UNIVERSIDAD CATÓLICA SANTO TORIBIO DE MOGROVEJO

FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA DE SISTEMAS Y COMPUTACIÓN

“SISTEMA INFORMÁTICO BASADO EN REDES

NEURONALES ARTIFICIALES PARA MEJORAR EL
PRONOSTICO DE LA DEMANDA EN LA EMPRESA
LEONCITO SOCIEDAD ANÒNIMA”

RUBÉN BARRANTES BECERRA

Chiclayo, Octubre del 2019

 ÍNDICE

I. INTRODUCCIÒN 5
II. JUSTIFICACIÓN DE LA INVESTIGACIÒN 9
2.1. Justificación científica 9
2.2. Justificación financiera / económica 9
2.3. Justificación social 10
2.4. Justificación tecnológica 10
III. OBJETIVOS DE LA INVESTIGACIÒN 10
3.1. Objetivo general 10
3.2. Objetivos específicos 10
IV. MARCO TEÓRICO 11
4.1.1. Bases teórico científicas 11
A. Red Neuronal Error! Bookmark not defined.
1. Red Neuronal Artificial (RNA) 11
Figura Nro. 1: Representación de una red neuronal artificial 12
B. Pronóstico 14
1. Pronóstico de la Demanda 14
2. Métodos para el pronóstico de la Demanda 15
C. Incidencia de los pronósticos en la planificación 23
4.1.2. Definición de términos básicos Error! Bookmark not defined.
 ÍNDICE DE TABLAS

1.1.1.1. TABLA I ................................................ Error! Bookmark not defined.

1.1.1.2. TABLA II .......................................................................................... 26

1.1.1.3. TABLA III ............................................. Error! Bookmark not defined.

1.1.1.4. TABLA IV......................................................................................... 51

1.1.1.5. TABLA V .......................................................................................... 52

1.1.1.6. TABLA VI......................................................................................... 52

1.1.1.7. TABLA VII ....................................................................................... 52

1.1.1.8. TABLA VIII ..................................................................................... 53

 ÍNDICE DE FIGURAS

1.1.1.9. Fig. 1. Interfaz “Inicio de sesión” ........ Error! Bookmark not defined.

1.1.1.10. ........................................................................................................... F
ig. 2. Interfaz “Búsqueda de lugares turísticos por nombre” . Error!
Bookmark not defined.

1.1.1.11. ........................................................................................................... F
ig. 3. Arquitectura lógica del… ............ Error! Bookmark not defined.
 “SISTEMA INFORMÁTICO BASADO EN REDES
NEURONALES ARTIFICIALES PARA MEJORAR EL
PRONOSTICO DE LA DEMANDA EN LA EMPRESA
LEONCITO SOCIEDAD ANÒNIMA”

II. INTRODUCCIÓN

La planificación, como actividad necesaria en la industria, tiene por objetivo prever lo

que puede suceder en el futuro [1]. De acuerdo con Lao et al[2] y [3], se menciona que,
dentro del propio proceso de planificación, uno de los elementos fundamentales de una
buena planeación corresponde a tener el pronóstico de la demanda de un producto (que
consiste en estimar las ventas de un producto durante un determinado periodo futuro) con
la mayor precisión posible. Para calcular el pronóstico existen diversos métodos, los que
han ido mejorando en cuanto a su efectividad, y que han permitido resolver de forma
automática y rápida determinadas operaciones que resultarían tediosas si se realizan
manualmente, sin embargo, a pesar de las mejoras en los métodos de pronóstico aún se
evidencian deficiencias, sobre todo cuando se requiere desarrollar el pronóstico de la
demanda con un enfoque integral, lo cual constituye un problema científico a resolver.

Según [4], el pronóstico involucra el manejo de datos históricos para proyectarlos a

futuro, por lo que para hacer un pronóstico, como se indica en [1], se requiere información
cuantitativa del comportamiento de la demanda a través del tiempo, estos datos
constituyen una serie de tiempo, siendo el análisis de series de tiempo la técnica
estadística más utilizada para estimar o pronosticar su comportamiento.

Con relación a la problemática relacionada con los pronósticos de demanda, según

Gonzáles Clavijo [5], existen evidencias que indican que: “Los métodos de pronósticos
de demanda, no han sido del todo precisos en los últimos años, originando una mala
planeación, lo cual ha repercutido en déficits de cubrimiento de mercados en algunos
casos, excesos de inventario en otros, acarreando pérdidas en ventas y capitales
importantes en lucro cesante”. En [5] también se indica que, esta problemática se
sintetiza en el desconocimiento de las causas que están generando las imprecisiones, las
cuales pueden deberse a errores procedimentales en los métodos empleados, a la mala
calidad de los datos con los que se alimentan, a la variabilidad constante de los mercados
o a que definitivamente son métodos con ineficiencias inherentes (de origen). Gonzáles
Clavijo [5], además menciona que, por otra parte, en la actualidad se han ido incorporando
métodos de inteligencia artificial (como las redes neuronales artificiales) en el campo de
los pronósticos de demanda, los cuales tienen la propiedad de auto ajustarse ante
parámetros variables en el tiempo, con lo que teóricamente podrían ser más precisos y
más eficientes, por lo que se presume que es la opción más adecuada para ser
implementada en las empresas que requieran pronósticos de demanda para la
planificación y toma de decisiones en el desarrollo de sus estrategias comerciales. Es por
ello que, con el fin de pronosticar con el mínimo error se usan las Redes Neuronales
Artificiales (RNA) para tener mejores pronósticos que los métodos actualmente
conocidos. A través de la aplicación de las redes neuronales artificiales, se pretende, en
acuerdo con [12], resolver el problema de la predicción inexacta de la cantidad

5
demandada de un producto respecto de la demanda real, problema que genera, diversas
consecuencias como inventarios en exceso o en falta, lo cual rebaja los niveles de servicio
a los compradores, siendo este un factor influyente para el éxito de la empresa. Por lo
antes mencionado, se puede afirmar que, el problema se encuentra en los métodos
utilizados para el cálculo del pronóstico, métodos que no contemplan ciertas
eventualidades que también influyen o repercuten en la demanda, tales como:
promociones, publicidades, temporadas, ambiente imprevisto y el no considerarlos está
arrojando resultados (pronósticos) con una tasa de error relativamente alta con respecto
de los resultados obtenidos en la realidad.

La problemática en los pronósticos, usando los métodos tradicionales, se corroboran o

sustentan en estadísticas o casos encontrados en diversos contextos, así tenemos que, en
el contexto internacional, en el caso de un estudio de análisis y pronóstico de demanda
para una empresa de telefonía móvil en Chile la diferencia entre el pronóstico y la
demanda real fue del 27% [6], en una empresa de la industria farmacéutica mexicana
encontró un error de pronóstico del 32% [7]. En Colombia se encontró que, al calcular el
pronóstico de la demanda de energía eléctrica en sistemas de distribución, por diferentes
métodos, el error del pronóstico osciló entre el 9% y el 20,56%. [8]. En México, según se
indica en [9], los resultados del segundo diagnóstico sobre Prácticas en la Administración
de Pronósticos Empresariales realizado por Corporate Resources Management, sólo el
6% de las empresas en México cuentan con un área de pronósticos encargada de gestionar
esta función, también se encontró que las hojas de cálculo siguen siendo la herramienta
tecnológica más utilizada para elaborar los pronósticos empresariales con un 37.1%, lo
que representa un crecimiento en su uso del 9% respecto al 28.1% obtenido en el año
anterior.
El apoyo de la tecnología es un elemento crítico para realizar los pronósticos; ya que
permite que el pronosticador dedique la mayor parte de su tiempo al análisis e
interpretación de los datos y menos a los cálculos matemáticos, por ello, según menciona
Jesús Campos Cortés, Socio Director de Corporate Resources Management y coordinador
del estudio que se recoge en [9], consideró que “es urgente que las organizaciones
inviertan tiempo y talento en la implantación de un sólido proceso de Planeación de
Ventas y Operaciones, toda vez que 6 de cada 10 empresas en México no lo usan aún,
siendo una herramienta básica para consolidar los flujos de información y los planes
hacia dentro de la compañia para lograr sinergias en cadenas extendidas”. Sin embargo,
en la realidad, los resultados del estudio demostraron que el proceso de planificación y
ventas es aún un proceso inmaduro donde el 59% de las empresas no lo están usando;
31% indica que funciona solo para lo básico y únicamente en el 12% de los casos el
proceso se usa en toda su potencia. Los resultados se basaron en 448 respuestas de 14
países con un 81.1% de participación de compañías ubicadas en México y el restante en
Centro y Sudamérica [9].
Según [10], en México, se encontró que 7 de cada 10 empresas tienen graves errores en
sus pronósticos de negocio, los que impactan en su productividad y gestión óptima de sus
cadenas de suministro, según Anish Jain, director del Institute of Business Forecasting
(IBF), dedicado a la planeación de negocios. “Cuando una empresa se equivoca en sus
pronósticos pone en riesgo su capacidad competitiva y de rentabilidad”, asegura Jain.
Según una encuesta elaborada por el Banco de México para el Sector Manufacturero, las
empresas de este segmento registran 58% de errores de pronóstico en sus planes de
producción, 65% en sus pronósticos de ventas y 13% en la planeación de sus inventarios
de materia prima para producción. De acuerdo con Jain, ante la competencia mundial, las
empresas están obligadas a pronosticar la demanda de sus productos o servicios para

6
establecer el plan de ventas y operación de las empresas, es decir, que sepan qué comprar
o producir cuánto, en qué tiempo y cómo distribuirlo. Además, se menciona en [10] que,
de acuerdo con el IBF cuando una empresa tiene errores en los pronósticos que hace de
sus negocios, se observa un bajo desempeño financiero de la empresa, que se evidencian
a través de: Ventas negadas, exceso de inventarios de productos que no requieren los
clientes, reducción de margen al vender con descuentos para lograr los objetivos, costos
más altos en las compras, producción para reaccionar a emergencias.

En el contexto nacional, según [11], existen organizaciones que se enfocan en crear un

plan de demanda a través de un proceso de consenso que incorpore predicciones
estadísticas con aportaciones de múltiples fuentes; como clientes, ventas, marketing y
gestión de productos. En la realidad, algunas empresas han optado por el uso de
herramientas tecnológicas especializadas como “Forecast Pro” que es una poderosa
solución informática especializada en la generación de pronósticos en los negocios. Entre
las empresas peruanas que usan esta herramienta están: Molitalia, Backus, Ajegroup.
Kimberly-Clark, Pacasmayo, Hermes, Primax, L’oreal Perú, Protisa, Vencedor, Vainsa,
Sole, Laive, etc.

El presente estudio está enfocado en la empresa Leoncito Sociedad Anónima, la cual es

una empresa lambayecana que tiene varios giros de negocio entre los que se encuentran
la producción de muebles de melamina, la distribución mayorista para la comercialización
de estos en tiendas propias o hacia otros mercados. El segmento de mercado de Leoncito
está conformado por familias que viven en las zonas conurbanas a las principales ciudades
de Lambayeque. Leoncito es una de las marcas de más alto crecimiento en el
departamento de Lambayeque, lo que está generando la necesidad de aplicar modelos y
métodos de pronóstico de mayor precisión que la forma en la que se lleva a cabo
actualmente, que es empírica y que está presentando cada vez mayores problemas ya que
los pronósticos, en general, a veces subestiman la demanda, lo que tiene un impacto en
las ventas, generando pérdidas; y en otros casos se sobreestima la demanda que impacta
negativamente en el inventario provocando un exceso en ellos. De manera particular, en
Leoncito, los errores de pronóstico están incidiendo en los diversas áreas o procesos, tal
como se muestra en la Tabla Nro. 1.

Tabla Nro. 1: Problemática debido a errores en el Pronóstico de la Demanda en Leoncito

ÁREA/PROCESO
Fábrica/Producción
Almacén/Inventario
Finanzas
Utilidades
Fuente: Elaboración Propia
Sociedad Anónima.
IMPACTO ERRORES EN EL PRONÓSTICO
DEMASIADO ALTO DEMASIADO BAJO
Exceso de producción. Producción deficiente para
Productos no vendidos satisfacer la demanda.
Exceso de existencias Faltante de existencias
Efectivo (Capital) Efectivo o presupuesto no
inmovilizado. disponible o faltante.
Utilidad más baja por Utilidad baja por unidad,
unidad, debido a exceso de por mercado no cubierto.
gastos (por actividades
innecesarias, etc.)

Según se observa en la tabla nro. 1, los errores de pronóstico provocan una planificación
operativa deficiente debido a que no se ajustan adecuadamente los parámetros

7
relacionadso con la planeación (compras, programas de mano de obra, requerimientos de
capital).
Así mismo se ha observado que, en la empresa Leoncito, en los siguientes casos se
presentan errores en los pronósticos:
 A mayor horizonte de tiempo, mayor error. Pronosticar para el día siguiente tiene
menos error que hacerlo para el próximo mes, esto porque cuando se tiene mayor
cantidad de datos la precisión en el pronóstico aumenta.
 A menor calidad de los datos, mayor error, esto porque a menudo los datos
disponibles son de ventas, no de demanda, lo que induce de partida una distorsión
y, por ende, un error.
 A menor colaboración entre áreas, mayor error. La colaboración entre las áreas
comerciales y de operaciones en cuanto al intercambio de información pudiera
afectar el patrón de demanda (por ejemplo, promociones y lanzamiento de
productos nuevos).

A continuación se muestra un ejemplo del problema que se presenta en los pronósticos,

tomado de la realidad de la empresa Leoncito , donde se ve el “error” que no es otra cosa
que la desviación entre el valor real y el proyectado (usando Promedio Móvil como
método de pronóstico). Se tomaron 3 productos SKU, uno con baja variabilidad de las
ventas, otro con variabilidad media y otro con alta variabilidad, en todos ellos se asume
que las ventas representan fielmente la demanda.

Tabla Nro. 2: Ventas y pronósticos para tres SKU durante 4 semanas en la tienda La
Victoria
Mueble SKU1 Mueble SKU2 Mueble SKU3
Semanas Ventas Pronóstico Ventas Pronóstico Ventas Pronóstico
1 10 8 10 8 10 10
2 10 8 7 9 0 4
3 10 8 12 10 0 2
4 10 8 9 11 0 2
Fuente: Elaboración Propia

En la Tabla Nro. 2, se muestran tanto los datos de los pronósticos realizados así como de
las ventas que finalmente se obtuvieron duranto un periodo de cuatro semanas, para tres
muebles SKU. Todos los valores que se muestran en la tabla representan cantidad de
muebles. Las columnas “Ventas” muestran la cantidad vendida. Las columnas
“Pronósticos” muestran las cantidades proyectadas que se hicieron para esas semanas,
usando el método de promedio móvil. Se observan que el mueble SKU1 tiene baja
variabilidad en su demanda: las ventas en las cuatro semanas no tuvieron variación y
fueron igual a 10 cajas, por lo que el Coeficiente de Variación (CV) de las ventas es igual
a cero. El pronóstico para cada una de las semanas fue igual a 8 cajas, en este caso se
subvaluaron 2 cajas por debajo de lo que ocurrió en la realidad. El mueble SKU2 tiene
variabilidad media: su CV de las ventas es igual a 0.2, los pronósticos no tuvieron sesgo,
es decir, a veces estuvieron por arriba y otras por debajo de las ventas reales por lo que
tanto este como el anterior son productos estables, de elevada pronosticabilidad. El
mueble SKU3 presenta una situación diferente: en una semana se vendieron 10 cajas y en
las otras nada. Los pronósticos estuvieron alejados de la realidad, lo que se refleja en que
su CV de las ventas sea igual a 2.0, es decir, 10 veces mayor al CV del mueble SKU2.

8
De lo expuesto se infiere que la empresa Leoncito Sociedad Anónima requiere tener una
manera eficaz y eficiente de planificación mediante la apropiada aplicación de un sistema
de pronóstico que permita predecir, de manera precisa, la cantidad de productos que se
deben fabricar para satisfacer la demanda y establecer un sistema de inventarios que
garantice el nivel de servicio al cliente, para que de esta forma disminuya la cantidad de
ventas perdidas.

En base a todo lo expuesto se evidencia que, la exactitud del sistema de pronóstico es uno
de los factores más importantes para el éxito del proceso de planificación pues permite
predecir la cantidad optima a producir para satisfacer la demanda y es precisamente este
factor de éxito el que motiva a plantear como alternativa de solución un sistema de
pronóstico basado en un método que cumpla con el objetivo de disminuir el error en el
pronóstico al mínimo posible, es decir la desviación de los pronósticos por encima y por
debajo de la demanda, respectivamente, y que finalmente esto se pueda traducir en
beneficios en términos de dinero, clientes y permanencia en el mercado.

I. JUSTIFICACIÓN DE LA INVESTIGACIÒN
Esta investigación será importante porque de manera general, aportará una variedad de
conclusiones que servirán de soporte sobre la aplicación de RNAs en el pronóstico de la
demanda en la realidad particular de la empresa Leoncito y una base para su aplicación
en empresas similares con realidades semejantes.

Entre otros aspectos, la presente investigación se justifica por las siguientes razones:

1.1. Justificación científica

Se pretende corroborar que las RNAs, como método de pronóstico de demanda útil, eficaz y
superior a los métodos convencionales en cuanto a su precisión; se puede aplicar a la realidad
de la empresa Leoncito obteniendo los resultados que ofrece teóricamente el método. La
prueba de esta hipótesis debe ser realizado mediante un procedimiento científico que permita
que los resultados que se obtengan sean aceptados por la comunidad académica y aporten
evidencia a favor del uso de las RNAs y base para otros estudios en realidades similares. Al
comprobar la hipótesis se aportará evidencia a favor del método de RNA, de una mayor
versatilidad y exactitud en los pronósticos. La mayor versatilidad es dada por su capacidad
de incorporar diversos parámetros o variables que afectan la demanda como: la variabilidad,
cambio de las condiciones del mercado, etc. Además, permite corroborar la teoría existente o
estudios previos ya realizados sobre el tema de pronósticos de la demanda con RNAs
aplicados a la realidad particular de la empresa Leoncito Sociedad Anónima.

1.2. Justificación financiera / económica

La propuesta justifica su aplicación porque tendrá un impacto financiero-económico
directo a través de la optimización del inventario, y reducir pérdidas por exceso de
compras de materiales, que generan altos costos de almacenamiento. También, permite
reducir el lucro cesante por demanda insatisfecha. Así mismo, la investigación con sus
resultados permitirá un pronóstico más exacto con lo que se incrementará la probabilidad de
optimizar los ajustes económicos y presupuestales de la producción y/o abastecimiento de la
empresa, generando ventajas competitivas y un mejor aprovechamiento de los mercados a los
que impactan, trayendo como consecuencia el incremento de sus márgenes de ventas y por
consiguiente de sus utilidades.

9
 1.3. Justificación social
El estudio tendrá un alto impacto social, pues con la optimización que se logre,
específicamente con la reducción de costos, beneficiará principalmente a los clientes de
la empresa pues podrán obtener mejores precios y promociones como consecuencia de la
reducción de costos. Además, esta optimización también beneficiará indirectamente a los
colaboradores de la empresa porque podrán tener una mejora de sus remuneraciones
contribuyendo a que puedan tener una mejor calidad de vida.

1.4. Justificación tecnológica

El desarrollo de una herramienta informática para el pronóstico de la demanda de
productos, usando un método basado en RNAs, permitiría contemplarlo como una
herramienta tecnológica de amplia aceptación y aplicación en el rubro de la producción
de muebles, distribución y retail, beneficiando a empresas del mismo giro de negocio que
Leoncito Sociedad Anónima a nivel local, regional y nacional y de esta forma obtener un
producto que aporte para la planificación estratégica de toda la empresa como una
alternativa de solución más adecuada ante problemáticas y realidades similares.

II. OBJETIVOS DE LA INVESTIGACIÒN

2.1. Objetivo general
 Mejorar el pronostico de la demanda en la empresa Leoncito Sociedad Anónima
a través de la implementación de un sistema informático de pronóstico de
demanda, basado en redes neuronales artificiales.

2.2. Objetivos específicos

 Identificar los factores o variables que determinan el comportamiento de la
demanda de productos, estableciendo las variables y los datos requeridos de
acuerdo con el tipo de producto.
 Determinar la estructura de la Red Neuronal Artificial a emplear para
pronosticar la demanda de productos en la empresa Leoncito Sociedad
Anónima, considerando las variables que influyen o impactan en la
demanda.
 Desarrollar el sistema informático que implemente la estructura de la Red
Neuronal Artificial para procesar cada uno de los parámetros identificados.
 Evaluar los pronósticos obtenidos y determinar el nivel de precisión,
respecto del valor real de la demanda de productos. Con esto se proporciona
a la gerencia información confiable para la toma de decisiones en el proceso
de planificación de la empresa Leoncito Sociedad Anónima.

10
III. MARCO TEÓRICO

3.1. Bases teórico-científicas

Jost [17], citado por Acuña y Curotto [19, p. 47], sostiene que la metodología
de las RNAs proviene del estudio de las redes neuronales biológicas ubicadas
en el cerebro de cada ser vivo. Estas redes biológicas se componen de una gran
cantidad de neuronas, pero que no forman una red continua, sino que existe un
pequeño espacio entre ellas, llamada sinapsis, que debe atravesar el impulso
nervioso (que sólo se propaga en un solo sentido) para pasar de una neurona a
otra y por medio de la sinapsis el cerebro puede reconocer las actividades que
va experimentando el ser vivo y, de esta manera, ir registrando información.
Este registro se aplica posteriormente cuando el ser vivo quiere volver a realizar
una actividad ya registrada, lo que le permite hacerlo sin dificultades, ya que el
procedimiento necesario para llevar a cabo la actividad ya ha sido grabado en
su cerebro.

3.1.1. Red Neuronal Artificial (RNA).

De acuerdo con Bassett [18], citado por Acuña y Curotto [19, p.47], las
RNAs son sistemas interconectados de procesadores paralelos que tienen
como función principal realizar análisis de información. Estas redes
pueden tener distintas formas y realizar sinapsis en distintos momentos,
pero las reacciones de salidas funcionan de la misma forma para cualquier
uso que se le den. El propósito por el que se desarrolle y utilice una red
neuronal que tiene un mismo funcionamiento, es para identificar la mejor
forma de solucionar o actuar frente al primer conjunto de datos que reciba;
sin embargo, la respuesta de salida que de la red puede no ser la óptima en
esta primera vez y fallar con el logro del objetivo, es en este momento
donde el aprendizaje adaptativo de las redes neuronales entra en
funcionamiento y se utiliza para tener el resultado registrado en la memoria
de la red y poder procesar una nueva respuesta que de mejores resultados.

3.1.1.1.Elementos básicos.

De acuerdo con [12], una RNA es muy parecida a lo que en matemática

discreta se estudia como "grafos". En el caso más simple, cada neurona
tiene una serie de variables respecto a sí misma. En todo modelo, una
neurona artificial, tiene cuatro elementos básicos:

 Un sumador, que se encarga de sumar todas las entradas

multiplicadas por las respectivas sinapsis o pesos.
 Un conjunto de conexiones, pesos o sinapsis que determinan el
comportamiento de la neurona. Estas conexiones pueden ser
excitadoras (presentan un signo positivo), o inhibidoras
(presentan signo negativo).
 Una función de activación, que puede ser lineal o no lineal y que
sirve para limitar la amplitud de la salida de la neurona.
 Un um|bral exterior, que determina el umbral por encima del cual
la neurona se activa.

11
 Esquemáticamente, una neurona artificial está representada como
en la Figura Nro. 1

Figura Nro. 1: Representación de una red neuronal artificial

Fuente: [12]

3.1.1.2. Clasificación de las RNAs

En [12], las RNAs se clasifican considerando ciertos parámetros

que se muestra en la figura nro. 2

Figura Nro. 2: Taxonomía de las redes neuronales según ciertos

parámetros

Fuente: [12]

En la Figura Nro. 2 se muestra un cuadro con la taxonomía general

de las RNAs. Según [12], los tipos o modelos de RNA se pueden
clasificar de diferentes formas de acuerdo con ciertos criterios, tales
como.

12
 a) Según su arquitectura, se clasifican en:

 Redes Neuronales Monocapa. Es la red neuronal más

sencilla, tiene una sola capa de neuronas que proyectan las
entradas a una capa de neuronas de salida donde se realizan
diferentes cálculos.
 Redes Neuronales Multicapa. Es una generalización de la
RNA monocapa, existiendo un conjunto de capas
intermedias entre la entrada y la salida.
 Redes Neuronales recurrentes. Esta RNA se caracteriza
por la existencia de lazos de realimentación. Estos lazos
pueden ser entre neuronas de diferentes capas, neuronas de
la misma capa o entre una misma neurona.

b) Según su aprendizaje, se clasifican en:

 Aprendizaje Supervisado. Las RNA de este tipo tienen un

parámetro de referencia que corresponde al valor real o
verdadero el cual es comparado con las salidas de la red.
 Aprendizaje No Supervisado. En este tipo de RNA no
tienen una referencia de comparación por lo cual considera
la autoorganización, auto asociación, etc., como proceso de
obtención de la salida de la red.

c) Según su aplicación, se clasifican en:

 Redes de Clasificación. Las redes de clasificación hacen

uso del aprendizaje no supervisado para obtener patrones de
clasificación en base a las entradas del problema.
 Redes de predicción. Las redes de predicción tienen como
objetivo modelar una función no lineal.

Otros tipos son RNAs de memoria asociativa, mapeo de

características, reconocimiento de patrones y optimización.

3.1.1.3. Parámetros de la RNA

Para construir la RNA se consideran ciertos parámetros. A

continuación, se mencionan los más importantes, que de acuerdo
con [12] son:

 Topología de la red. Considera tanto el número, así como

la definición de las variables de entrada y salida del sistema
a desarrollar, así como el modelo de red a utilizar. Los más
comunes son el perceptrón multicapa, los mapas kohonen,
etc., así mismo se define la cantidad de neuronas y las
funciones de activación en cada capa de la RNA. A
continuación, se mencionan los parámetros necesarios para
la red.

13
 Wij: Peso correspondiente de las neuronas i hacia la neurona
j

Wjk: Peso correspondiente de las neuronas j hacia la neurona

k

N: Número de neuronas en la capa de entrada

O: Número de neuronas en la capa oculta

Y: Número de neuronas en la capa de salida

 Algoritmo de aprendizaje. Los algoritmos más comunes

utilizados en el desarrollo de las redes neuronales son el
backpropagation y todas sus variantes. El algoritmo presenta
dos fases que son las siguientes:
- Fase de Aprendizaje o Entrenamiento
- Fase de Recuerdo

La idea es actualizar los pesos de la capa escondida por lo

cual se retropropaga el error hacia la capa intermedia.

3.1.1.4. Ventajas de las RNAs

Las ventajas que tienen las RNAs, con respecto a otros métodos, se
basan principalmente en los siguientes aspectos:

 Aprendizaje. Las RNAs tienen la “habilidad” de aprender,

en una etapa o fase que se llama etapa de aprendizaje, que
consiste en proporcionar a la RNA datos de entrada,
indicándole a la vez cuál debe ser la salida o resultado
(respuesta) esperado.
 Auto organización. Una RNA acomoda su propia
representación de la información en su interior, evitando al
usuario de esta carga.
 Tolerancia a fallos. La RNA puede seguir respondiendo de
manera aceptable aun si se daña parcialmente, debido a que
almacena la información de forma redundante,
 Tiempo real. Debido a que una RNA tiene una estructura
paralela, se pueden obtener respuestas en tiempo real,
cuando la RNA sea implementada usando computadoras.

3.1.2. Pronóstico

3.1.2.1. Pronóstico de la Demanda

El pronóstico de demanda, de acuerdo con [13], es la predicción de

las ventas futuras a través del uso de métodos, cualitativos o
cuantitativos, basados en datos históricos, experiencias o
información de los vendedores. Los pronósticos constituyen una
herramienta fundamental en la planificación de las operaciones de

14
 una empresa por lo que es un factor importante en la toma de
decisiones.

3.1.2.2.Horizontes del pronóstico.

Para realizar un pronóstico es necesario antes definir el horizonte

futuro que se pronosticará, estos se clasifican en tres tipos:

 Pronóstico a corto plazo.

Considera un periodo que va hasta los tres meses,
comúnmente se usa para la programación de la producción,
asignación de tareas y planificación de personal.
 Pronóstico a mediano plazo.
El periodo de tiempo comprendido es entre tres meses y tres
años. Se utiliza para presupuesto, planificación de ventas,
política de inventarios, etc.
 Pronóstico a largo plazo.
Generalmente comprende un periodo mayor a 3 años y se
usa para la toma de decisiones como la expansión de plantas
industriales, la planificación de entrada de nuevos productos
o en operaciones más globales de una empresa.

3.1.2.3. Patrones de demanda.

Según Krajewski, Ritzman, Malhotra [20], los patrones de demanda son

las características repetitivas que pueden tener las series de tiempo de
la demanda analizada de un producto. Los cinco patrones básicos son:

 Horizontal: La demanda siguen una línea horizontal porque los

datos son constantes.
 Tendencia: La demanda presenta un incremento o disminución
de manera consistente en el tiempo.
 Estacional: El incremento o disminución de la demanda se
presenta de manera repetitiva de acuerdo con el periodo de
tiempo y que es consistente año tras año.
 Cíclico: La demanda incrementa o disminuye de forma gradual,
generalmente se da cuando son periodos largos, de varios años.
 Aleatorio: Los datos muestran una variación impredecible.

Los patrones se pueden combinar en la observación de los datos

históricos, a excepción del Aleatorio; es así que se puede encontrar
tendencia y estacionalidad al mismo tiempo.

3.1.3. Métodos para el pronóstico de la Demanda

Se identifican, según [12], 3 tipos de métodos: cuantitativos, cualitativos

y RNAs. En la Tabla Nro. 3 se puede ver la clasificación de los métodos
cuantitativos y cualitativo

15
 Tabla Nro. 3: Clasificación de Pronósticos por los métodos
Cuantitativos y Cualitativos

Fuente:[13]

3.1.3.1. Métodos cualitativos: De acuerdo con [13], los métodos cualitativos

son aquellos que se basan en factores subjetivos tales como la intuición,
la experiencia, opiniones y emociones de la persona que toma las
decisiones. Entre los cuatro principales se consideran:

 Método Delphi.
 Jurado de opinión ejecutiva.
 Estudio de mercado.
 Propuesta del personal de ventas.

3.1.3.2. Métodos Cuantitativos: Son los que utilizan modelos matemáticos

para predecir la demanda futura. Se pueden dividir en dos tipos:
modelos de series de tiempo y modelos causales. [13]

 Modelos de series de tiempo. Estos modelos usan datos de

periodos pasados para hacer el pronóstico, según se indica
en [13]. Una serie de tiempo está compuesta por datos
espaciados uniformemente que pueden ser semanales,
mensuales, trimestrales o anuales, dependiendo de lo que
quiera proyectar la empresa. Entre las técnicas o métodos
usados están:
 Promedio móvil simple
 Promedio móvil ponderado
 Suavización exponencial simple:
 Suavización exponencial con tendencia (Método Holt)
 Suavización exponencial con estacionalidad (Método
Winters)
 Suavización exponencial con tendencia y
estacionalidad.
16
3.1.3.3. Métodos por Redes neuronales artificiales

De acuerdo con [12], las RNAs también son una técnica usada para
pronósticos de la demanda. Como hemos visto, hay varios tipos de
RNAs, pero, de acuerdo con las experiencias y antecedentes recopilados
en el capítulo anterior, se tiene algunos tipos de RNAs que se utilizan
específicamente para pronosticar. Entre ellas tenemos:

 Perceptrón multicapa
 Red de Elman
 RBF (Red de Base Radial)
 Red de Jordan
A continuación, se describen cada una de ellas.

 Perceptrón multicapa. La arquitectura del Perceptron Multicapa

(PM) tiene, entre otras ventajas, que es un aproximador universal de
funciones, de modo que cualquier función continua en el espacio
multidimensional real se puede aproximar mediante una red PM,
tiene también una elevada capacidad de generalización y robustez,
que hace que, aunque se pierda una neurona el resultado no se
afecte. En cuanto a sus desventajas está es que se trata de una red
sin recurrencias y feed-fordward, otra de las pocas desventajas de
este tipo de RNA es su elevado tiempo de entrenamiento en
estructuras complejas, a pesar de ello esta red está ampliamente
extendida, teniendo aplicaciones en campos como:
 El reconocimiento del habla
 El reconocimiento óptico de caracteres
 El control de procesos
 La predicción de series temporales
 La conducción de vehículos

La arquitectura del PM está basada en una red con conexiones hacia

delante (feed-fordward), en la que existen 3 tipos de capas:

 La capa de entrada, en la que las neuronas actúan como

buffer y no se disponen de pesos ni umbrales.
 Las capas ocultas.
 La capa de salida, que actúa como un buffer de salida.

Todas las neuronas de la RNA tipo PM (excepto las de la entrada, en

general) llevan asociado un umbral. Cada neurona de una capa se
conecta con todas las neuronas de la capa anterior (sin embargo, puede
darse el caso que, a veces no sea así, y que el peso de una conexión sea
0, es decir, que no exista). El entrenamiento de este tipo de redes, es
decir, su aprendizaje, se realiza utilizando el algoritmo de
Retropropagación (backpropagation) [12].

 Red Elman – Jordan. Las redes Elman y Jordan, son redes

parcialmente recurrentes, es decir, son redes con conexionado hacia
adelante (feed-fordward), a las que se le han añadido algunas

17
 cozs11nexiones hacia atrás. Tanto en la red Elman como en la Jordan,
la arquitectura básica de la red es básicamente una red hacia adelante
(feed-fordward), y, en concreto, es un tipo de PM, dado que las
activaciones de todas las neuronas son saturantes. La diferencia
principal entre los dos tipos Elman y Jordan está en la información que
se transmite a las entradas de contexto. En las redes Elman se
realimentan las salidas de las neuronas de la última capa oculta, de
modo que, la red dispone de información de la entrada del instante
anterior, mientras que en las redes Jordan, existe una doble recurrencia,
por una parte, se realimentan las salidas del instante anterior
ponderadas con un parámetro fijo µ, y, por otro lado, cada neurona de
contexto recibe una copia de su estado anterior. El parámetro µ
determina el horizonte de la memoria de la red, es decir, determina la
ventana de tiempo que recuerda la red, de los datos de salida.
El algoritmo de aprendizaje, usado por ambos es el de
retropropagación, bajo este esquema primero se calculan las salidas y
se hallan los datos para pasar a las neuronas de contexto, luego en el
siguiente instante, se consideran estos datos como entradas a la red, y
se aplica de nuevo el algoritmo, y así sucesivamente [12].

 Red de base radial. Tienen una concepción de las neuronas muy

diferente a las del resto de arquitecturas de RNA. A diferencia de las
redes Perceptron, las redes de Base Radial (BR) son arquitecturas que
disponen únicamente de una capa oculta, con lo que, en total, suman 3
capas: entrada, oculta y salida. Con relación a las semejanzas con las
redes PM, es que cada neurona de una capa tiene conexión con todas
las neuronas de la capa siguiente, a pesar de que no existen pesos de la
entrada a las neuronas ocultas. La principal diferencia con el resto de
las redes está en el propio funcionamiento de las neuronas pues las
funciones de activación son radiales en lugar de saturantes, es decir, se
define un centro para cada neurona de la capa oculta que hace que la
neurona tome un elevado valor de activación cuando las entradas estén
cerca de dicho centro, y que tome un valor bajo cuando la distancia al
centro sea mayor. En la capa de salida, las neuronas tienen funciones
de activación lineales y actúan como sumadores. En cuanto al
entrenamiento de las redes de BR, éste consiste en “distribuir” las
neuronas a lo largo del espacio de entrada, de forma que entre todas
sean capaces de generar la función, pero cada una en el tramo que le
corresponda. También es posible entrenarlas utilizando el algoritmo de
Retropropagación o basados en él, debido a que también son redes
hacia adelante (feed-fordward). Estas redes son más rápidas de
entrenar que las redes PM y son adecuadas en problemas con un
número pequeño de entradas, por cuanto, si se tiene un número grande
de entradas, dado que tiene una sola capa, entonces el número de
neuronas ocultas se incrementa exponencialmente. [12]

18
 Antecedentes de uso de Redes Neuronales Artificiales

A continuación, presentamos resultados de otros estudios o trabajos de

investigación que se referencian como antecedentes de este, para
establecer qué se ha hecho recientemente sobre el tema seleccionado,
además se indica en cada caso los puntos relevantes y de aporte al
presente trabajo.
En la investigación de Salazar y Cabrera [1], se describe la utilización
de Redes Neuronales Artificiales (RNAs) para pronóstico de demanda,
donde se propone un método para definir los parámetros de las RNAs
de una manera integrada y repetible. Para este trabajo la empresa donde
se aplicó brindó información histórica de registros mensuales de los
últimos 6 años, con esta información se realizó el pronóstico de la
demanda para periodos posteriores mediante el uso de las RNAs. El
modelo de RNA que se desarrolló fue para pronóstico de series de
tiempo, los resultados obtenidos fueron comparados contra los que se
obtuvieron al analizar las mismas series de tiempo a través de métodos
lineales tradicionales tales como promedios móviles y regresión lineal
entre otros. En los casos analizados, el modelo de RNAs construidos
con la metodología propuesta resultó con mejores resultados, por lo
que los resultados de este trabajo apoyan la utilización de las RNAs
como técnicas confiables de pronóstico.

Según Lao et al [2], en su trabajo presentan como resultados

fundamentales un procedimiento para el pronóstico de la demanda de
productos (medicamentos). Este procedimiento sistematiza la forma de
realizar pronòsticos a través de RNAs y es el que ha servido de modelo
base para el procedimiento que se plantea en la parte de Metodologìa
y Resultados Esperados.

Gonzáles Clavijo [5], en su investigación planteó como hipótesis que

mediante el método de RNAs se obtienen pronósticos de demanda (de
productos masivos) más exactos y con menor error con respecto a los
métodos convencionales empleados por las empresas del sector de
distribución masiva en la ciudad de Bogotá. Para probar la hipótesis del
estudio se aplicaron los tres modelos de pronóstico de demanda más
empleados por las empresas de distribución masiva de la ciudad de Bogotá
(promedios móviles, cuotas de mercado y regresión lineal) además del
modelo de RNA, el criterio para comparar la precisión de cada método
fue a través de la estimación de los errores cuadráticos medios de los
resultados de pronósticos obtenidos por cada método para un set de datos
de tres años proporcionados por una de dichas empresas. La precisión de
los resultados obtenidos, en comparación con los datos de ventas reales,
por los tres principales métodos de pronóstico y los obtenido por la RNA,
se encontró que el método de RNA se ajustó mejor a los pronósticos de
demanda que los métodos empleados tradicionalmente lo que permitió
establecer la utilidad del método de RNAs para el pronóstico de demanda
en marcas de consumo masivo. En cuanto al modelo de RNA definido
para este estudio fue una RNA multicapa, debido a que permitió incluir
de manera adecuada todas las variables consideradas para el pronóstico.

19
Según Gil Zabaleta y Rodriguez Collas [12], en su estudio propuso
como objetivo diseñar e implementar un sistema de pronóstico de la
demanda de productos farmacéuticos mediante el uso de la técnica de
RNAs con la que planteó obtener la menor tasa de error entre la demanda
real y la demanda pronosticada. Se seleccionó como RNA el perceptrón
multicapa, que va acompañado del algoritmo de aprendizaje
“backpropagation”.
En el estudio se utilizó una RNA para el pronóstico de la demanda de
productos farmacéuticos, que brindó una tasa de error de 3.57% en el
mejor caso encontrado, por lo que los resultados obtenidos fueron
buenos ya que con la poca cantidad de datos históricos se llegó a un
margen de error del producto “DF” del 3,57 % que comparado con el
error del 31,23% de la persona encargada de las compras (error experto
– mediante un sistema) es bastante menor. Así mismo los márgenes de
error del 4,93 % y 6,38 % correspondientes a los producto RG y CH
respectivamente son menores que los errores del experto.

En la investigación de Villena [14], se realizó la comparación de dos

modelos de RNAs, que son el modelo Madaline y Perceptrón
multicapa, para los cuales se les realizo su fase de aprendizaje con el
algoritmo backpropagation, obteniendo en el modelo Madaline una
taza de error 1.50 % en el mejor caso encontrado; y en el modelo
Perceptrón multicapa una taza de error 0.00291134 % en el mejor caso
encontrado; su desarrollo y entrenamiento se realizó bajo la tecnología
del Framework Joone, para la interfaz gráfica de usuario se usó el IDE
NetBeans 8.0.2, con el lenguaje de programación Java. En el estudio
se concluye que el modelo más adecuado para la predicción de la
demanda del agua potable es el modelo de Perceptrón multicapa con el
algoritmo de aprendizaje Backpropagation, según las estadísticas
obtenidas en la fase de evaluación.

Álvarez y Sierra [15] en su estudio, planteó como objetivo principal el

de establecer el grado de precisión del Modelo de Red Neuronal
Recurrente en la predicción del comportamiento futuro de las variables
estratégicas de Marketing y Ventas de la industria de panificación y a
la vez de compararlo con los modelos estadísticos de series de tiempo
y regresión lineal. El tipo de investigación fue aplicada, porque se
construyó un modelo de RNA recurrente para las variables de
Marketing y Ventas de la industria de panificación. La investigación
concluyó en que la arquitectura de una RNA recurrente simple es la
que se ajusta con mayor precisión al comportamiento de las variables
de marketing y ventas frente a la arquitectura genérica de una RNA
recurrente. Además, al hacer pronóstico con los métodos estadísticos
de series de tiempo y regresión lineal, se obtiene un error el cual una
vez obtenido ya no es posible reducir dicho error. Sin embargo, las
RNA recurrentes logran reducir el margen de error a un mínimo a
medida que se hacen más iteraciones de entrenamiento.

La investigación realizada por Malaver Elera [16], su objetivo

principal fue determinar el pronóstico de las ventas de los servicios que
20
 ofrece Catering & Buffets MyS con el menor porcentaje de error
aplicando RNAs. Esto se logró gracias a la metodología que planteó
Kaastra y Boyd, donde se encuentra una serie de pasos para poder
modelar desde cero la red neuronal para obtener el pronóstico. El tipo
de red neuronal que se seleccionó fueron las redes neuronales
multicapas, puesto que, poseen una capa oculta donde se realiza todo
el procesamiento de los datos que la capa de entrada le suministra y
cuyo resultado es enviada a la capa de salida. Se realizaron tres
diferentes configuraciones de red neuronal para hallar el error mínimo,
siendo la tercera red neuronal planteada, la más adecuada por presentar
el menor porcentaje de error (1%), con lo que se logró comprobar la
hipótesis planteada. Como conclusión se comprobó que las RNAs
multicapa son las más adecuadas para realizar los pronósticos de las
ventas, y que la herramienta de RNA son precisas para este tipo de
aplicación.

3.1.3.3.1. Procedimiento para el pronóstico de la demanda a través de

redes neuronales.
En [2], se propone un procedimiento integral para hacer pronósticos con
RNAs que toma en cuenta aspectos como: análisis conceptuales, los
elementos que conforman los pronósticos, los diferentes enfoques e
instrumentos metodológicos existentes y las carencias que existan; de tal
forma que se logre reducir el error en el pronóstico. Este procedimiento
consta de cuatro fases, en cada una de ellas se tienen pasos, objetivos,
contenidos y posibles técnicas a utilizar, en la figura Nro. 3 se muestra el
algoritmo que lo sustenta.

21
 Figura Nro. 3: Procedimiento para el pronóstico de la demanda a través de
redes neuronales artificiales.

Fuente: [2]

3.1.3.4.Evaluación de pronósticos.

La evaluación de un pronóstico consiste en determinar el grado de precisión de

un pronóstico, para lo cual se calculan medidas del error, entre los valores del
pronóstico y la demanda real (observada) para un mismo periodo. Se tienen las
siguientes medidas del error:
 Error del pronóstico (e). Es la diferencia entre la demanda real y el
pronóstico hecho para un periodo de tiempo (t).
e = Demanda real del periodo t – Pronóstico del periodo t
 Desviación absoluta media (DAM). Esta medida se calcula
sumando los valores absolutos de los errores individuales y
dividiéndolos por el número de periodos.
Se formula de la siguiente manera:
22
 DAM = Σ│Demanda real – Pronóstico│ / n

 Error cuadrado medio (ECM). Esta medida se halla con la media

de las diferencias al cuadrado de la demanda real con la demanda
pronosticada o prevista. Su fórmula es la siguiente:

ECM = Σ (Demanda real – Pronóstico)2 / n

 Error porcentual absoluto medio (EPMA). El EPMA se calcula

con la diferencia del valor absoluto entre la demanda real con la
demanda pronosticada o prevista expresado en porcentaje, lo cual
facilita su manejo.

EPMA = 100 Σ │Demanda real – Pronóstico│/ Demanda real / N

 Desviación estándar (σ). Mide la dispersión de la demanda real con

el pronóstico:

σ = Σ √(et – e )2 / (n-1)

3.1.3.5.Incidencia de los pronósticos en la planificación

Según menciona Pretell [21], una empresa puede planificar la

producción a partir de un pronóstico de demanda para luego determinar
la cantidad de inventario de seguridad de producto terminado, con el
objetivo de actuar ante los efectos de la variación o fluctuación de
demanda y los tiempos de espera (lead times). Así mismo se indica en
[21] que, el nivel de ventas tiene una relación directamente proporcional
con la demanda real, relación de la que surge el nivel de servicio, que
es una representación numérica del grado de satisfacción que los
clientes perciben de la prestación del servicio o producto. El nivel de
servicio [NS] define la proporción de prestación del servicio como
(ventas/demanda), mientras este valor sea significativamente menor a
1, se fortalece a la competencia y se incrementan los costos en la
organización por pérdida de mercado y faltantes. En [21] también se
afirma que mientras más demanda existe en una organización, más se
venderá el ítem demandado y por lo tanto habrá más ingresos por
ventas, y estos ingresos, según [21], se ven impactados por los costos
generados en una empresa, a pesar de tener ingresos por ventas, sin
embargo, no establecen mecanismos para analizar la demanda, que en
definitiva es lo que más tiene importancia. En conclusión, el descuido
de la medición de la demanda; tiene como resultado que se pierda el
control y finalmente no se podrá mejorar el sistema y no se podrá tener
una visión clara del costo que implica tener faltantes o excesos.

En la figura Nro. 4, se representa, a través de un diagrama de Forrester,

los efectos de los pronósticos en la Planificación.

23
 Figura Nro. 4: Diagrama causal de los efectos del Pronóstico en la
Planificación.

Fuente: [21]

24
IV. METODOLOGÍA Y RESULTADOS ESPERADOS
4.1. Metodología
1. Tipo de investigación
La presente investigación es de tipo ex post facto debido a que se va a
estudiar hechos que sucedieron en la realidad (datos históricos de
ventas) para pronosticar la demanda futura (tendencia), sin manipular
esa realidad.
2. Nivel de investigación
La investigación es de tipo aplicativo predictivo porque se va a realizar
una aplicación de redes neuronales artificiales para un problema de
predicción de series de tiempo.
3. Métodos de investigación
Los métodos de investigación empleados son los siguientes:

Tabla Nro. 4: Métodos de Investigación usados

Método Descripción
Analítico Se estudia y analiza el problema
de los pronósticos de la demanda
y las variables que influyen en la
demanda y en su pronóstico.
Deductivo Se plantea una propuesta de
solución basado en redes
neuronales artificiales, porque
los antecedentes demuestran que
este método es la solución
óptima para el problema
identificado.
Implementación Se va a implementar en la
empresa la solución propuesta.
Fuente: Elaboración Propia.

25
4. Técnicas e instrumentos de recolección de datos
En la siguiente tabla se muestran las técnicas e instrumentos que serán
útiles para la recolección de datos.

Tabla Nro. 5: Técnicas e instrumentos de recolección de datos

Técnicas Instrumentos Elementos Propósito
de la
población
Observación Lista de cotejo, Actividades Verificar el
Guía de que se procedimiento
observación, realizan para actual de
libreta de notas, pronosticar pronóstico.
cámaras las ventas,
fotográficas, presupuestos
grabadoras. de ventas,
planificación
de la
producción.
Encuesta Escala de Personal de Identificar
actitudes y Ventas, métodos usados
opiniones Personal de para pronosticar,
(Escala de Producción, variables o
Likert) Jefe de parámetros a
Tiendas, considerar para
Jefe de pronosticar,
Producción, productos para el
Clientes. pronóstico.
Entrevista Guía de Gerente Conocer la
entrevista o General de empresa, sus
cédula de la empresa. objetivos y la
cuestionario, importancia de la
grabadora planeación en la
organización

26
 Técnicas Instrumentos Elementos Propósito
de la
población
Revisión y Ficha de Datos Revisar
análisis registro de históricos de documentación
documental datos. ventas, de los méteodos
presupuestos de pronóstico, así
de ventas, como revisar los
producción. resultados
históricos de
ventas de los
productos SKU.
Fuente: Elaboración Propia.

5. Metodología de desarrollo
Para cumplir con el objetivo planteado y teniendo en cuenta de que se
trata de un fenómeno regido por el comportamiento de los meses
anteriores (tendencia) se propone una red neuronal que sea alimentada
con una serie de variables de entrada que afectan la demanda del
producto que se seleccione. Con toda esta información la red debe
pronosticar un nivel de demanda. Es necesario que se incluya la
definición de los parámetros que intervienen en el modelo y de la
arquitectura de RNA que se va a utilizar.
A continuación, se mencionan las actividades que se realizarán para
analizar, diseñar, construir, entrenar y probar una RNA para que pueda
predecir valores futuros de una serie de tiempo, basándose en una serie
de variables y sus valores pasados, entonces se tiene:
FASE I: Análisis
o Actividad 1.1: Caracterizar la demanda de los productos
SKU de la empresa a partir de los elementos relevantes para
el pronóstico:
 Entrada: Información de la empresa Leoncito Sociedad
Anónima.
 Salida: Caracterización de la demanda de los productos
SKU de la empresa Leoncito Sociedad Anónima.

27
 o Actividad 1.2: Seleccionar el producto para el pronóstico
 Entrada: Información de la empresa Leoncito Sociedad
Anónima, Caracterización de la demanda de los
productos SKU de la empresa Leoncito Sociedad
Anónima.
 Salida: Producto a pronosticar.
o Actividad 1.3: Determinar los objetivos del pronóstico
 Entrada: Producto a pronosticar
 Salida: Objetivos del pronóstico
o Actividad 1.4: Recopilar la información para el pronóstico.
FASE II: Diseño de la RNA
o Actividad 2.1: Realizar Escalamiento de los datos
Como primer paso se debe de transformar los datos de entrada a
valores entre 0 y 1 haciendo uso de la expresión 1 para la
normalización de los datos, la cual se detalla a continuación:

(1)
Donde:
Yt: Corresponden a todos los valores originales de la serie
de tiempo.
Min y Max: Corresponden a los valores máximos y mínimos
de la serie de tiempo.
Zt: Corresponden a los valores de la serie de tiempo
transformada en valores entre 0 y 1.
o Actividad 2.2: Definir patrones de entrenamiento y patrones
de prueba
Como segundo paso se debe manejar la información que se tiene
con los patrones de entrenamiento y de prueba, ya que, los
valores de las series de tiempo se dividen en los datos de los
patrones de entrenamiento y los datos de los patrones de prueba
que corresponden al 80% y 20% de los datos respectivamente.
Los datos de los patrones de entrenamiento son utilizados para

28
 entrenar a la RNA en el proceso de aprendizaje y los datos de los
patrones de prueba se utilizan para evaluar la capacidad de
generalización o de predicción de la RNA.
o Actividad 2.3: Definir Topología de la RNA
Para la topología de la RNA se deben considerar los siguientes
parámetros:
o Direccionamiento de la información: alimentación
adelantada.
o Tipo de conexión entre neuronas: totalmente conectadas.
o Número de entradas
o Número de capas ocultas
o Número de nodos en la capa oculta
o Número de salidas
o Función de activación de nodos de capa oculta.
o Función de activación de la salida de la red.
o Actividad 2.4: Definir las entradas de la RNA
Las entradas de la RNA se representarán con ‘p’. Para poder
seleccionar las entradas de la RNA se toman en cuenta las
siguientes consideraciones:
o Periodicidad de datos: Determinar si la información de
las series de tiempo es semanal, mensual, anual.
o Pruebas de ensayo y error: Se pueden determinar
diferentes periodos para los datos. según se crea
conveniente para poder tener mayor precisión al
momento de escoger la mejor topología de la RNA.
o Actividad 2.5: Definir la cantidad de nodos de capa oculta
La cantidad de nodos de capa oculta serán representados con ‘q’.
Para poder determinar la cantidad de nodos de la capa oculta se
asume que el valor inicial del número de nodos de capa oculta es
igual a la raíz cuadrada del producto de las entradas y salidas (m
y n respectivamente), regla común en redes Ad Hoc. Con esto se
tendrá una medida del parámetro de interés. Es importante
recordar que mediante pruebas de ensayo y error se pueden
agregar más nodos y así poder comparar los errores de ajuste y

29
 de predicción, con lo que finalmente se podrá tener una medida
cierta de la cantidad de nodos de capa oculta que mejor se ajuste
al modelo a desarrollar.
o Actividad 2.6: Definir Algoritmo de entrenamiento
Como algoritmo de entrenamiento se utilizará el de
backpropagation, el cual, como se mencionó en secciones
anteriores consiste en una red con arquitectura en niveles y
conexiones estrictamente hacia adelante entre las neuronas y
hace uso de un aprendizaje supervisado.
o Actividad 2.7: Seleccionar los pesos iniciales
El proceso de selección de los pesos iniciales es vital y crucial
durante la construcción de la RNA. Se va a utilizar varios
conjuntos de valores iniciales hasta conseguir buenos resultados
y escoger el conjunto de valores que brinde el menor promedio
entre la raíz de cuadrados de los errores del ajuste y la predicción.
o Actividad 2.8: Entrenar la RNA seleccionada
El proceso de entrenamiento es uno de los pasos esenciales
dentro de la metodología del proceso de predicción del modelo
de RNA ya que para esto se requiere establecer un máximo de
ciclos, que error se tendrá como umbral de convergencia y cuál
será la tasa de aprendizaje. Una vez definido esto se tendrá
establecida la RNA con su respectiva ecuación la cual a su vez
generará los valores de la serie de tiempo ajustada o producido
por la RNA, haciendo uso de los patrones de entrenamiento ya
descritos.
o Actividad 2.9: Predecir
Como último paso se realizará la predicción del modelo de RNA
planteado, en este proceso se obtendrá el valor de predicción
(t+1) a través de la ecuación de la RNA definida previamente.
Es importante destacar el hecho de que si se desean obtener
predicciones más allá del periodo (t+1) se debe utilizar como
entrada el periodo previo, es decir, (t+1) sería la entrada para
producir la predicción (t+2), y así sucesivamente, tomando en
cuenta que se debe calcular el respectivo error de predicción.

30
 FASE IV: DESARROLLO DE LA HERRAMIENTA (SISTEMA
INFORMÁTICO).
o Actividad 4.1: Implementar Diseño de la RNA.
 Entrada: Diseño de la RNA
 Salida: Sistema Informático

FASE V: IMPLANTACIÓN
o Actividad 3.1: Validar utilidad de la herramienta
(Aplicación).
 Entrada: Pronóstico y ventas del producto seleccionado.

5.1. Modelo del Proceso de Pronóstico

Flujo para el proceso de pronóstico usando Redes Neuronales Artificiales

Figura Nro. 5: Flujo del proceso de pronóstico con RNAs

Recopilar información Segmentar y escalar los

Diseñar RNA base histórica de la demanda del datos para el
producto seleccionado entrenamiento y el testeo

Entrenar la RNA con los

Definir configuración Testear la RNA con datos
datos escalados para el
óptima de la RNA escalados para el testeo entrenamiento

Implementar Sistema
Informático

Fuente: Elaboración Propia

5.1.1 Diseño de la RNA base:

Selección del Producto.
Se va a seleccionar el producto “Ropero SKU 4355” ya que posee demanda variable, de
acuerdo con la información histórica. El producto “Ropero SKU 4355” es exclusivo, es
decir es un diseño SKU propio, sin embargo, se debe mencionar que la venta de productos

31
es afectada por una serie de variables que determinan su demanda en un momento
determinado. La denotación y descripción de los productos se menciona a continuación
en la Tabla 6.
Tabla Nro. 6. Descripción del Producto Seleccionado “Ropero SKU 4355”
Producto Descripción
SKU123 Producto con diseño ergonómico, pensado para
gente con un estilo de vida progresista entre 25 y
40 años.
Fuente: Elaboración Propia

Definir las variables de entrada:

Se debe incluir en el modelo las variables que influyan realmente sobre la demanda o la
variable dependiente. Teniendo en cuenta lo comentado anteriormente, se seleccionó un
conjunto de variables que permitirán evaluar diferentes aspectos influyentes en el
pronóstico de la demanda de productos de melamina.
Para la identificación de las variables se hizo uso de la observación, revisión de
documentos así como de entrevistas tanto al Jefe de Marketing como al Jefe de Ventas
(Ver Anexo I y II). En la definición de las variables de entrada se tratan de identificar
todos los parámetros que afectan o influyen en la venta del producto seleccionado.
En la Tabla 7, se muestra las variables de entrada consideradas

Tabla Nro. 7: Variables de entrada para pronosticar la demanda del producto

“Ropero SKU 4355”
Variable Descripción Valor o Unidad Código o Escala
M Mes Enero 1
Febrero 2
Marzo 3
Abril 4
Mayo 5
Junio 6
Julio 7
Agosto 8
Setiembre 9

32
 Variable Descripción Valor o Unidad Código o Escala
Octubre 10
Noviembre 11
Diciembre 12
T Modo en que la Armado 1
tienda exhibe el Sólo catálogo 0
producto
PR Precio del producto Soles Numérico
PE Promoción especial Agresiva 2
del producto Moderada 1
No se realiza 0
TP Tiempo de duración Días Rango discreto
de la promoción entre 0 y 30
especial
MK Publicidad del Todos 10
producto en medios Televisión 5
de comunicación Internet 4
Radio 3
Show Room 2
Banner de 1
publicidad en la
tienda
No se hace 0
JT Nivel de Senior 5
experiencia del jefe Semi Senior 3
o encargado de la Junior 1
tienda
Fuente: Elaboración Propia

Definir la(s) variable(s) de salida

El objetivo del modelo es pronosticar la cantidad demandada del producto seleccionado
de manera mensual, por lo cual la variable de salida equivale a la cantidad de unidades
del producto que se venderá en un determinado mes (Y).

33
 Y = Cantidad pronosticada del producto “Ropero SKU 4355”

Se tendrá una salida por cada red neuronal implementada, cada una corresponde al
producto referenciado en la Tabla 6.
Topología de la RNA
La red neuronal consta de un determinado número de capas (1 de entrada, “n” ocultas y
1 de salida), la capa de entrada está compuesta por neuronas que representa la cantidad
de variables de entrada (7 en este caso), las “n” capas ocultas constan de “k” neuronas y
la capa de salida con una neurona, que representa el resultado del sistema.
Esta configuración debe obtenerse mediante las pruebas.
La topología de la RNA a usar tiene las siguientes características:
 Tipo de red: Perceptrón multicapa. Es una red multicapa unidireccional con
conexiones que pasan las salidas en una única dirección a neuronas de la siguiente
capa. Se ha seleccionado este tipo de red porque de acuerdo a los antecedentes
revisados es una de las RNA más usadas para pronósticos y con mejores resultados.
 Número de neuronas en la capa de entrada: 7. Corresponde a las variables de
entrada determinadas en la Tabla Nro. 7
 Número de capas ocultas: “n”, valor que será determinado por prueba y error.
 Número de neuronas en la capa oculta: “k”, valor que será hallado en las pruebas
en el entrenamiento de la RNA.
 Número de neuronas en la capa de Salida: 1, valor establecido de acuerdo con la
indicado en la definición de las variables de salida.
 Método matemático para el aprendizaje: Descenso del gradiente.
 Algoritmo de aprendizaje y validación: Backpropagation.
 Función de activación de las neuronas de la capa oculta: Sigmoide. Esta función
tiene salidas entre 0 y 1, además se ha verificado, de acuerdo con los antecedentes
que tiene un buen desempeño en la última capa o capa de salida. Su expresión se
observa en (2)

(2)

34
En la Figura Nro. 6, se representa el modelo de perceptrón multicapa que se utilizará para
el pronóstico de los productos descritos en la Tabla 6. donde se muestran las variables de
entrada (M, T, PR, PE, TP, MK, JT) descritos en la Tabla 7 y el número de capas ocultas
y la cantidad neuronas en cada una de ellas, además de la salida “Y” que representa la
cantidad demandada del producto seleccionado.

Figura Nro. 6: Modelo de la RNA “Neuroleon” para el pronóstico de la demanda

de Leoncito Sociedad Anónima.

Fuente: Elaboración Propia.

Recopilar información histórica de la demanda del producto seleccionado

Se recolectaron los datos asociados a las variables definidas en la Tabla 7
correspondientes al producto “ABC” para cada mes de los años desde el 2011 al 2018
brindados por la empresa Leoncitos Sociedad Anónima. De este conjunto se van a
seleccionar un grupo de datos para la fase de entrenamiento, estos datos corresponden a
los relacionados con los años 2011, 2012, 2013, 2014, 2015 y otro grupo de datos para la
fase de validación que corresponden a los meses del año 2016 hasta el 2018. Los datos

35
obtenidos para el producto “Ropero SKU 4355” se muestran en la Tabla Nro. 8. La
variable PR que corresponde al Precio ha sido obtenida a partir de los registros históricos
de la empresa, el resto de las variables de entrada han sido estimadas por el experto
encargado de la actividad de pronóstico, dichas variables juegan un papel.
Grupo de datos para el entrenamiento: De los años 2011 al 2015
Grupo de datos para la validación o testeo: De los años 2016 al 2017

Tabla Nro. 08: Valores de las variables de entrada para el producto seleccionado
Año I M T PR PE TP MK JT Y
2011 1 1 1 1279 0 0 0 1 115
2011 2 2 0 1259 0 0 0 1 109
2011 3 3 0 1259 0 0 0 1 59
2011 4 4 0 1259 2 8 0 1 65
2011 5 5 0 1259 1 7 0 1 167
2011 6 6 0 1259 1 0 0 1 85
2011 7 7 0 1259 2 15 0 1 136
2011 8 8 0 1200 1 4 0 1 71
2011 9 9 0 1200 1 2 0 1 92
2011 10 10 0 1200 1 0 0 1 59
2011 11 11 0 1259 1 0 0 1 73
2011 12 12 0 1259 2 15 2 1 198
2012 13 1 0 1199 0 0 2 1 68
2012 14 2 0 1199 0 0 1 1 45
2012 15 3 0 1399 1 0 1 1 41
2012 16 4 1 1399 1 8 2 3 85
2012 17 5 1 1399 1 7 5 3 119
2012 18 6 1 1399 1 2 4 3 77
2012 19 7 1 1359 2 0 4 3 208
2012 20 8 1 1359 2 8 4 3 89
2012 21 9 1 1359 2 0 4 3 92
2012 22 10 1 1329 1 2 4 3 59
2012 23 11 0 1329 1 15 4 3 93
2012 24 12 0 1329 2 4 5 3 223
2013 25 1 1 1389 2 2 0 3 89
2013 26 2 0 1389 1 4 0 3 109

36
Año I M T PR PE TP MK JT Y
2013 27 3 1 1389 1 0 0 3 95
2013 28 4 0 1389 2 15 1 3 84
2013 29 5 0 1389 1 7 2 3 112
2013 30 6 1 1389 1 4 4 3 99
2013 31 7 1 1359 2 15 5 3 136
2013 32 8 1 1359 0 4 4 3 91
2013 33 9 1 1359 0 2 4 3 92
2013 34 10 1 1399 1 4 4 3 59
2013 35 11 1 1399 1 0 4 3 73
2013 36 12 1 1399 2 15 4 3 209
2014 37 1 1 1379 1 0 4 3 109
2014 38 2 1 1379 1 4 4 3 109
2014 39 3 1 1379 1 0 4 3 49
2014 40 4 1 1379 1 8 4 3 61
2014 41 5 1 1379 1 7 4 3 104
2014 42 6 0 1379 1 0 4 3 39
2014 43 7 0 1379 2 15 4 3 119
2014 44 8 0 1379 1 4 4 3 71
2014 45 9 1 1379 1 2 4 3 92
2014 46 10 1 1379 1 0 4 3 61
2014 47 11 1 1379 1 0 4 3 73
2014 48 12 1 1379 2 15 10 3 201
2015 49 1 1 1399 0 0 4 5 115
2015 50 2 1 1399 0 4 4 5 111
2015 51 3 1 1299 0 0 4 5 84
2015 52 4 1 1399 1 8 4 5 70
2015 53 5 1 1399 1 7 10 5 93
2015 54 6 1 1399 1 0 4 5 74
2015 55 7 1 1299 2 15 10 5 127
2015 56 8 1 1399 0 4 4 5 101
2015 57 9 1 1399 1 2 4 5 99
2015 58 10 0 1399 1 0 4 5 85
2015 59 11 0 1399 1 0 4 5 96
2015 60 12 0 1299 2 15 10 5 275

37
Año I M T PR PE TP MK JT Y
2016 61 1 1 1399 0 0 4 3 98
2016 62 2 0 1399 0 4 4 3 87
2016 63 3 0 1399 1 0 4 3 101
2016 64 4 1 1399 1 8 4 3 93
2016 65 5 0 1399 1 7 10 3 117
2016 66 6 1 1399 2 0 4 3 98
2016 67 7 0 1359 2 15 10 3 171
2016 68 8 0 1399 1 4 4 3 95
2016 69 9 1 1399 0 2 4 3 92
2016 70 10 1 1399 0 0 4 3 87
2016 71 11 1 1399 1 0 4 3 79
2016 72 12 1 1359 2 15 10 5 277
2017 73 1 1 1399 0 0 4 5 109
2017 74 2 1 1399 0 4 4 5 101
2017 75 3 1 1399 1 0 4 5 97
2017 76 4 1 1359 1 0 4 5 100
2017 77 5 1 1399 1 7 10 5 121
2017 78 6 1 1399 1 0 4 5 87
2017 79 7 1 1359 2 15 10 5 139
2017 80 8 1 1399 1 4 4 5 97
2017 81 9 1 1399 1 2 4 5 101
2017 82 10 1 1399 1 0 4 5 85
2017 83 11 1 1399 1 0 4 5 77
2017 84 12 1 1329 2 15 10 5 299
2018 85 1 1 1429 0 0 4 5 124
2018 86 2 0 1429 0 4 4 5 103
2018 87 3 1 1429 0 0 4 5 98
2018 88 4 1 1399 1 0 4 5 91
2018 89 5 1 1399 1 7 10 5 107
2018 90 6 1 1429 1 0 4 5 82
2018 91 7 1 1399 2 15 10 5 197
2018 92 8 1 1429 1 4 4 5 123
2018 93 9 1 1429 1 2 4 5 107
2018 94 10 1 1429 1 0 4 5 95

38
 Año I M T PR PE TP MK JT Y
2018 95 11 1 1399 1 4 4 5 91
2018 96 12 1 1399 2 15 10 5 276
Fuente: Elaboración Propia basada en la información de la empresa Leoncito Sociedad
Anónima.

En la Tabla 8 se muestra los datos recopilados, donde i es la cantidad de datos de la

muestra. A continuación, se describirá un registro para detallar claramente los valores que
toma cada variable de entrada para un determinado registro en el tiempo (mensualmente).
Ejemplo: Para el conjunto de datos del registro i=1 se tiene:
 M=1, indica que el mes es enero.
 T=1, indica que la exhibición del producto fue “armado” (visible)
 PR=1279, indica que el precio del producto fue 1279 soles.
 PE=0, indica que no hubo promoción especial.
 TP=0, No hubo días de publicidad en ese mes.
 MK=0, indica que no se usó ningún medio para promocionar el producto.
 JT=1, indica que el jefe o encargado de la tienda no tiene experiencia previa, es
decir tiene categoría Junior.

Escalamiento de Datos
El proceso de escalamiento o normalización de datos es necesario porque se requiere tener
datos uniformes ya que las unidades de cada variable son diferentes (por ejemplo, las
unidades de la variable de entrada “Precio” son demasiado altas a comparación de las
unidades del resto de variables) y se diferencian de manera evidente. Con este proceso de
escalamiento el propósito es obtener valores uniformes de entrada en un rango de 0-1 para
que no existan dependencias de ninguna variable para la obtención del resultado ya que
cada una de ellas influye en el pronóstico de manera análoga. Este proceso se ha llevado
con la aplicación de la ecuación (1).

En la Tabla Nro. 09 se muestran los resultados del proceso de escalamiento

39
 Tabla Nro. 09: Resultados del proceso de Escalamiento.
Año I M T PR PE TP MK JT Y
2011 1 0.0000 1 0.3478 0 0.0000 0 0 0.2923
2011 2 0.0909 0 0.2609 0 0.0000 0 0 0.2692
2011 3 0.1818 0 0.2609 0 0.0000 0 0 0.0769
2011 4 0.2727 0 0.2609 1 0.5333 0 0 0.1000
2011 5 0.3636 0 0.2609 0.5 0.4667 0 0 0.4923
2011 6 0.4545 0 0.2609 0.5 0.0000 0 0 0.1769
2011 7 0.5455 0 0.2609 1 1.0000 0 0 0.3731
2011 8 0.6364 0 0.0043 0.5 0.2667 0 0 0.1231
2011 9 0.7273 0 0.0043 0.5 0.1333 0 0 0.2038
2011 10 0.8182 0 0.0043 0.5 0.0000 0 0 0.0769
2011 11 0.9091 0 0.2609 0.5 0.0000 0 0 0.1308
2011 12 1.0000 0 0.2609 1 1.0000 0.2 0 0.6115
2012 13 0.0000 0 0.0000 0 0.0000 0.2 0 0.1115
2012 14 0.0909 0 0.0000 0 0.0000 0.1 0 0.0231
2012 15 0.1818 0 0.8696 0.5 0.0000 0.1 0 0.0077
2012 16 0.2727 1 0.8696 0.5 0.5333 0.2 0.5 0.1769
2012 17 0.3636 1 0.8696 0.5 0.4667 0.5 0.5 0.3077
2012 18 0.4545 1 0.8696 0.5 0.1333 0.4 0.5 0.1462
2012 19 0.5455 1 0.6957 1 0.0000 0.4 0.5 0.6500
2012 20 0.6364 1 0.6957 1 0.5333 0.4 0.5 0.1923
2012 21 0.7273 1 0.6957 1 0.0000 0.4 0.5 0.2038
2012 22 0.8182 1 0.5652 0.5 0.1333 0.4 0.5 0.0769
2012 23 0.9091 0 0.5652 0.5 1.0000 0.4 0.5 0.2077
2012 24 1.0000 0 0.5652 1 0.2667 0.5 0.5 0.7077
2013 25 0.0000 1 0.8261 1 0.1333 0 0.5 0.1923
2013 26 0.0909 0 0.8261 0.5 0.2667 0 0.5 0.2692
2013 27 0.1818 1 0.8261 0.5 0.0000 0 0.5 0.2154
2013 28 0.2727 0 0.8261 1 1.0000 0.1 0.5 0.1731
2013 29 0.3636 0 0.8261 0.5 0.4667 0.2 0.5 0.2808
2013 30 0.4545 1 0.8261 0.5 0.2667 0.4 0.5 0.2308
2013 31 0.5455 1 0.6957 1 1.0000 0.5 0.5 0.3731
2013 32 0.6364 1 0.6957 0 0.2667 0.4 0.5 0.2000
2013 33 0.7273 1 0.6957 0 0.1333 0.4 0.5 0.2038

40
Año I M T PR PE TP MK JT Y
2013 34 0.8182 1 0.8696 0.5 0.2667 0.4 0.5 0.0769
2013 35 0.9091 1 0.8696 0.5 0.0000 0.4 0.5 0.1308
2013 36 1.0000 1 0.8696 1 1.0000 0.4 0.5 0.6538
2014 37 0.0000 1 0.7826 0.5 0.0000 0.4 0.5 0.2692
2014 38 0.0909 1 0.7826 0.5 0.2667 0.4 0.5 0.2692
2014 39 0.1818 1 0.7826 0.5 0.0000 0.4 0.5 0.0385
2014 40 0.2727 1 0.7826 0.5 0.5333 0.4 0.5 0.0846
2014 41 0.3636 1 0.7826 0.5 0.4667 0.4 0.5 0.2500
2014 42 0.4545 0 0.7826 0.5 0.0000 0.4 0.5 0.0000
2014 43 0.5455 0 0.7826 1 1.0000 0.4 0.5 0.3077
2014 44 0.6364 0 0.7826 0.5 0.2667 0.4 0.5 0.1231
2014 45 0.7273 1 0.7826 0.5 0.1333 0.4 0.5 0.2038
2014 46 0.8182 1 0.7826 0.5 0.0000 0.4 0.5 0.0846
2014 47 0.9091 1 0.7826 0.5 0.0000 0.4 0.5 0.1308
2014 48 1.0000 1 0.7826 1 1.0000 1 0.5 0.6231
2015 49 0.0000 1 0.8696 0 0.0000 0.4 1 0.2923
2015 50 0.0909 1 0.8696 0 0.2667 0.4 1 0.2769
2015 51 0.1818 1 0.4348 0 0.0000 0.4 1 0.1731
2015 52 0.2727 1 0.8696 0.5 0.5333 0.4 1 0.1192
2015 53 0.3636 1 0.8696 0.5 0.4667 1 1 0.2077
2015 54 0.4545 1 0.8696 0.5 0.0000 0.4 1 0.1346
2015 55 0.5455 1 0.4348 1 1.0000 1 1 0.3385
2015 56 0.6364 1 0.8696 0 0.2667 0.4 1 0.2385
2015 57 0.7273 1 0.8696 0.5 0.1333 0.4 1 0.2308
2015 58 0.8182 0 0.8696 0.5 0.0000 0.4 1 0.1769
2015 59 0.9091 0 0.8696 0.5 0.0000 0.4 1 0.2192
2015 60 1.0000 0 0.4348 1 1.0000 1 1 0.9077
2016 61 0.0000 1 0.8696 0 0.0000 0.4 0.5 0.2269
2016 62 0.0909 0 0.8696 0 0.2667 0.4 0.5 0.1846
2016 63 0.1818 0 0.8696 0.5 0.0000 0.4 0.5 0.2385
2016 64 0.2727 1 0.8696 0.5 0.5333 0.4 0.5 0.2077
2016 65 0.3636 0 0.8696 0.5 0.4667 1 0.5 0.3000
2016 66 0.4545 1 0.8696 1 0.0000 0.4 0.5 0.2269
2016 67 0.5455 0 0.6957 1 1.0000 1 0.5 0.5077

41
 Año I M T PR PE TP MK JT Y
2016 68 0.6364 0 0.8696 0.5 0.2667 0.4 0.5 0.2154
2016 69 0.7273 1 0.8696 0 0.1333 0.4 0.5 0.2038
2016 70 0.8182 1 0.8696 0 0.0000 0.4 0.5 0.1846
2016 71 0.9091 1 0.8696 0.5 0.0000 0.4 0.5 0.1538
2016 72 1.0000 1 0.6957 1 1.0000 1 1 0.9154
2017 73 0.0000 1 0.8696 0 0.0000 0.4 1 0.2692
2017 74 0.0909 1 0.8696 0 0.2667 0.4 1 0.2385
2017 75 0.1818 1 0.8696 0.5 0.0000 0.4 1 0.2231
2017 76 0.2727 1 0.6957 0.5 0.0000 0.4 1 0.2346
2017 77 0.3636 1 0.8696 0.5 0.4667 1 1 0.3154
2017 78 0.4545 1 0.8696 0.5 0.0000 0.4 1 0.1846
2017 79 0.5455 1 0.6957 1 1.0000 1 1 0.3846
2017 80 0.6364 1 0.8696 0.5 0.2667 0.4 1 0.2231
2017 81 0.7273 1 0.8696 0.5 0.1333 0.4 1 0.2385
2017 82 0.8182 1 0.8696 0.5 0.0000 0.4 1 0.1769
2017 83 0.9091 1 0.8696 0.5 0.0000 0.4 1 0.1462
2017 84 1.0000 1 0.5652 1 1.0000 1 1 1.0000
2018 85 0.0000 1 1.0000 0 0.0000 0.4 1 0.3269
2018 86 0.0909 0 1.0000 0 0.2667 0.4 1 0.2462
2018 87 0.1818 1 1.0000 0 0.0000 0.4 1 0.2269
2018 88 0.2727 1 0.8696 0.5 0.0000 0.4 1 0.2000
2018 89 0.3636 1 0.8696 0.5 0.4667 1 1 0.2615
2018 90 0.4545 1 1.0000 0.5 0.0000 0.4 1 0.1654
2018 91 0.5455 1 0.8696 1 1.0000 1 1 0.6077
2018 92 0.6364 1 1.0000 0.5 0.2667 0.4 1 0.3231
2018 93 0.7273 1 1.0000 0.5 0.1333 0.4 1 0.2615
2018 94 0.8182 1 1.0000 0.5 0.0000 0.4 1 0.2154
2018 95 0.9091 1 0.8696 0.5 0.2667 0.4 1 0.2000
2018 96 1.0000 1 0.8696 1 1.0000 1 1 0.9115
Fuente: Elaboración Propia

42
6. Matriz de consistencia
Tabla Nro. 10: Matriz de Consistencia
FORMULACIÓN DEL PROBLEMA MÉTODO DE INVESTIGACIÓN

¿De qué manera se puede mejorar el pronostico de la demanda en la empresa Leoncito TIPO DE INVESTIGACIÓN NIVEL DE INVESTIGACIÓN
Sociedad Anónima? Ex post facto Investigación aplicativa predictiva

OBJETIVO GENERAL MÉTODO DESCRIPCIÓN

Mejorar el pronostico de la demanda en la empresa Leoncito Sociedad Anónima a través de la Se estudia y analiza el problema de los pronósticos de la demanda y su
Analítico
implementación de un sistema informático de pronóstico de demanda, basado en redes influencia en la planificación.
neuronales artificiales. Solución basada en RNA, porque los antecedentes demuestran que este
Deductivo
método es la solución óptima para el problema identificado
Implementación Se va a implementar en la empresa la solución propuesta
ELEMENTOS DE
TÉCNICAS INSTRUMENTOS PROPÓSITO
LA POBLACIÓN
Actividades que se
realizan para el
Lista de cotejo,
pronosticar las Verificar el procedimiento
Observación cámara de fotos,
ventas, presupuestos actual de pronóstico.
grabadoras
de ventas,
producción.
Identificar métodos usados
Personal de Ventas,
para pronosticar, variables
Encuesta Escala de Likert Producción, Tiendas
o parámetros a
y Clientes
onsiderarpara pronosticar.
Conocer la empresa, sus
objetivos y la
imp
orta
ncia
de la
Entrevista Cuestionario Gerente General plan
eaci
ón
en la
orga
niza
ción
Revisión y Revisar documentación de
Ficha de registro de Datos históricos de
análisis los métodos de pronóstico,
datos ventas,
documental y los resultados históricos

43
 presupuestos, de las ventas de los
producción. productos SKU.
OBJETIVOS ESPECÍFICOS DESCRIPCIÓN DEL LOGRO DE LOS OBJETIVOS ESPECÍFICOS INDICADORES
1. Identificar los factores o
variables que determinan el
comportamiento de la demanda
de productos, estableciendo las
variables y los datos requeridos
de acuerdo con el tipo de
producto.

2. Determinar la estructura de la 1. Número de Variables o parámetros

Red Neuronal Artificial a emplear
para pronosticar la demanda de
productos en la empresa Leoncito
Sociedad Anónima, considerando
las variables que influyen o
impactan en la demanda.
3. Desarrollar el sistema
informático que implemente la
Red Neuronal Artificial para
procesar cada uno de los
parámetros identificados.
4. Evaluar los pronósticos
obtenidos y determinar el nivel de
precisión, respecto del valor real,
de la demanda de productos,
proporcionando a la gerencia
información confiable para la
toma de decisiones.
definidos para el pronòstico.
1. Listado de los parámetros o variables requeridos que se deben usar para realizar el pronóstico
Mediciones o datos històricos de las
indicando sus características y cómo se van a medir.
variables.
2. Topologìa de la RNA: Tipo de Red, Número de neuronas en cada capa, método matemático para el 2. Número de RNAs determinadas de
aprendizaje, algoritmo de aprendizaje y validación, función de activación de las neuronas de la capa acuerdo con las variables o parámetros
oculta. identificados a evaluar.
3. Número de Sistema informàtico de
3. Sistema Informático de Redes Neuronales Artificiales RNA implementados.
4. Porcentaje de error o desviación entre
4. Valor del pronóstico de la demanda obtenida por el sistema informàtico y el valor real de la
el valor real y el valor de pronóstico
demanda.
que este dentro del apetito de riesgo
solicitado por la Gerencia +- 2.5%.

Fuente: Elaboración Propia

44
4.2. Resultados esperados
De la ejecución del presente proyecto de tesis, se espera obtener los
siguientes resultados: la implementación de un programa software, como
máscara de MATLAB, en JAVA y que se desarrollará usando el IDE Net
Beans 6.5.
6.2.1. Definición del Producto por Obtener:
El software que se usará para el pronóstico será implementado con el IDE
de JAVA, NetBeans 6.5, J.D.K. 5.0. que nos permitirá crear una interfaz
gráfica amigable para el usuario. Para la creación de la red se usará el
MATLAB y el lenguaje utilizado para la creación de la interfaz gráfica es
JAVA
6.2.2. Alcance del sistema
El aplicativo NEUROLEON permitirá acceso a 2 tipos de usuario: un
usuario operado y un usuario Administrador que posean una cuenta de
usuario y que previamente hayan instalado satisfactoriamente el sistema
software. A continuación, se listarán las acciones que los usuarios podrán
realizar:
Perfil Operador
o Seleccionar producto.
o Registrar parámetros para el pronóstico.
o Calcular pronostico.
Perfil Administrador
o Crear una RNA
o Entrenar la RNA.
o Validar la RNA de acuerdo con los datos del producto.
o Realizar pronósticos
o Configurar parámetros (valores máximos) para el entrenamiento
de la RNA (entradas de la red).

45
6.2.3. Diseño de Interfaces

Figura Nro. 07: Prototipos del Sistema - Interfaz de Pronóstico

Fuente: Elaboración Propia

46
Figura Nro. 08: Prototipos del Sistema - Interfaz de Crear RNA

Fuente: Elaboración Propia

47
Figura Nro. 09: Prototipos del Sistema - Interfaz de Configuración
- Valores máximos

Fuente: Elaboración Propia

48
Figura Nro. 10: Prototipos del Sistema - Interfaz de Validación de
la RNA

Fuente: Elaboración Propia

49
4.2.4. Restricciones y Requisitos No Funcionales
Restricciones:
o La aplicación desarrollada estará cobijada bajo la especificación de
software libre.
o La herramienta usada para la creación del prototipo del producto
software es Adobe XD versión 23.1
Requisitos No Funcionales:
o Los usuarios deben haber descargado e instalado satisfactoriamente
con anterioridad la aplicación en sus dispositivos móviles.
o Los usuarios deben tener conexión a Internet al momento de ejecutar
la aplicación.
o Interfaz de usuario:
El aplicativo debe presentar una interfaz gráfica amigable con el usuario,
siendo clara y de fácil manejo.
Requerimientos de Hardware y Software para pruebas
o Hardware:
 01 computadora de 4 GB de Memoria RAM, 2.8 GHz de Procesador
y 500 GB de disco duro.
 Software:
 Herramienta MATLAB 9.0
 Entorno Java (IDE Netbeans 6.5), jdk 6.0, Libreria JmatLink 3.0
(jMatLink.dll).
 Sistema Operativo: Windows 10.

50
V. CRONOGRAMA
Tabla Nro. 11: CRONOGRAMA DE ACTIVIDADES

51
VI. PRESUPUESTO
6.1. Presupuesto del producto acreditable
Tabla Nro. 12: PRESUPUESTO DEL PRODUCTO ACREDITABLE

Fuente: Elaboración Propia

6.2. Presupuesto tecnológico

TABLA Nro. 13: PRESUPUESTO TECNOLÓGICO

6.3. Resumen presupuestal

TABLA Nro. 14: IRESUMEN PRESUPUESTAL

FUENTE: ELABORACIÓN PROPIA

52
VII. COLABORADORES
TABLA Nro. 15: COLABORADORES

Nª COLABORADOR TIPO DE APOYO ESPECIFICACIÓN DEL APOYO

1 Rubén Barrantes Financiero

2 Empresa Leoncito Sociedad Anónima Información
3 María Arangurí García Académico

53
 BIBLIOGRAFÍA

[1] M.A. Salazar y M. Cabrera, “Pronóstico de demanda por medio de redes neuronales
artificiales”, División de Posgrado en Ingeniería de Sistemas, FIME-UNAL, Ingenierías,
Abril – Junio 2007, vol. X, nro. 35.

[2] Y.O. Lao, M.C. Pérez y F. Marrero, “Herramienta para el pronóstico de la demanda a
través de Redes neuronales artificiales perceptrón multicapa. Casos de estudio:
EMCOMED y EMPA Holguín”, Simposio Internacional “Desarrollo del comercio y los
servicios en Cuba”

[3] “Pronóstico de la demanda del mercado”. [En línea]. Disponible en:

http://www.cca.org.mx/cca/cursos/administracion/artra/comerc/planes/8.2.1/ppal_pro.ht
m. [Accedido: 17-oct-2019].

[4] “Pronóstico, Planificación y Programación de la Producción”, Monografías.com. [En

línea]. Disponible en: https://www.monografias.com/trabajos102/pronostico-
planificacion-y-programacion-produccion/pronostico-planificacion-y-programacion-
produccion.shtml. [Accedido: 17-oct-2019].

[5] C. Gonzáles Clavijo, “Utilidad del método de redes neuronales artificiales para el
pronóstico de demanda en marcas de consumo masivo”, tesis de maestría, Universidad
Militar Nueva Granada, 2018.

[6] D. Jiménez, D. Análisis y pronósticos de demanda para telefonía móvil, 2011, Santiago
de Chile: Universidad de Chile.

[7] G. Garduño, Metodología para calcular el pronóstico de ventas y una medición de su

precisión en una empresa farmacéutica: caso de estudio, 2011, México, D.F.: Instituto
Politécnico Nacional.

[8] A. Ariza, Métodos utilizados para el pronóstico de demanda de energía eléctrica en

sistemas de distribución, 2013, Pereira: Universidad Tecnológica de Pereira.

[9] “Sólo 6% de empresas mexicanas tiene área de pronósticos: Corporate”, ELogistica. [En
Línea]. Disponible en: http://www.logisticamx.enfasis.com/notas/20360-solo-6-las-
empresas-mexicanas-tiene-area-pronosticos-corporate. [Accedido: 17-oct.2019]

[10] “Pronóstico de la demanda”, [En línea]. Disponible en:

http://allman.rhon.itam.mx/~oromero/Notas3_Pronostico_e_Inventarios_Diplomado_Pl
an_y_Dir_Ope.pdf. [Accedido: 17-oct-2019]

[11] “Pronósticos en los negocios”, Iosa, [En Línea]. Disponible en:

http://iosa.com.pe/pronosticos-en-los-negocios/. [Accedido en: 17-oct-2019]

[12] E. Gil Zavaleta y E. Rodríguez Collas, “Sistema de pronóstico de la demanda de

productos farmacéuticos basado en redes neuronales”, tesis para optar el título de
Ingeniero de Sistemas, Universidad Nacional Mayor de San Marcos, 2010.
54
[13] L.C Hinostroza Huanay, “Manejo de pronósticos e inventarios para la mejora del
desempeño de las operaciones en una empresa textil peruana”, Tesis para optar el título
profesional de ingeniero industrial y comercial, Universidad San Ignacio de Loyola,
Lima, 2016.

[14] L. Villena Pairazamán, “Aplicación de redes neuronales artificiales y su

Optimización para el pronóstico de la demanda del agua Potable en la empresa EPSEL S.
A. de Mocupe”, tesis de pregrado, Universidad Señor de Sipán, Pimentel, 2016.

[15] E.O. Álvarez y L.M. Sierra, “Modelo de red neuronal recurrente en la predicción de
las variables estratégicas de marketing y venta de la industria de panificación”, tesis de
maestría, Universidad Nacional de Ingeniería, 2010.

[16] M.A. Malaver Elera, “Aplicación de redes neuronales para determinar el pronóstico
de las ventas en la empresa Catering & Buffets MyS ubicada en la ciudad de Piura”,
tesis para optar el título de Ingeniero de Sistemas, Universidad César Vallejo, Piura,
2015.

[17] J. Jost y otros, “Learning and structure of neuronal networks”, pp. 817- 826. En:
revista Pramana: Journal of Physics. Vol. 7, 2011.

[18] D. Bassett y otros “Learning, memory and the role of neuronal network architecture”,
pp. 1-12. En: revista PLOS Computational Biology. Vol. 7, 2011.

[19] S.A. Acuña, D.A. Curotto, “Propuesta de un Modelo de Gestión de Planeamiento y

Control de la Producción, Basado en la Gestión por Procesos, en Asociaciones de Mypes
del Sector Calzado para Hacer Frente a Pedidos de Gran Tamaño en Lima”, tesis para
optar el título de Ingeniero Industrial, Universidad Peruana de Ciencias Aplicadas, Lima,
2013.

[20] L. Krajewski, L. Ritzman, & M. Malhotra. “Administración de operaciones”.

Mexico: Pearson Educación, 2008

[21] C. Pretel, O. Galvis, L. Rendón & J. Osorio, “Dinámica de sistemas para la selección
de un sistema de pronóstico con base en el impacto de excesos y faltantes.” Revista S&T,
11(24), 55-7, 2013.

55
ANEXO 1: ENCUESTA PARA IDENTIFICAR FACTORES DE LA DEMANDA

Nombre:
Área:
Cargo:

Objetivo: Obtener las variables actuales con las que cuenta el experto para poder hallar
la cantidad de demanda del producto “Ropero SKU 4355”.

1. Existen variables que son determinantes para el pronóstico de la demanda de un

producto, en el caso del producto “Ropero SKU 4355” ¿Cuáles son a su criterio
esas variables?

2. Indicar variables que actualmente se consideran para el pronóstico de la demanda

y agregue variables que influyen en la demanda y actuablemente no las
consideran.

3. ¿Qué métodos de predicción se usa actualmente en la empresa?

4. ¿Cuál es la variable que le resulta en mayor complejidad para ser incorporado en

su actual método de predicción?

56
ANEXO 2: TRANSCRIPCIÒN DE LA ENCUESTA AL JEFE DE MARKETING

Nombre: Angie Còrdova

Área: Marketing y Ventas
Cargo: Jefe de Marketing

Objetivo: Obtener las variables actuales con las que cuenta el experto para poder hallar
la cantidad de demanda del producto “Ropero SKU 4355”.

1. Existen variables que son determinantes para el pronóstico de la demanda de un

producto, en el caso del producto “Ropero SKU 4355” ¿Cuáles son a su criterio
esas variables?
Rpta: Sì, evidentemente existen varios factores que influyen en la aceptación y
demanda de un producto, algunos de estos factores son obvios y algunos no tantos.
El factor relacionado con la idiosincrasia o cultura del cliente son importantes y
difíciles de cuantificar. Con relación al producto “Ropero SKU 4355” es un muy
buen diseño, y es el que siempre se fabrica por la gran aceptación que tiene, para
poder calcular cùantos se van a fabricar, se toman en cuenta: la época del año, la
tienda en la que se va exhibir, las promociones y ofertas que se realizan, la
capacidad de los jefes de tienda para promocionar el producto de acuerdo a su
experiencia, entre otros.

2. Indicar variables que actualmente se consideran para el pronóstico de la demanda

y agregue variables que influyen en la demanda y actuablemente no las
consideran.
Rpta: Como te decía, para realizar un buen pronòstico es necesario considerar
algunos factores que muchas veces son difíciles de cuantificar. Por eso
actualmente solo se consideran los mismos datos históricos de las ventas de meses
o semanas anteriores. Y como también ya lo mencionè, se debiera considerar otras
variables que podríamos decir son en alguna forma subjetivas pero que deben ser
cuantificadas. Incorporar estas variables sería una manera de mejorar los
pronòsticos,

3. ¿Qué métodos de predicción se usa actualmente en la empresa?

Rpta: Son métodos que toman las estadísticas històricas de ventas y las proyectan.
El detalle del método lo puede dar el Jefe de Ventas y el Jefe de Finanzas.

4. ¿Cuál es la variable que le resulta en mayor complejidad para ser incorporado en

su actual método de predicción?
Rpta: Las variables que tienen que ver con elementos del entorno y no
directamente con los datos históricos de las ventas.

57
Nombre: Leonidas Barrantes
Área: Ventas
Cargo: Jefe de Ventas

Objetivo: Obtener las variables actuales con las que cuenta el experto para poder hallar
la cantidad de demanda del producto “Ropero SKU 4355”.

1. Existen variables que son determinantes para el pronóstico de la demanda de un

producto, en el caso del producto “Ropero SKU 4355” ¿Cuáles son a su criterio
esas variables?
Rpta: Es bastante difícil incluir absolutamente todo el universo de variables en un
método de pronòstico, si fuere así, los resultados fueran mucho mas precisos. El
producto que mencionas es uno de los de mayor rotación pera también de mayor
variabilidad en su demanda, por lo que para su producción es necesario tener un
estimado de la demanda futura y poder optimizar los costos. Se deben incluir
variables como: la información histórica de ventas, la estacionalidad, el lugar
donde está el producto (tienda), las ofertas y promociones, el marketing o
publicidad del producto, etc.

2. Indicar variables que actualmente se consideran para el pronóstico de la demanda

y agregue variables que influyen en la demanda y actuablemente no las
consideran.
Rpta: Ventas històricas. Las variables a incluir son como dije: época del año,
ofertas y promociones, lugar de ventas, publicidad o medio en el que se realizan
que puede ser: Internet, Televisiòn, Radio, etc.

3. ¿Qué métodos de predicción se usa actualmente en la empresa?

Rpta: Promedio Mòvil.

4. ¿Cuál es la variable que le resulta en mayor complejidad para ser incorporado en

su actual método de predicción?
Rpta: Las que no se pueden cuantificar fácilmente.

58