Diseño de un modelo matemático para predecir la demanda de productos en tiendas Leonisa

Actualmente las empresas enfrentan un reto a nivel logístico muy complejo que consiste en abastecerse con las cantidades justas de productos para evitar los excesos y/o faltantes. La empresa Leonisa presenta una problemática con respecto a la acumulación de inventario, que los lleva a incurrir en altos costos logísticos. Con el objetivo de dar solución a esta problemática se propone el diseño de un modelo matemático que contempla como alternativas diferentes técnicas estadísticas que incluyen los métodos de análisis de series temporales Arima y Holt Winter, además de técnicas de Machine Learning como Redes Neuronales. Estos modelos fueron entrenados a partir del uso de información histórica suministrada por la compañía Leonisa y a su vez fueron evaluados mediante la métrica SSE (Suma de errores al cuadrado) sobre un subconjunto de datos de prueba. Esta evaluación permitió determinar el carácter predictivo de los modelos, favoreciendo a la técnica de Redes Neuronales Artificiales, con lo cual fue posible llevar a cabo el diseño de un aplicativo basado en este algoritmo de Aprendizaje Automático para pronosticar los diferentes valores de demanda que pueden presentarse en periodos futuros. Gracias a la realización del proyecto fue posible conocer, que a partir de la utilización del aplicativo que realiza los pronósticos basados en el modelo de Redes Neuronales, el nivel de inventario actual para el periodo (enero a agosto de 2019) se reduciría aproximadamente en un 66% en comparación con el nivel actual, para la referencia seleccionada. Además, se logra brindar una herramienta técnica pero práctica que le sirva de guía en la toma de decisión en relación a las cantidades a pedir de cierta referencia, permitiendo integrar una tecnología avanzada de pronósticos con la experiencia adquirida durante tantos años por los encargados del reabastecimiento de mercancía.

• Autores: Arregocés Olmedo, Jesús David; Barón Hernández, Leonardo; Dávila Ordóñez, Daniel Andrés
• Fecha de publicación: 2019
• Institución: Universidad del Norte
• Repositorio: Repositorio Uninorte
• Idioma: spa
• OAI Identifier: oai:manglar.uninorte.edu.co:10584/8772
• Acceso en línea: http://hdl.handle.net/10584/8772
• Palabra clave: Inventario; Pronóstico; Demanda; Redes Neuronales; Inventory; Forecast; Demand; Neural Networks
• License: Universidad del Norte