| Summary: | Con la creciente expansión del sector textil, uno de los tópicos que ha generado mayor
interés es el pronóstico de la demanda, ya que está ligado a diversas áreas dentro de las
organizaciones generando hasta una dependencia para la toma de decisiones, sin embargo,
a su vez propone un reto el conseguir predicciones cercanas a la realidad debido a la
volatilidad que genera el mercado. Muchos investigadores han venido utilizando métodos
netamente estadísticos para predecir esta demanda y, en las últimas décadas se han visto
apoyados por el uso de la inteligencia artificial (Machine Learning). Con el creciente uso de
plataformas electrónicas tales como buscadores, páginas de ventas, etc., el interés por las
organizaciones en aprovechar la información que generan los usuarios para mejorar sus
servicios y productos se ha incrementado de forma sustancial. Este trabajo consistió en
generar un modelo de pronóstico de demanda enfocado en las MiPymes del sector textil
mediante datos obtenidos por medio de técnicas de minería de datos en tráfico de
búsquedas e información histórica. Dicho modelo se generó a través de un conjunto de
fases denominadas como: configuración de trabajo, recolección de datos, limpieza y
adecuación, construcción y evaluación del modelo de pronóstico, utilizando algoritmos
como la regresión lineal, regresión de Ridge y Lasso, K-nearest neighborns, support vector
regression y random forest. Los resultados demostraron que los modelos Ridge y Support
vector regression, proporcionaron mejores resultados en cuanto al error generado en la
predicción comparado a modelos estadísticos tradicionales de regresión univariantes.
|
|---|