| Summary: | Las industrias lácteas del Ecuador tienen un lento crecimiento en la utilización de nuevas
tecnologías para el desarrollo de pronósticos multivariables, los mismos que proporcionan mayor
confiabilidad en sus resultados. El uso de pronósticos tradicionales generalmente presenta altos niveles
de error en las predicciones originando problemas como el sobre stock, la rotura de inventario, e incluso
que muchos de sus productos tengan que ser descartados debido a que el tiempo de vida útil llego a su
fin. Hay que resaltar que la elaboración de estos pronósticos es el primer paso para la planificación del
abastecimiento, producción, mano de obra e incluso la cantidad de vehículos necesarios para el
transporte del producto. Por tal razón se propone el uso de Deep Learning para la elaboración de
pronósticos de demanda, integrando en el modelo de Redes Neuronales Recurrentes – Memoria a Corto
y Largo Plazo (LSTM) algunas variables independientes que afectan al comportamiento de las ventas,
estableciendo una comparativa entre el uso del modelo univariante frente al modelo multivariante,
mediante la evaluación de las métricas de desempeño. Teniendo como objetivo demostrar la reducción
del error en MAPE haciendo uso del modelo multivariado.
La metodología utilizada se divide en tres fases generales que corresponden a la revisión de
trabajos relacionados y marco teórico, recolección y preparación de datos y por último el análisis de los
resultados obtenidos en cada modelo.
Se utilizaron variables independientes tanto endógenas como exógenas, logrando obtener una
reducción del MAPE que va desde el 1% al 8% frente al modelo univariado, esto mejora las
predicciones y aumenta el nivel de confianza, ya que se toma en cuenta características que interfieren
en la demanda. Sin embargo, hay que tomar en cuenta que estas predicciones pueden mejorar haciendo
uso de una cantidad de datos mayor a lo utilizado en este estudio.
|
|---|