4. OBJETIVOS

1. Objetivo general

Optimizar el sistema de previsiones de gasto OPEX FM para FerMar S.L. mediante una metodología de Series Temporales y Machine Learning que permita obtener estimaciones más precisas a nivel de inmueble por inmueble, entregando un producto no definitivo pero que sirva como base para la toma de decisiones.

Se expondrá el resultado en una aplicación web en la que los usuarios de FerMar SL podran ir cargando las listas de inmuebles de los que desean obtener previsiones y el servicio web les entregará las previsiones.

El sistema web validará sus estimaciones con la realidad ejecutada cada vez que reciba actualizaciones de los costes OPEX devengados.

2. Objetivos específicos

1. Preparación y Diagnóstico de Datos:  Realizar el Análisis Exploratorio de Datos (AED) en colaboración con el equipo de FM de FerMar S.L. y diagnosticar el comportamiento estadístico de las series temporales mediante KPIs clave para comprender la intermitencia y la tendencia.
2. Evaluación de la Estabilidad: Evaluar el cambio estructural en las series de gasto comparando los conjuntos train y test  (Estrategia 2) para determinar la proporción de series aptas para predicción estadística y justificar la necesidad de una estrategia de modelado robusta.
3. Diseño y Modelado Robusto: Diseñar e implementar una Estrategia 3 de 13 pasos que incluya la segmentación dual (GENERAL/INTERMITENTE), la validación rolling origin (Paso 4) y la combinación de modelos (ensembles) para generar un pronóstico completo y estable para 2024 (Paso 5).
4. Gobernanza y Entrega Final: Consolidar el modelo_final (Paso 6) aplicando el criterio de superación del baseline  SNaive12, calcular las métricas finales (Paso 9) y generar el paquete de entrega, incluyendo la conciliación jerárquica (Paso 10 a 12) para asegurar la consistencia presupuestaria.
5. Diseño y estructuración de la capa web que permita generar y justificar previsiones de anualidad “desde el mes actual hasta fin de año”, apoyándose en los artefactos provenientes de la modelización de las previsiones, como pueden ser: manifest.json, predict.py, métricas, ruteo y figuras...
6. Lanzamiento web https://fmpredict.com  que consiste en desplegar un entorno en AWS bajo el dominio fmpredict.com que sirva la demo 2023 -> 2024 y quede preparado para producción.