1. RESUMEN

El problema abordado por este Global Project (GP) es la optimización del sistema de previsiones de gasto OPEX del Facility Manageme (FM) de FerMar S.L. , una multinacional del juego y el entretenimiento. La metodología tradicional de la empresa, basada en la extrapolación del año anterior ajustada por IPC, requiere un alto coste en horas de gestión y produce previsiones que "dista mucho de la realidad ejecutada durante el año si lo miramos a nivel inmueble por inmueble".

La solución planteada es un proceso iterativo y evolutivo  de predicción basado en Series Temporales y Machine Learning. Tras la validación inicial (Estrategia 1) y un diagnóstico profundo que reveló una alta dispersión, intermitencia (muchos meses con 0) y baja estabilidad estructural  (sólo 15-18% de las series son estables), la solución fue migrar a una Estrategia 3 robusta y pragmática de 13 pasos. Esta metodología combina modelos champion–challenger  y ensembles  con fallbacks  estrictos para gestionar la heterogeneidad de los datos.

Los resultados obtenidos en la validación contra la verdad-terreno de 2024 (Control F) confirman que el WAPE global del modelo final fue de 35,9% , superando el baseline  Naive Estacional (SNaive12), cuyo WAPE fue de 39,2% , con una mejora que valida el valor añadido del sistema.