SmartPrice analytics: diseño de plataforma de monitoreo y análisis de precios de electrodomésticos

Abstract

Este trabajo diseña e implementa SmartPrice Analytics, una plataforma de monitoreo y análisis de precios para Vitovidrios S.A.S., pyme colombiana dedicada a la comercialización de electrodomésticos. La investigación aborda las dificultades de la empresa para fijar precios competitivos en un entorno de alta volatilidad, fuerte presión de grandes superficies y limitada información en tiempo real. Mediante un enfoque aplicado, descriptivo y mixto, se integran técnicas de web scraping, ingeniería de características y modelos de machine learning supervisado. La plataforma combina datos transaccionales internos con precios de competidores (Éxito, Alkosto, Falabella) capturados automáticamente, construyendo variables temporales, estacionales y de posicionamiento competitivo. El sistema se basa en tres modelos complementarios: un regresor XGBoost para predicción de precio óptimo (MAE: $60.000 COP, RMSE: $182.000 COP), un clasificador Random Forest para decisión de descuentos (precisión: 92%, recall: 98%) y un regresor Random Forest para magnitud del descuento (MAE: 2,59%). Los resultados evidencian errores inferiores al 10% en televisores, lavadoras y celulares, demostrando que la plataforma mejora la precisión en pricing, reduce riesgos financieros y fortalece la competitividad de la empresa.

This work designs and implements SmartPrice Analytics, a price monitoring and analysis platform for Vitovidrios S.A.S., a Colombian SME dedicated to the sale of household appliances. The research addresses the company's difficulties in setting competitive prices in an environment of high volatility, strong competition from large retailers, and limited real-time information. Using an applied, descriptive, and mixed-methods approach, web scraping techniques, feature engineering, and supervised machine learning models are integrated. The platform combines internal transactional data with automatically captured competitor prices (Éxito, Alkosto, Falabella), constructing temporal, seasonal, and competitive positioning variables. The system is based on three complementary models: an XGBoost regressor for optimal price prediction (MAE: COP $60,000, RMSE: COP $182,000), a Random Forest classifier for discount decisions (accuracy: 92%, recall: 98%), and a Random Forest regressor for discount magnitude (MAE: 2.59%). The results show errors of less than 10% in televisions, washing machines and cell phones, demonstrating that the platform improves pricing accuracy, reduces financial risks and strengthens the company's competitiveness.