Radar de risco de cancelación: Estimación do custo de oportunidade mediante a predición de rotura de stock no sector téxtil

Abstract

[Resumo] No sector do comercio téxtil, a xestión do inventario é un factor crítico, dificultado pola entrada continua de novos produtos e o problema do cold start. Un reto específico para a empresa obxectivo é a retención de pedidos B2B, cuxas prendas quedan bloqueadas e non se poden vender na canle de e-commerce. O obxectivo deste traballo é estimar o momento de esgotamento de stock a nivel de produto para cuantificar o custo de oportunidade destas retencións e apoiar a decisión de cancelalas ou integralas. Para iso, desenvolveuse un sistema de aprendizaxe automática. Primeiro, aplicáronse técnicas de clustering baseadas en SBERT para agrupar prendas polas súas características intrínsecas e, separadamente, en patróns de vendas en preorders abordando así a falta de datos históricos en produtos novos. Segundo, avaliáronse modelos de análise de supervivencia e de regresión directa sobre os datos do ERP da empresa para predicir os días ata a rotura de stock. Os resultados demostraron que a regresión directa superou á análise de supervivencia simultaneamente en exactitude puntual e capacidade de ordenación. Seleccionouse un modelo XGBoost con restricións de monotonía e regresión cuantílica, o cal acadou un índice de concordancia (C-index) de aproximadamente 0.68 e un erro absoluto medio de 48,9 días. Finalmente, este modelo integrouse nunha aplicación interactiva en Streamlit que permite simular e comparar escenarios alternativos de reabastecemento, facilitando a toma de decisións fundamentada en datos.[Abstract] In the textile retail sector, inventory management is a critical factor, complicated by the continuous introduction of new products and the cold start problem. A specific challenge for the target company is the retention of B2B orders, where garments are locked and cannot be sold through the e-commerce channel. The objective of this work is to estimate the stockout timing at the product level in order to quantify the opportunity cost of these holds and support the decision to cancel or integrate them. To achieve this, a machine learning system was developed. First, SBERT-based clustering techniques were applied to group garments by their intrinsic characteristics and, separately, by their preorder sales patterns, thereby addressing the lack of historical data for new products. Second, survival analysis and direct regression models were evaluated on the company’s ERP data to predict the days until a stockout occurs. The results demonstrated that direct regression outperformed survival analysis in both point accuracy and ranking ability. An XGBoost model with monotonicity constraints and quantile regression was selected, achieving a concordance index (C-index) of approximately 0.68 and a mean absolute error of 48.9 days. Finally, this model was integrated into an interactive Streamlit application that allows simulating and comparing alternative replenishment scenarios, facilitating data-driven decision-making.