Autor/es

Pinotti, Paolo ; Rey, Martín

Tutor

Regueira, Cecilia;Veneri, Federico

Institución otorgante

Universidad de Montevideo. Facultad de Ciencias Empresariales y Economía

Fecha

2025

Extensión

xi, 94 p.

Resumen

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.

Abstract

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.

Palabras claves

Precios retail en Uruguay Fijación de precios Duración de precios Price spell Machine Learning Análisis de supervivencia

Keyword

Retail prices in Uruguay Price setting Price duration Price spell Machine Learning Survival analysis

Tipo de publicación

Tesis de maestría

Nivel de acceso

Abierto

Versión

Aceptada

Título obtenido

Magíster en ciencia de datos

Colecciones

• Trabajos finales de carrera de postgrado [4]