Mango_predictions

Inspiration

En la industria de la moda, producir demasiado o demasiado poco puede costar millones. Queríamos crear una herramienta que ayudara a predecir la demanda de productos antes de cada temporada, usando datos reales y machine learning. Así nació Mango_predictions: nuestro intento de llevar decisiones data-driven al mundo retail.

What it does

Mango_predictions analiza cuatro temporadas históricas de ventas de Mango y genera predicciones de producción para la siguiente temporada. El modelo estima cuántas unidades deberían fabricarse de cada producto para optimizar inventario y reducir desperdicio.

How we built it

Construimos el proyecto en Python desde Visual Studio Code y atravesamos varias fases hasta encontrar el enfoque correcto: primero probamos trabajar con image embeddings, pero no ofrecían resultados útiles; después intentamos aplicar clustering, aunque tampoco se ajustaba bien a nuestro objetivo; finalmente analizamos la correlación entre variables para eliminar atributos redundantes y entrenamos modelos de Machine Learning como CatBoost y Random Forest. Tras muchas iteraciones, ajustes y pruebas, logramos un pipeline estable y un modelo capaz de generar predicciones fiables.

Challenges we ran into

Entramos al proyecto sin tener muy claro qué era machine learning, así que el mayor reto fue aprender desde cero mientras avanzábamos. Tuvimos también problemas técnicos típicos de hackathon: versiones de Python que no cuadraban, librerías que fallaban, y un par de reinicios de estrategia que nos hicieron replantear el proyecto entero.

Accomplishments that we're proud of

Construimos un modelo que realmente predice la demanda estacional de productos. Pero sobre todo, estamos orgullosos de haber pasado de no saber nada de ML a entrenar modelos avanzados, limpiar datos correctamente y crear un proyecto funcional en tan poco tiempo.

What we learned

Aprendimos qué es machine learning de verdad, cómo preparar un dataset, cómo evaluar modelos, y cómo funcionan algoritmos como CatBoost y Random Forest. También reforzamos muchísimo nuestra capacidad de resolver problemas bajo presión.