Machine Learning aplicado a duración de precios. Un análisis en Montevideo para el período Enero 2021 - Junio 2024

Pinotti, Paolo; Rey, Martín

dc.rights.license	Attribution-NonCommercial-NoDerivatives 4.0 Internacional	*
dc.contributor.advisor	Regueira, Cecilia
dc.contributor.advisor	Veneri, Federico
dc.contributor.author	Pinotti, Paolo
dc.contributor.author	Rey, Martín
dc.date.accessioned	2025-11-13T16:59:08Z
dc.date.available	2025-11-13T16:59:08Z
dc.date.issued	2025	es
dc.identifier.uri	https://hdl.handle.net/20.500.12806/2753
dc.description.abstract	Comprender la frecuencia con la que cambian los precios en el comercio minorista resulta esencial para analizar la formación de precios, el comportamiento de los consumidores y el diseño de políticas públicas. El presente trabajo examina los factores que inciden en la duración de los precios, mediante el uso de modelos de aprendizaje automático y análisis de supervivencia. A partir de series temporales diarias de 150 productos en 289 supermercados de Montevideo, entre enero de 2021 y junio de 2024, se entrenaron modelos supervisados tradicionales (Decision Tree, Extra Trees, Random Forest, XGBoost, CatBoost y LightGBM) y modelos de supervivencia (Cox Proportional Hazards y Random Survival Forest (RSF)). Como resultado de la comparación entre ambos enfoques, XGBoost obtuvo el mejor desempeño general (MAE = 8.99 días), mientras que RSF presentó el mayor C-Index (0.729) entre los modelos de supervivencia. Un análisis desagregado por rubro evidenció la existencia de heterogeneidades en los factores que explican la duración de los precios entre productos, hecho que sugiere la no existencia de un único modelo o conjunto de variables explicativas óptimo.	es
dc.format.extent	xi, 94 p.	es
dc.format.mimetype	text/plain	es
dc.language	spa	es
dc.rights	Abierto	es
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Precios retail en Uruguay	es
dc.subject	Fijación de precios	es
dc.subject	Duración de precios	es
dc.subject	Price spell	es
dc.subject	Machine Learning	es
dc.subject	Análisis de supervivencia	es
dc.title	Machine Learning aplicado a duración de precios. Un análisis en Montevideo para el período Enero 2021 - Junio 2024	es
dc.type	Tesis de maestría	es
thesis.degree.grantor	Universidad de Montevideo. Facultad de Ciencias Empresariales y Economía	es
thesis.degree.level	Postgrado	es
thesis.degree.name	Magíster en ciencia de datos	es
dc.type.version	Aceptada	es
dc.description.abstractenglish	Understanding the frequency at which prices change in the retail sector is essential for analyzing price formation, consumer behavior, and the design of public policies. This study examines the factors that influence price duration using machine learning models and survival analysis techniques. Based on daily time series data for 150 products across 289 supermarkets in Montevideo, between January 2021 and June 2024, both traditional supervised models (Decision Tree, Extra Trees, Random Forest, XGBoost, CatBoost, and LightGBM) and survival models (Cox Proportional Hazards and Random Survival Forest (RSF)) were trained. Among the models compared, XGBoost achieved the best overall performance (MAE = 8.99 days), while RSF yielded the highest C-Index (0.729) among the survival models. A disaggregated analysis by product heading revealed significant heterogeneity in the factors explaining price duration, suggesting that there is no single optimal model or universal set of explanatory variables.	es
dc.subject.keyword	Retail prices in Uruguay	es
dc.subject.keyword	Price setting	es
dc.subject.keyword	Price duration	es
dc.subject.keyword	Price spell	es
dc.subject.keyword	Machine Learning	es
dc.subject.keyword	Survival analysis	es

Ver ítem

Pinotti_Paolo_Rey_Martin_Machi ... (3.689Mb )

license_rdf (805bytes )

Este ítem aparece en la(s) siguiente(s) colección(ones)

Trabajos finales de carrera de postgrado [4]

Mostrar el registro sencillo del ítem

Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-NonCommercial-NoDerivatives 4.0 Internacional