◈ CKLASS INTELLIGENCE

Demand Forecast
Engine

Motor de Pronóstico de Demanda · Vestidos · Temporadas 2026 – 2027

↑

Cargar Base de Datos

Arrastra tu archivo Excel aquí o

📊
vestidos base simulada copy.xlsx
75 registros  ·  Temporadas 2023 – 2025  ·  2 columnas
✓
SARIMA ADF ACF · PACF Forecast 2026 Forecast 2027

Ejecutando Análisis

SARIMA · ADF · ACF/PACF · Forecast 2026–2027

cklass_intelligence.py — forecast_engine
0%
◈ CKlass Vestidos · Análisis Completo de Demanda

Pronóstico de Demanda
Temporadas 2026 – 2027

Modelo SARIMA con diferenciación estacional S=25 · Base histórica 2023–2025 · Dos pasos de proyección

REAL
Demanda Real 2025
—
Temporada observada
CAGR
Demanda Simulada 2024
—
CAGR industria: −1.8%
CAGR
Demanda Simulada 2023
—
CAGR industria: −1.8% ← +0.3%
PRONÓSTICO
Pronóstico 2026
—
Paso 1 — SARIMA
PRONÓSTICO
Pronóstico 2027
—
Paso 2 — Serie extendida
01

Base Histórica 2023 – 2025

Construcción de la serie mediante datos reales de 2025 y CAGR industrial para 2024 y 2023

2025
DATO REAL
—
CAGR +0.3%
◀
2024 → 2025
2024
SIMULADO
—
CAGR −1.8%
◀
2023 → 2024
2023
SIMULADO
—
Demanda Semanal por Temporada
Temporada 2023
Temporada 2024
Temporada 2025
02

Pronóstico Temporada 2026

Paso 1 — Modelo ajustado sobre serie histórica 2023–2025 · SARIMA(0,1,0)(0,1,1)[25]

Pronóstico Semanal con Intervalo de Confianza 95%

Detalle Semanal — Temporada 2026

Total: —
03

Pronóstico Temporada 2027

Paso 2 — Modelo ajustado sobre serie extendida 2023–2026 · SARIMA(0,1,0)(0,1,1)[25]

Pronóstico Semanal con Intervalo de Confianza 95%

Detalle Semanal — Temporada 2027

Total: —
04

Vista Completa 2023 – 2027

Serie histórica + proyecciones de las dos temporadas futuras en una línea de tiempo continua

Demanda — Temporadas 2023 a 2027
05

Comparación de Modelos

7 modelos ARIMA y SARIMA evaluados · Criterio de selección: menor AIC (Akaike Information Criterion)

AIC por Modelo
BIC por Modelo
Tabla Comparativa
MODELO SELECCIONADO
SARIMA(0,1,0)(0,1,1)[25]
Diferenciación regular d=1 + diferenciación estacional D=1 con periodo S=25. SMA estacional captura el patrón intra-temporada.
AIC
—
BIC
—
p (AR)
0
d (regular)
1
q (MA)
0
P (SAR)
0
D (estacional)
1
Q (SMA)
1
S (periodo)
25
Obs. hist.
75
06

Pruebas de Estacionariedad (ADF)

Augmented Dickey-Fuller · H₀: La serie tiene raíz unitaria (no estacionaria) · Se desea p < 0.05 para rechazar H₀

07

Funciones de Autocorrelación

ACF y PACF sobre Δ log(Demanda) — identifican los órdenes p y q del componente ARIMA

ACF — Autocorrelation Function
PACF — Partial Autocorrelation Function
08

Diagnóstico de Residuos

Validación del modelo — los residuos deben comportarse como ruido blanco gaussiano

Residuos del Modelo SARIMA(0,1,0)(0,1,1)[25]
Distribución de Residuos
Q-Q Plot — Normalidad
Prueba de Ljung-Box (lags = 10)
Estadístico Q
—
p-value
—
Resultado
—

H₀: Los residuos no están autocorrelacionados  ·  Se desea p > 0.05 para validar el modelo