Pronóstico de la demanda en el sector de restaurantes mediante técnicas de inteligencia artificial en el área urbana de Chimbote

Abstract

La presente investigación evalúa el desempeño predictivo de las técnicas de inteligencia artificial y aprendizaje automático aplicadas al pronóstico de la demanda diaria de clientes en restaurantes del área urbana de Chimbote, bajo la metodología CRISP-DM. Durante la fase de modelado se identificó que ningún algoritmo individual capturaba simultáneamente los dos componentes estructurales de la demanda (estacionalidad universal y tendencia específica por establecimiento) lo que motivó el diseño de una arquitectura de dos niveles que integra un componente basado en Random Forest para la captura de patrones estacionales comunes a múltiples establecimientos, y un componente basado en Ridge Regression para la proyección de la tendencia específica de cada restaurante, incorporando un mecanismo de transferencia de conocimiento hacia nuevos establecimientos sin historial operativo previo. Con el propósito de comparar series con diferentes niveles de demanda, se analizaron 1,619 registros diarios correspondientes a tres restaurantes del área urbana de Chimbote: uno de comida oriental, otro de comida marina y el tercero de cocina criolla, abarcando el período de julio de 2023 a diciembre de 2024. Para separar las variaciones de cada serie, se recurrió a la descomposición STL con los parámetros period=7 y robust=True. De esta manera, se aislaron los componentes de tendencia, estacionalidad y residuo, lo que facilitó la normalización del índice estacional entre restaurantes con distintos volúmenes de operación. Los resultados obtenidos sobre el 20% más reciente del historial de cada establecimiento evidencian un MAE relativo global de 7.3%, significativamente por debajo del umbral del 15% establecido en la hipótesis, con valores individuales de 6.4% en Restaurante 01 (Oriental), 7.0% en Restaurante 02 (Marina) y 10.3% en Restaurante 03 (Criolla). El MASE global de 0.7201 confirma que la arquitectura supera consistentemente al modelo de referencia naïve lag-7 en los tres establecimientos. El análisis de importancia de variables revela que el día de la semana concentra el 95.2% de la capacidad explicativa del modelo, corroborando que la estacionalidad semanal constituye el principal determinante de la demanda en este sector