Documentos de Académico
Documentos de Profesional
Documentos de Cultura
91
Actualidad y Nuevas Tendencias Año 7, Vol. IV, N° 12
ISSN: 1856-8327
RESUMEN ABSTRACT
La intención del presente artículo es realizar la The intention of this paper is to compare and select a
comparación y selección de un método para pronosticar method to forecast sales efficiently, and provide benefits
las ventas de forma eficiente y que beneficie a to organizations offering their products to market
organizaciones que ofrecen sus productos al mercado ya because sales forecasts are an input to the company
que los pronósticos de ventas son datos de entrada a different areas and being inaccurate may cost for the
diferentes áreas de la empresa y de ser imprecisos organization. The study case in this paper was carried
pueden generar gastos para la organización. El caso de out within the company Frugo Products SA de C.V.;
estudio en este artículo fue llevado a cabo dentro de la dedicated to the marketing of food products. The
empresa Productos Frugo S.A. de C.V., dedicada a la methods and methodologies used and then compared to
comercialización de productos alimenticios. Los forecast sales of the aforementioned company are: Hold
métodos y metodologías utilizados y posteriormente Method, Winters, Box Jenkins methodology (ARIMA)
comparados al pronosticar las ventas de la empresa and Artificial Neural Network. The results show that the
antes mencionada son: Método de Hold, Winters, la artificial neural network achieved better performance
metodología Box Jenkins (ARIMA) y una Red Neuronal scored the lowest mean square error, in this way it is
Artificial. Los resultados muestran que la red neuronal possible to establish an appropriate scenario for the use
artificial obtuvo un mejor desempeño logrando el menor of artificial intelligence in the industry.
error cuadrático medio, de esta forma es posible
establecer un panorama adecuado para el uso de la
inteligencia artificial dentro de la industria.
eficientes programas de producción que atiendan usan una estructura en red en la cual los nodos o
la demanda sin incurrir en excesivos costos de neuronas son procesos numéricos que involucran
capital, es deseable un adecuado manejo de la estados de otros nodos según sus uniones. Una
información de ventas con el fin de realizar clase de estos modelos computacionales son las
pronósticos con buen nivel de confianza para redes de neuronas artificiales (HayKin, 2008). Las
todos los departamentos de la empresa. redes neuronales artificiales se han hecho muy
Debido al comportamiento no lineal que presenta populares debido a la facilidad en su uso e
un pronóstico de ventas, las redes neuronales implementación y la habilidad para aproximar
artificiales, ANNs, por sus siglas en ingles cualquier función matemática, además con su
(Artificial Neural Networks) son un excelente marcada habilidad para obtener resultados de
candidato para la predicción de esta estimación. datos complicados e imprecisos, pueden utilizarse
Las ANNs son usadas en modelos y sistemas para extraer patrones y detectar tramas que son
altamente no lineales (Azadeh, 2008). En general muy difíciles de apreciar por humanos u otras
las ANNs son técnicas matemáticas simples técnicas computacionales.
diseñadas para cumplir una gran variedad de Una de las definiciones que se estima más certera
tareas. Hoy en día las ANNs pueden ser de Red Neuronal Artificial es la siguiente: ``Las
configuradas en varios arreglos para desarrollar redes neuronales artificiales son conjuntos de
diversas tareas, tales como, el reconocimiento de elementos de cálculo simples, usualmente
patrones, minería de datos, clasificación y adaptativos, interconectados masivamente en
predicción, entre otras (Vahidinasab, 2008). Las paralelo y con una organización jerárquica que le
ANNs están compuestas de atributos que permite interactuar con algún sistema del mismo
aprenden soluciones en aplicaciones donde se modo que lo hace el sistema nervioso biológico''
necesita un mapeo lineal o no lineal. Algunos de (Kohonen, 1989). Su aprendizaje adaptativo, auto-
estos atributos son: capacidad de aprender, organización, tolerancia a fallos, operación en
generalización y procesamiento en paralelo, estos tiempo real y fácil inserción dentro de la tecnología
atributos hacen que las ANNs puedan resolver existente, han hecho que su utilización se haya
problemas complejos haciendo de esta técnica un extendido en áreas como la biológica, financiera,
método preciso y flexible (Balestrassi, 2009), industrial, medio ambiental, militar, salud, etc.
(Freeman, 1991) y (Rabuñal, 2006). El objetivo del (Hilera y Martinez, 1995). Están funcionando en
presente artículo, se enfoca al uso de redes aplicaciones que incluyen identificación de
neuronales para realizar pronósticos de ventas y procesos (Gonzalez y Martinez, 1998), detección de
contrastar los resultados obtenidos contra fallos en sistemas de control (Aldrich y Van
pronósticos de métodos estadísticos clásicos en Deventer, 1995), modelación de dinámicas no
función de un error cuadrático medio. Suponiendo lineales (Meert y Rijckaert, 1998), control de
que la utilización de un método de pronóstico no sistemas no lineales (Rivals and Personnaz, 2000) y
tradicional, como las redes neuronales, podrá optimización de procesos (Nacimiento y Guardani,
brindar un pronóstico de ventas más acertado en 2000).
comparación a los resultados obtenidos utilizando Investigaciones proponen el uso de redes
un método de pronóstico estadístico tradicional. neuronales artificiales como herramienta eficiente
Trabajo relacionado de pronósticos, ya que no presentan un análisis
Desde la primera mitad del siglo XX se han lineal (Toro et al; 2004) y (Saldaña, 2010). Otra
empezado a desarrollar modelos computacionales parte importante de la investigación que se ha
que han intentado emular el comportamiento del realizado es la caracterización de los métodos para
cerebro humano (McCulloch y Pitts, 1943). Aunque pronósticos ya que la estimación del
se han propuesto una gran cantidad de ellos, todos comportamiento futuro de algunas variables
puede realizarse utilizando diversos métodos de pronósticos. Cada uno de los métodos de
proyección tiene una aplicación de carácter objetivo que debe cumplir la red neuronal es que
especial que hace de su selección un problema de su salida V’ (t), dada por la ecuación
decisión influido por diversos factores, como son, V (t) = F [V(t −k),V(t −k +1),…,V(t −1), t] (1)
la validez y disponibilidad de los datos históricos, Sea lo más cercana posible a V (t). Por lo tanto, se
la precisión deseada del pronóstico, el costo del puede decir que V’ (t) es la estimación de las
procedimiento, los beneficios del resultado, los ventas para el período t.
periodos futuros que se desee pronosticar y el En (Koulouriotis, 2012), se analiza la importancia
tiempo disponible para hacer el estudio entre otros de reducir el nivel de inventario en una
(SapagChain, 2000). Dentro de los métodos de organización a través del pronóstico de ventas,
pronósticos se pueden clasificar en función de su comparando diferentes técnicas entre ellas la
carácter, esto es, aplicando métodos de carácter inteligencia artificial en un ambiente industrial.
cualitativo, modelos causales y modelos de series Los resultados obtenidos muestran que es posible
de tiempo (Nojek et al., 2003). establecer buenos niveles de inventario a través de
De acuerdo con Toro et al., en 2004, es posible los pronósticos realizados por una red neuronal de
entrenar a una red neuronal por medio de los propagación hacia adelante. Bajo ese mismo
niveles de ventas partiendo del siguiente enfoque en (Azadeh, 2012), se presenta una red
algoritmo. Si V (t) es el nivel de ventas del mes t y neuronal difusa para estimar el precio del gas
k el número de períodos (meses) anteriores a usar natural a partir de parámetros con un cierto nivel
en la predicción, se puede decir que el conjunto de de incertidumbre. En (Chang, 2012) establecen un
datos V (t − k), V (t − k +1),…, V (t −1) son los datos mecanismo de prevención sobre el costo de
de ventas de los k meses anteriores. Por lo tanto, el fabricación basado en redes neurona
les artificiales. Dentro de la investigación Después de una breve introducción y análisis del
propuesta en (Nazemi, 2013), se determina que la trabajo relacionado al tema a tratar dentro de la
inteligencia computación a través de una red sección 1, el artículo se organiza como sigue: en la
neuronal resuelve de mejor forma problemas de sección 2, se da una explicación de la metodología
optimización de cartera con comparación con otros a la que se dio seguimiento durante la
modelos. En (Zhai, 2013) y (Sadeghi, 2013), se investigación abordando aspectos como: La
propone el uso de tecnologías de la inteligencia recolección de los datos, Autocorrelación y la
artificial como los sistemas difusos para la descripción de cada método propuesto.
predicción de costos y establecer una planeación Consecutivamente se muestran los resultados
agregada, respectivamente. Ambas obtenidos durante la implementación de cada uno
implementaciones de la inteligencia artificial de los métodos seleccionados, así como la
dentro del sector industrial demuestran las discusión de los resultados obtenidos dentro de las
ventajas de su uso en comparación con métodos secciones 3 y 4 respectivamente. Finalmente, las
tradicionales, propiciando una ventaja competitiva conclusiones se mencionan en la sección 5.
en las organizaciones
Tabla 1. Histórico de ventas 2012 y 2013. Empresa Productos Frugo S.A. de C.V
Septiembre 21 1,975,181
Octubre 22 2,649,544
Noviembre 23 2,945,026
Diciembre 24 2,329,979
En la figura 2, se muestra un diagrama de dispersión para visualizar la relación que existe entre las ventas
de mes a mes, de esta forma es sencillo observar el comportamiento de los datos.
periodo 0.2
0.0
-0.2
1 0.610829
-0.4
-0.6
2 0.402748 -0.8
-1.0
3 0.243364 2 4 6 8 10 12 14 16 18 20 22
Lag
Error
Cuadrático Error
Medio
Cuadrático
0.6 0.1 3938.6882 Medio
0.5 0.1 3969.30554 0.7 0.1 0.4 4034.77
0.7 0.1 3977.204
0.8 0.1 0.4 4057.31
0.8 0.1 4076.29505 0.7 0.2 0.5 4076.02
0.4 0.1 4080.6369
0.7 0.2 0.4 4076.54
0.6 0.2 4218.96766
0.6 0.2 0.4 4109.06
0.9 0.1 4233.51164
0.6 0.2 0.5 4110.78
0.5 0.2 4262.09318
0.7 0.2 4265.64826 0.6 0.1 0.5 4122.04
0.3 0.1 4287.028504 0.7 0.1 0.2 4137.4
0.8 0.2 4389.00711
0.6 0.1 0.4 4142.26
0.4 0.2 4410.060095
0.8 0.1 0.2 4159.72
0.6 0.3 4473.05642
0.5 0.3 4521.391724 0.7 0.2 0.2 4178.85
0.7 0.3 4538.82546 0.7 0.1 0.1 4187.19
0.9 0.2 4584.23129
0.2 0.1 4627.653574
0.6 0.2 0.2 4190.14
0.3 0.2 4670.158746 0.8 0.1 0.1 4203.67
0.8 0.3 4698.33332 0.7 0.2 0.1 4227.35
0.4 0.3 4704.997091
0.5 0.2 0.4 4229.18
0.5 0.5 4941.154883
0.9 0.3 4943.49782
0.5 0.2 0.5 4231.91
0.4 0.4 4957.868414 0.9 0.1 0.4 4232.56
0.2 0.2 5001.967229 0.6 0.2 0.1 4236.58
0.3 0.3 5041.491025 0.6 0.1 0.2 4240.99
0.6 0.6 5145.462445 0.6 0.3 0.4 4273.83
0.1 0.1 5306.60193 0.8 0.2 0.2 4277.29
0.3 0.4 5355.263543 0.7 0.3 0.4 4287.82
0.2 0.3 5470.3474
0.1 0.2 5526.450276
0.7 0.3 0.5 4288.82
0.6 0.3 0.5 4291.12
0.6 0.1 0.1 4292.48
0.8 0.2 0.1 4324.57
0.9 0.1 0.1 4325.9
0.6 0.3 0.2 4342.26
0.5 0.3 0.4 4349.34
1.0
(Villanueva, 2002).
0.8
0.6
Redes multicapa: Las redes neuronales artificiales
Partial A utocorrelation
0.4
0.2
0.0
multicapa se forman con un grupo de capas
-0.2 simples en cascada. La salida de una capa es la
-0.4
-0.6 entrada de la siguiente capa. Se ha demostrado que
-0.8
-1.0
las redes multicapa presentan cualidades y
1 2 3 4 5 6 aspectos por encima de las redes de una capa
Lag
simple. Dado que este tipo de redes disponen de
Figura 4. Autocorrelación parcial de la serie de tiempo.
varias capas, las conexiones entre neuronas
Software estadístico Minitab versión 15.
pueden ser del tipo feedforward (conexión hacia
adelante) o del tipo feedback (conexión hacia
Red Neuronal Artificial
atrás). Las redes feedforward son especialmente
Una red neuronal artificial es un procesador
útiles en aplicaciones de reconocimiento o
masivo paralelo formado por unidades simples de
clasificación de patrones. En la figura 5, se muestra
procesamiento que tienen una propensión natural
la estructura general de una red de este tipo. La
para almacenar conocimiento experimental,
figura y nomenclatura se adoptan de (Hagan,
haciéndolo viable para su uso. La red neuronal se
2002).
asemeja al cerebro en dos aspectos:
La entrada a la red es el vector p cuya longitud es igual a etapa de aprendizaje debe ser considerada para la
R, W es la matriz de pesos con dimensiones SxR, a y b creación de un modelo neuronal, en esta parte es donde
son vectores de longitud S el cual, representa el número se introducen los datos de entrada a la red neuronal
de neuronas de la red. artificial. La fase de aprendizaje se utiliza para ajustar
La habilidad de la red perceptrón multicapa para los pesos, los cuales inicialmente son valores aleatorios.
aprender a partir de un conjunto de ejemplos, al El valor del error cuadrático medio sirve para evaluar la
aproximar relaciones no lineales, filtrar ruido en los corrección de pesos en cada iteración. Finalmente, la red
datos, etc. hace que sea un modelo adecuado para neuronal artificial aprende el comportamiento de la base
abordar problemas reales, sin que esto indique que son de datos generada por medio de datos introducidos en
las mejores herramientas como aproximadores su capa de entrada.
universales. En la tabla 5, se muestra el esquema de la
red neuronal artificial construida para la realización de Topología de la Red Neuronal Artificial
los pronósticos de ventas, cabe destacar que no existe un
método específico para llegar a la arquitectura de la red, Numero de Neuronas en la capa 19
el parámetro que definió esta arquitectura fue el error oculta
cuadrático medio mínimo al momento de realizar los Tasa de aprendizaje 0.01
pronósticos. La red de neuronas almacena información
en una cadena de interconexiones neuronales por medio
Numero de Iteraciones 4000
de los pesos. La función de transferencia utilizada es la
tangente hiperbólica.
Error objetivo 1x10-5
La arquitectura de diferentes tipos de redes de neuronas
artificiales fue explorada, con el objetivo de encontrar el
diseño idóneo al problema que debemos resolver. Una
respectivamente, las figuras fueron generadas a partir manejo de la información, así que solo es necesario
de Microsoft Excel 2010. Los resultados de los realizar la operación inversa para obtener el valor real
pronósticos se encuentran codificados, lo que consiste arrojado por el método seleccionado.
en dividir el dato real entre diez mil para un mejor
ejemplos proporcionados, que es al contrario de puede observar que las ventas totales durante ese
los métodos convencionales para pronósticos periodo de tiempo equivalen a: 44, 810, 911 libras.
donde se tiene que especificar el patrón de Las ventas pronosticadas mediante la red neuronal
comportamiento de los datos históricos. De artificial son: 44, 560, 866 libras. Lo cual refleja un
acuerdo al error cuadrático medio (MSE) como 99.442% de exactitud de las ventas reales vs
métrica de desempeño, la red neuronal artificial pronóstico con la ANN, lo cual propicia un
presento una mejor práctica a la hora de realizar escenario adecuado para el uso de las redes
pronósticos. neuronales artificiales a la hora de pronosticar
En la fase de prueba llevada a cabo durante ventas dentro la industria.
veinticuatro periodos descritos es la tabla 1, se
25.Saldaña, A; Jöns, S. (2010). Pronósticos para el 29.Villanueva E., M. (2002). Las Redes Neuronales
Rendimiento Del Trigo Usando Redes Neuronales Artificiales Artificiales y su Importancia como Herramienta en la Toma de
26.SapagChain (2000). Preparación y evaluación de Decisiones. Trabajo de Investigación (Lic.) Universidad
proyectos. Mc-Graw Hill. Nacional Mayor de San Marcos. Facultad de Ciencias
27.Toro, E; Mejía, D. (2004). Pronóstico de ventas usando Matemáticas. EAP de Investigación Operativa.
redes neuronales. Universidad Tecnológica de Pereira. 30.Zhai, K., Jiang, N., Pedrycz, W. (2013) Cost prediction
28.Vahidinasab, V.; Jadid, S.; Kazemi, A., (2008). Day-ahead method based on an improved fuzzy model. The International
price Forecasting in Restructured Power Systems using Journal of Advanced Manufacturing Technology. Springer
Artificial Neural Networks. Electric Power Systems Research. Link. Volume 65, Issue 5-8, pp 1045-1053.
Volumen 78, Issue 8, p. 1332-1342.
Autores
Edgar Augusto Ruelas Santoyo. Graduado en Ingeniería y en la Maestría en Ingeniería Industrial en el
Instituto Tecnológico de Celaya en 2008 y 2011, respectivamente. Actualmente, estudia un doctorado en el
Posgrado Interinstitucional en Ciencia y Tecnología (PICYT). Profesor en el Departamento de Ingeniería
Industrial, Instituto Tecnológico Superior de Irapuato, Guanajuato, México.
E-mail: edruelas@itesi.edu.mx
José Antonio Laguna González. Graduado en Ingeniería y en la Maestría en Ingeniería Industrial del
Instituto Tecnológico Superior de Irapuato (ITESI) en el 2002 y 2013, respectivamente. Profesor en el
Departamento de Ingeniería Industrial, Instituto Tecnológico Superior de Irapuato, Ext. Abasolo,
Guanajuato, México. Se ha desempeñado en empresas del giro alimenticio y metalmecánico.
E-mail: jolaguna@itesi.edu.mx