Modelo de redes neuronales artificiales para el pronóstico de la demanda de stock en una empresa de consumo masivo

Abstract

Uno de los principales problemas y retos que enfrentan las empresas de consumo masivo es la falta y excedente de stock en los almacenes, centros de distribución y finalmente en los puntos de venta; esto se dan por varias causas relacionadas a una planificación de demanda no adecuada. El objetivo de la investigación es desarrollar un modelo de redes neuronales artificiales recurrentes, para que el pronóstico de demanda de stock sea más preciso que el modelo actualmente implementado en la empresa de consumo masivo. El método para usar será una técnica de redes neuronales artificiales recurrentes, en específico los métodos GRU y LSTM que ayudan a predecir mejor los casos con datos históricos. Existen investigaciones que han encontrado evidencia, donde el uso de estas técnicas tiene un mejor rendimiento en predicción. Se realizaron 3 experimentos para esta investigación, el primero planteando de manera general, el segundo desarrollado para centros y el ultimo para categorías, en todos los casos nos muestra que el modelo LSTM tiene un MAPE menor que el modelo GRU, por lo cual podemos concluir que la arquitectura LSTM se ajusta mejor a la predicción de la demanda en toneladas para la empresa de consumo masivo. El MAPE resultante del modelo actualmente implementado en la empresa de consumo masivo es de 20%, por lo cual podemos concluir que los modelos aplicados en esta investigación tienen un mejor desempeño obteniendo un MAPE promedio global de LSTM (5.8%) y GRU (7.5%)