Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA DE SISTEMAS Y COMPUTACIÓN
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
1.1.1.9. 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
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.
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.
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).
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:
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.
10
III. MARCO TEÓRICO
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.
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.
11
Esquemáticamente, una neurona artificial está representada como
en la Figura Nro. 1
Fuente: [12]
Fuente: [12]
12
a) Según su arquitectura, se clasifican en:
13
Wij: Peso correspondiente de las neuronas i hacia la neurona
j
Las ventajas que tienen las RNAs, con respecto a otros métodos, se
basan principalmente en los siguientes aspectos:
3.1.2. Pronóstico
14
una empresa por lo que es un factor importante en la toma de
decisiones.
15
Tabla Nro. 3: Clasificación de Pronósticos por los métodos
Cuantitativos y Cualitativos
Fuente:[13]
Método Delphi.
Jurado de opinión ejecutiva.
Estudio de mercado.
Propuesta del personal de ventas.
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.
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].
18
Antecedentes de uso de Redes Neuronales Artificiales
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.
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.
σ = Σ √(et – e )2 / (n-1)
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:
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.
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.
Implementar Sistema
Informático
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
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
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.
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.
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).
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
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.
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
46
Figura Nro. 08: Prototipos del Sistema - Interfaz de Crear RNA
47
Figura Nro. 09: Prototipos del Sistema - Interfaz de Configuración
- Valores máximos
48
Figura Nro. 10: Prototipos del Sistema - Interfaz de Validación de
la RNA
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
52
VII. COLABORADORES
TABLA Nro. 15: COLABORADORES
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”
[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.
[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]
[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.
[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”.
56
ANEXO 2: TRANSCRIPCIÒN DE LA ENCUESTA AL 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”.
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”.
58