Demand forecasting model to reduce the mean absolute percentage error by applying seasonal breakdown tools in a SME in the tourism sector

Abstract

The research work is based on the analysis of demand in a tourism company using mathematical models. The methodology design presents a correlational and descriptive scope where the company's sales are collected to calculate the mean absolute percentage error in demand. With the help of machine learning tools, a predictive analysis will be carried out to estimate the sales for the following year, seeking to reduce the error using one of the selected mathematical models, calculate the necessary sales force, and thereby reduce the economic impact equivalent to $16 789,02. The MAPE (Mean Absolute Percentage Error) in the tourism sector is 12,03%. Through calculations using Python and RISK, a value of 15,36% was obtained, reducing the MAPE by 4,24% compared to the year 2022. The Systematic Review of the Literature allows us to showcase the tools that can be developed in similar or atypical scenarios. The choice will depend on the behaviors pattern or trend.

El trabajo de investigación se basa en el análisis de la demanda en una empresa turística utilizando modelos matemáticos. El diseño metodológico presenta un alcance correlacional y descriptivo donde se recopilan las ventas de la empresa para calcular el error absoluto porcentual medio en la demanda. Con la ayuda de herramientas de machine learning, se realizará un análisis predictivo para estimar las ventas del año siguiente, buscando reducir el error utilizando uno de los modelos matemáticos seleccionados, calcular la fuerza de ventas necesaria y, así, reducir el impacto económico equivalente a $16,789.02. El MAPE (Error Absoluto Porcentual Medio) en el sector turístico es del 12.03%. A través de cálculos utilizando Python y RISK, se obtuvo un valor del 15.36%, reduciendo el MAPE en un 4.24% en comparación con el año 2022. La Revisión Sistemática de la Literatura nos permite mostrar las herramientas que se pueden desarrollar en escenarios similares o atípicos. La elección dependerá del patrón de comportamiento o tendencia.