ajuste
de hiper-parámetros, validación temporal.
• Introducción a regularización
Ejercicio práctico final: Documentación técnica de selección final de 1 modelo por caso.

• Principios del modelo ABC aplicado a inventarios.
• Implementación de análisis ABC en Python a partir de
datos transaccionales.
• Visualización e interpretación de curvas de Pareto.

• Extensión del modelo ABC a ABC-XYZ (variabilidad de
consumo).
• Cálculo del Coeficiente de Variación en Python.
• Clasificación conjunta ABC-XYZ y su uso para políticas
diferenciadas.
• Visualización matricial y agrupación estratégica.

• Introducción de variables financieras: margen, costo de
mantenimiento, criticidad.
• Personalización de reglas de clasificación.
Caso práctico de segmentación avanzada con PANDAS y NUMPY.

• Fundamentos y lógica de la política (s,Q).
• Codificación de la política en Python.
• Simulación básica de comportamiento bajo condiciones de demanda variable.

• Implementación y automatización de la política (s,S).
• Comparación entre políticas: costos, niveles de servicio, rotación.
• Construcción de funciones reutilizables para cada política.
• Integración con segmentación ABC-XYZ.

• Lectura de datos desde Excel, CSV, bases SQL con pandas y sqlalchemy.
• Generación de demanda aleatoria: distribución normal, Poisson, empírica.
• Introducción al concepto de Monte Carlo en inventarios.

• Sensibilidad de niveles de inventario frente a cambios en demanda, lead time, niveles de servicio.
• Diseño de escenarios con restricciones (espacio, presupuesto).
• Evaluación de estrategias ABC y ABC-XYZ bajo distintas condiciones.

• Modelado de inventarios multi-escalón (central y sucursales).
• Flujo de stock entre niveles, tiempos de reabastecimiento y stock de seguridad.
• Visualización del impacto de políticas sobre el nivel de servicio global.
Actividad: Generación de reportes automatizados con matplotlib y plotly.