Saltar al contenido
Saltar al caso de estudio
Volver al trabajo
CASO DE ESTUDIO / 02LinkedInX

Diseño de decisiones · 2025

BizPsy Simulator

Un simulador de estrategia que hace visible la relación entre comportamiento de consumo, inventario y flujo de caja.

Resumen

Un simulador que modela la elasticidad de demanda semana a semana y traduce cada decisión en ventas, stock restante e ingresos, con una lectura financiera pensada para no-analistas.

7 díasCiclo simulado por corrida
3 variablesPrecio, elasticidad y stock inicial
0 jergaFinanciera — lectura pensada para no-analistas
  • Escenarios semanales
  • Variables de demanda
  • Lectura financiera simple
PythonData modelsChart.js

01 / CONTEXTO

El problema

Quien dirige un pequeño negocio suele decidir precio, stock y promociones por intuición, sin ver con claridad cómo esas decisiones se mueven en cadena hacia el flujo de caja.

02 / DIRECCIÓN

La solución

Un simulador que modela la elasticidad de demanda semana a semana y traduce cada decisión en ventas, stock restante e ingresos, con una lectura financiera pensada para no-analistas.

03 / EJECUCIÓN

El proceso

01Mapeo
02Prototipo
03Iteración
04Entrega
  1. 01Investigación de modelos simples de elasticidad precio-demanda aplicables a comercio minorista.
  2. 02Prototipo en Python puro para validar el motor de simulación antes de pensar en interfaz.
  3. 03Iteración del panel para que la lectura financiera no requiera vocabulario de finanzas.
  4. 04Pruebas con escenarios extremos (demanda muy elástica, stock crítico) para verificar estabilidad.

04 / RESULTADO

Señales de impacto

7 díasCiclo simulado por corrida
3 variablesPrecio, elasticidad y stock inicial
0 jergaFinanciera — lectura pensada para no-analistas

05 / IMPLEMENTACIÓN

Una decisión en código

simulator.py

import numpy as np

def simulate_weekly_cycle(demand_elasticity, base_price, stock):
    """Simulate user cashflow and inventory rates over a 7-day run."""
    print("[i] Loading demand variables for simulator...")
    days = 7
    daily_sales = []
    current_stock = stock
    
    # Calculate price reaction based on elasticity coefficient
    reaction = np.random.normal(1.0, 0.15, days)
    for day in range(days):
        demand = int(100 * (base_price ** -demand_elasticity) * reaction[day])
        sales = min(demand, current_stock)
        current_stock -= sales
        daily_sales.append(sales)
        
    revenue = sum(daily_sales) * base_price
    print(f"[BizPsy] Run done. Revenue: ${revenue:.2f} | Remaining stock: {current_stock}")
    return {"sales": daily_sales, "revenue": revenue, "final_stock": current_stock}

06 / APRENDIZAJE

Reflexión

Aprendí que simplificar la matemática es fácil; simplificar cómo se explica sin mentir sobre la incertidumbre del modelo es lo difícil. Aún lo sigo ajustando.