WMS — Predicción de Rotura de Stock

En una mirada

• —Problema · Detectar con anticipación servicios con riesgo de rotura de stock
• —Decisión · Regresión logística y separación por ServicioID para evitar fuga de información
• —Resultado · Calidad, entrenamiento, evaluación y predicción reunidos en un dashboard reproducible

Problema y contexto

El reto académico fue anticipar el riesgo de rotura de stock a 14 días sin ocultar la calidad ni el origen de los datos. Construí un flujo en Streamlit que valida maestros, genera snapshots transaccionales y entrena una regresión logística; separé entrenamiento y prueba por ServicioID para evitar que registros del mismo servicio produjeran fuga de información. Los resultados corresponden únicamente a datos sintéticos de demostración.

Decisiones y ejecución

• —Validé duplicados, nulos e identificadores antes del entrenamiento para hacer visible la calidad de los maestros.
• —Usé una regresión logística y separé los conjuntos por ServicioID para mantener un flujo interpretable y reducir la fuga entre entrenamiento y prueba.
• —El dashboard permite evaluar el modelo y predecir desde casos generados o ingresados manualmente, siempre identificando que los datos son sintéticos.