UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS

FACULTAD DE INGENIERÍA

PROGRAMA ACADÉMICO DE INGENIERÍA DE SISTEMAS

TRABAJO DE INVESTIGACIÓN

“DISEÑO DE UN MODELO DE PREDICCIÓN DE LA DEMANDA DE

INVENTARIOS UTILIZANDO MACHINE LEARNING Y RPA PARA OPTIMIZAR
EL PROCESO DE GENERACIÓN DE REQUERIMIENTOS DE COMPRA DE LA
EMPRESA ALDISEÑO E.I.R.L”

AUTOR(ES)

Quispe Orellana, Abel (0000-0002-0723-9386)

Villegas Cuenca, William Jhonatan (0000-0003-2373-1925)

Acosta Rodriguez, Samuel David

Huarcaya Chocce, Ponciano (0000-0001-8114-672X)

Recuay Yanayaco, José Luis

ASESOR

Moreno Molina, Joel (0000-0001-8556-307X)

Lima, 20 de mayo de 2021

1
 TABLA DE CONTENIDO

CAPÍTULO 1 – PLANTEAMIENTO DEL PROBLEMA...............................................5

1.1 ENUNCIADO DEL PROBLEMA................................................................................5

1.2 FORMULACIÓN DEL PROBLEMA...........................................................................7
1.3 OBJETIVO GENERAL..............................................................................................8
1.4 OBJETIVOS ESPECÍFICOS.......................................................................................8
1.5 JUSTIFICACIÓN......................................................................................................8
1.6 LIMITACIONES.......................................................................................................9

CAPÍTULO 2 – ESTADO DEL ARTE............................................................................10

2.1. METODOLOGÍA....................................................................................................10
2.2. PLANIFICACIÓN...................................................................................................10
a. Planteamiento de preguntas de investigación..................................................10
b. Base de Datos......................................................................................................11
c. Palabras claves...................................................................................................11
d. Criterios de inclusión y exclusión.....................................................................11
2.3. DESARROLLO.......................................................................................................12
2.4. RESULTADOS........................................................................................................13
2.5. ANÁLISIS DE LOS ESTUDIOS................................................................................14

REFERENCIAS.................................................................................................................20

2
 ÍNDICE DE TABLAS

Tabla 1: Criterios de inclusión y exclusión..........................................................................11

Tabla 2: Lista de artículos seleccionados.............................................................................13
Tabla 3: Lista de resúmenes seleccionados por fuente de datos..........................................14
Tabla 4 medición de la precisión de un pronóstico..............................................................18

3
 ÍNDICE DE FIGURAS
Gráfico 1: Árbol de problemas. Fuente: elaboración propia.................................................8
Gráfico 2: Diagrama del proceso para la revisión sistemática de la literatura.....................12
Gráfico 3: Resumen de resultados posibles y seleccionados por tipo de fuente..................14

4
Introducción
En la actualidad las organizaciones que se dedican a la comercialización y distribución de
productos se ven en la necesidad de realizar adecuadamente las tareas de pronosticar la
demanda y así lograr saber la mercadería que debe disponer en sus almacenes para poder
abastecer correctamente a cada punto de venta según las exigencias del mercado.

La importancia de lograr predicciones adecuadas y mantener un óptimo control de

inventarios permite mejorar significativamente el servicio al cliente, reducir los costos por
desabastecimiento o pérdida de productos. Los métodos de predicción han sido una gran
utilidad para hacer cálculo de la demanda a futuro, aplicado en diferentes áreas de negocio,
operaciones industriales, producción, financieros y en muchas áreas.

Para lograr una correcta predicción, se requiere de información ordenada de las ventas
históricas, stock de productos, línea de productos y muchas otras variables provenientes de
diferentes fuentes de datos o sistemas de información. Asimismo, un manejo óptimo de
inventarios ayuda disponer de productos con cantidades confiables en los puntos de venta.
Pero a pesar de que existen herramientas y plataformas para optimizar la operación, la
mayoría de las compañías siguen manejando sus inventarios de forma tradicional.

En base a las consideraciones mencionadas en los párrafos anteriores, en este trabajo se

plantea una solución mediante el diseño de un modelo para predecir la demanda de
inventarios utilizando Machine Learning, que ayude a la organización en el abastecimiento
de la mercadería según las exigencias del mercado. Y RPA para optimizar el proceso de
generación de requerimientos de órdenes de compra en base a las predicciones calculadas.

Capítulo 1 – Planteamiento del Problema

1.1 Enunciado del problema
Predecir la demanda de inventarios juega un papel muy vital y crucial no solo generando
ganancias, sino también manteniendo la cantidad correcta de productos en el momento
adecuado. Además, ayuda a mantener un inventario en un nivel suficiente para satisfacer la
demanda de los clientes.

En una empresa que se dedica a la comercialización y distribución de productos las tareas

de predecir la demanda de inventarios, le permite saber la mercadería que debe disponer en
sus almacenes para poder abastecer correctamente a cada punto de venta según las
exigencias del mercado. Asimismo, en ALDISEÑO E.I.R.L. la correcta predicción de la

5
demanda de inventarios es de vital importancia, ya que le permite tener una mejor gestión
de sus inventarios. Planificar adecuadamente las compras en cantidades exactas,
determinar cuáles son los componentes básicos que debe poseer en almacén para abastecer
correctamente la necesidad de los clientes. Además, la correcta predicción de la demanda
evita la escasez de productos en puntos de venta y sobre stock que genera costos y pérdida
de ganancias.

[ CITATION ALD18 \l 2058 ] atraviesa una serie de problemas que perjudican la gestión
de sus inventarios, siendo el principal problema, “cálculo ineficiente de la predicción de
la demanda de inventarios”. Lo que conduce al abastecimiento de la mercadería por
encima o debajo de la demanda del mercado. Llevando a la falta de disponibilidad en el
área de punto de venta y sobre stock que genera costos por pérdida de productos. Las
causas principales que generan estas consecuencias:

- Es realizado mediante los cálculos en Excel que toma tiempo y dedicación. En

muchos casos, los cálculos presentan errores. En consecuencia, las compras se
realizan por intuición que ocasiona comprar en cantidades inexactas, llevando a la
escasez o sobre abastecimiento.
- Realizar el cálculo sin una técnica eficiente para realizar la predicción de la
demanda correctamente. No existe un modelo o método definido para optimizar la
proyección de la demanda.

Existen estudios donde han utilizado tecnologías y herramientas para determinar la

predicción de la demanda de inventarios. Tecnologías como el Lenguaje Python con
Anaconda, posee una gran cantidad de librerías que facilitan crear y analizar los modelos
de pronóstico de machine learning. Algunas técnicas que fueron utilizados; Maquina de
Soporte Vectorial, Redes Neuronales, Regresión Logística y Regresión Lineal. Asimismo,
existen técnicas de proyección tradicional que son útiles al momento de planificar la
demanda de inventarios. Pero estos estudios están limitados, ya que no existe un modelo
único donde fue utilizado por los investigadores y tampoco se centran en un determinado
tipo de empresa. Además, no hacen mención de otras técnicas y herramientas como Azure
Machine Learning y SQL Server a partir de 2017 que utiliza servicios para ejecutar
modelos y llevarlo una base de datos transaccional.

6
Por ello, en la presente investigación, se plantea encontrar un modelo optimo que permita
en la predicción óptima de la demanda de inventarios. En base a esta predicción, planificar
correctamente el abastecimiento de los productos y generar requerimiento de órdenes de
compra en el momento determinado. La pregunta principal de esta investigación gira en
torno a ¿de todas las técnicas y tecnologías que existen, cual es el más conveniente y
aplicable a la predicción de la demanda de inventarios?

1.2 Formulación del problema

Bajo el contexto explicado en el punto anterior, se requiere calcular de forma eficiente la
predicción de la demanda de inventarios. Uno de los problemas por lo que no se logra este
objetivo es porque el personal realiza manualmente la predicción de la demanda de
inventarios, debido a que este proceso no está automatizado. Otra de las causas es no
contar con una técnica eficiente para realizar el cálculo. En consecuencia, las compras se
realizan en cantidades inexactas, llevando a la falta de disponibilidad en el área de ventas o
sobre abastecimiento que llevan al aumento de costos por pérdida de productos y
almacenamiento.

Árbol de problemas

Una vez que se obtuvo como prioridad el problema relacionado con el cálculo ineficiente
de predicción de la demanda de inventarios, se desarrolló el árbol de problemas con el fin
de determinar las causas y consecuencias directas e indirectas.

7
 Gráfico 1: Árbol de problemas. Fuente: elaboración propia

1.3 Objetivo general

Diseñar un modelo utilizando algoritmos de machine learning para determinar la
predicción de la demanda de inventarios.

1.4 Objetivos específicos

• OE01 Analizar información acerca de predicción de la demanda de inventarios
utilizando machine learning.
• OE02 Diseñar un modelo de predicción de machine learning.
• OE03 Analizar el proceso de generación de requerimiento de Orden de compra
para que pueda ser automatizado por RPA.
• OE04 Diseñar el proceso de automatización de generación de requerimiento de
orden de compra por RPA.

1.5 Justificación
El área de logística no cuenta con una herramienta que facilite el cálculo eficiente de
predicción de la demanda de inventarios. La cual conduce al abastecimiento de la

8
mercadería por encima o debajo de la demanda del mercado. Llevando a la falta de
disponibilidad en el área de punto de venta y sobre stock que genera costos por pérdida de
productos.

Mediante el análisis de ventas realizadas y stock de almacenes durante el periodo 2019-

2020, nos ayudará a conseguir el método para predecir la demanda de inventario,
conllevando a mejorar el abastecimiento a través de las compras.

El presente trabajo de investigación proporcionará una herramienta que prediga la

demanda de las mercaderías, reduciendo los errores de abastecimiento en un 20%. Se
aplicará herramientas de Machine Learning para cuantificar los posibles modelos para
pronosticar. Así como también el uso de las herramientas de RPA (Robot Process
Automation) para mejorar y automatizar el proceso de abastecimiento de productos.

La investigación presentada por el equipo pretende resolver la ineficiencia de

abastecimiento de la mercadería por encima o debajo de la demanda del mercado gracias al
diseño del modelo baso en ML y RPA. También, permitirá tener la predicción confiable
para que el local de venta no se quede sin productos para la venta o sobre productos. Todo
lo mencionado anteriormente será información precisa.

Finalmente, el proyecto se desarrolla debido a la necesidad de la empresa ALDISEÑO

E.I.R.L que requiere mejorar el área de logística y evitar el mal abastecimiento de la
mercadería por encima o debajo de la demanda del mercado y así satisfacer las necesidades
de más clientes y en consecuencia obtener mejores ingresos como aumentar en un 15% de
años anteriores.

1.6 Limitaciones
Las limitaciones para este proyecto son:

· Se considerará la información del año 2020 y 2021.

· El diseño solo incluye la predicción futura de la demanda de inventarios, no realiza
otro análisis adicional en base a la información histórica con la que se cuenta.
· La predicción de la demanda se basará en las ventas mensuales históricas y no se
considerarán factores externos.
· Solo se considerarán 4 almacenes.

9
Capítulo 2 – Estado del Arte

2.1. Metodología

Para la realización de este proyecto se inició con el planteamiento del problema a

solucionar, las fases que se usarán son las siguientes:

Planificación de Desarrollo de la Resultados y

la revisión revisión análisis

Ilustración 1 Metodología

Fuente: Elaboración propia

2.2. Planificación
Para la planificación se formularon preguntas que nos permitirán responder el análisis de
esta investigación.

a. Planteamiento de preguntas de investigación

10
 ¿Qué factores existen para determinar eficientemente la proyección de la
Q1 demanda de inventarios?

¿Qué tecnologías existen actualmente para la proyección de la demanda de

Q2 inventarios?

¿Qué técnicas han sido utilizadas en la proyección de la demanda de

Q3 inventarios?

¿Cómo se mide la precisión de un pronóstico calculado para la demanda de

Q4 productos?

¿Cuál es el impacto el uso de los servicios Cloud en los negocios de ventas?

Q5

b. Base de Datos
Luego de definir las preguntas de investigación se realizan la búsqueda en;

ProQuest

Google Scholar

Scopus

Researh Gate

ScienceDirect

c. Palabras claves
Se identificaron las palabras claves para realizar la búsqueda. Para nuestro caso de
investigación se hicieron las siguientes preguntas:

 Inventory demand projection

 machine learning
 algorithms

11
  methods y factors.

d. Criterios de inclusión y exclusión

Se incluyeron los criterios inclusión y exclusión como se muestran en el cuadro siguiente:

Criterios de inclusión Criterios de exclusión

· Año de publicación: 2017,2018, 2019, · Periódicos
2020 y 2021 · Libros
· Revistas científicas y revistas · Servicios de prensa
profesionales · Blogs
· Idiomas; inglés y español · Sitios web

Tabla 1: Criterios de inclusión y exclusión

12
2.3. Desarrollo
Los artículos identificados de la búsqueda en los bancos de Journal mencionados
previamente se sometieron a un proceso de selección de acuerdo con los criterios
definidos. Para ello, fue necesario realizar un estudio de cada artículo para determinar su
importancia. Finalmente, se descartaron aquellos que se centraban en otros aspectos del
problema que no se iban a considerar en la investigación o que no aplicaba al área en
estudio. Se presenta a continuación, el procedimiento que se siguieron para seleccionar los
5 artículos relacionado a las preguntas de investigación:

Gráfico 2: Diagrama del proceso para la revisión sistemática de la literatura

Luego de seguir los procedimientos que se presenta en la sección anterior, se seleccionaron

los documentos relevantes para su posterior análisis como se muestra en la siguiente tabla.

13
 N° Título Autores Año
Comparison Study: Product Demand [ CITATION 2019
Forecasting with Machine Learning for Shop Ari19 \l 2058 ]
1

Modelling near-real-time order arrival [ CITATION 2020

2 demand in e-commerce context: a machine Leu20 \l 2058 ]
learning predictive methodology
Machine Learning and Statistics: A Study for [ CITATION 2021
3 assessing innovative Demand Forecasting Mor21 \l 2058 ]
Models
Predicting Material Backorders in Inventory [ CITATION 2017
4
Management using Machine Learning San17 \l 2058 ]
Prediction of probable backorder scenarios in [ CITATION 2020
the supply chain using Distributed Random Isa20 \l 2058 ]
5
Forest and Gradient Boosting Machine
learning techniques
Uso del aprendizaje automático para la P. Martins, F. Sá, 2020
6 automatización de procesos robóticos F. Morgado & C.
cognitivos (RPA) Cunha
Una tecnología de procesamiento en paralelo
7 de tareas para la automatización robótica de Chunyan Xue 2019
procesos
La automatización robótica de procesos, ¿Un 2020
8 Julia Siderska
impulsor de la transformación digital?
Tabla 2: Lista de artículos seleccionados

2.4. Resultados
En el siguiente cuadro se presenta el resumen de artículos buscados por palabras claves, los
últimos 4 años y hasta llegar a seleccionar a los que más se relacionan a las preguntas de
investigación:

Palabras Últimos 4 Posibles Seleccionados

claves años resultados

SCIENCE DIRECT 2195 560 12 3

IEEE 11 5 2 2
EMERALD INSIGHT 345 322 8 1
GOOGLE SCHOLAR 21700 13300 20 1
RESEARCHGATE 285 155 21 1
TOTALES 24536 14342 63 8
Tabla 3: Lista de resúmenes seleccionados por fuente de datos

14
En el siguiente gráfico, se muestra de modo de barras, el resumen de artículos posibles de
selección y seleccionados.

Gráfico 3: Resumen de resultados posibles y seleccionados por tipo de fuente

2.5. Análisis de los estudios

Los estudios llevados a cabo tuvieron como base la siguiente clasificación de temas de
investigación:

15
 Clasificación de estudio

Alternativas de
Revisión de la literatura Casos de estudio solución al problema

Factores para una Implementaciones de

Uso de los servicios adecuada para la
Cloud en los negocios RPA para la
determinación de automatización
de venta demanda

Algoritmos de ML para
la demanda de
productos

Fuente: Elaboración propia

En esta fase se buscará responder a las preguntas de investigación planteadas.

Q1: ¿Qué factores existen para determinar eficientemente la proyección de la

demanda de inventarios?

Arif (2019) identificó en su estudio los siguientes factores que influyen en la demanda para
su uso en el modelo de pronóstico:

· La demanda varía en dos partes del mes. La demanda permanece más alta en la primera
parte del mes y baja en la última parte del mes.
· Las ofertas promocionales afectan la demanda de los clientes.
· La demanda sigue siendo mayor en un fin de semana.
· Los días festivos tienen un impacto vital en la demanda.
· Las condiciones climáticas también afectan la demanda del cliente.
· Patrón de producto y mercado.
· Artículos disponibles en un estante.
· Categoría de marca.
· Tasa de consumo.

16
Además, Khan (2020), con su modelo de predicción, basado en datos recopilados que se
compilan a través de diferentes fuentes. El motor de aprendizaje automático ejecuta datos
de diferentes módulos y determina las demandas semanales, mensuales y trimestrales de
bienes/productos básicos. Los autores probaron la eficiencia comparando los datos
predichos con los datos reales y determinamos el porcentaje de error. Los resultados de la
simulación muestran que después de aplicar la solución propuesta en los datos de la
organización en tiempo real, obtienen una precisión de hasta el 92,38%.

Para ello, los factores que utilizaron fueron:

 Histórico de ventas anuales

 Histórico de ventas en feriados
 Histórico de ventas promocionales
 Descuentos

Q2: ¿Qué tecnologías existen actualmente para la proyección de la demanda de

inventarios?

En el trabajo de K.H. Leung (2020), el autor desarrolla la predicción precisa de la

demanda de pedidos en las cadenas de suministro omnicanal que mejora la capacidad de
toma de decisiones de la gerencia a nivel estratégico, táctico y operativo. El articulo tiene
como objetivo desarrollar una metodología predictiva para pronosticar las llegadas de
pedidos de comercio electrónico casi en tiempo real en la distribución centros, lo que
permite a los proveedores de servicios logísticos de terceros gestionar las tasas de pedido
que cambian rápidamente hora a hora en un ecommerce. Asi mismo, propone una nueva
metodología predictiva de aprendizaje automático a través de la integración de las
características de los datos de series de tiempo en el desarrollo de un neuro-difuso
adaptativo. El enfoque de esta técnica integra series de tiempo características en el
desarrollo de ANFIS. El fundamento teórico de la adopción de ANFIS es para modelar la
llegada de pedidos electrónicos que es una herramienta ampliamente aceptada y aplicada
para modelado de red y se ha adoptado para abordar problemas en diversas industrias.
Como resultado de la evaluación de pronósticos revela un alto nivel de precisión del

17
modelo de Machine Learning propuesto para pronosticar las llegadas de pedidos de
comercio electrónico reales en distintos intervalos de horas.

Q3: ¿Qué técnicas han sido utilizadas en la proyección de la demanda de inventarios?

En el estudio realizado [ CITATION Mor21 \l 2058 ], evaluaron seis modelos de

predicción de estadísticas y Machine Learning para comprobar a calidad del pronóstico y
el esfuerzo de implementación. Los resultados muestran modelos innovadores, así como la
necesidad de una evaluación intensiva y específica de la aplicación de las ventajas y
desventajas de los enfoques disponibles. Se compararon entre sí los errores de pronóstico
de cinco de cada diez productos. En los cálculos se observan que todos los modelos
conducen a diferentes calidades de pronóstico para los productos examinados. Donde MLP
(Perceptrón multicapa) mostró el mejor desempeño general en el estudio, quedó claro que
los métodos estadísticos convencionales ETS (Triple suavizado exponencial) todavía están
justificados para ciertos patrones de demanda.

Q4: ¿Cómo se mide la precisión de un pronóstico calculado para la demanda de

productos?

Según Saena & Suttichaya (2019), usan el error cuadrado medio (MSE). Este se utiliza
como función de pérdida para optimizar los modelos. Luego de capturar la salida predicha,
se aplicó por desnormalización y el error se calculó usando la fórmula:

error =
|x ireal −x ipredict|
x ireal

Donde:

- xireal es el valor real

- xipredict es el valor predicho.

También, se pudo encontrar en los Paper una formula para medir la precisión de porcentaje
absoluta medio (MAPE) El error % absoluto medio es una medida estadística de la
precisión de un sistema de pronóstico. Según Arif et al (2019) mostró el uso de la siguiente
formula por varios aportantes:

18
 n
1 A t−F t
M= ∑
n t =1 | |
At

Donde:

- A: es la demanda real del producto

- F: valor pronóstico utilizando una regresión lineal

Tabla 4 medición de la precisión de un pronóstico

Formula Descripción Referencia

Predecir la cantidad Predecir la cantidad de Saena W.;
venta en el aprendizaje Suttichaya V.
automático (2019)
Pronóstico de la demanda Estudio Comparativo: Arif, A.; Sany, S.; Nahin, F.
Pronóstico de la demanda (2019)
de producto con Machine
Learning para tiendas

Q5: ¿Cuál es el impacto el uso de los servicios Cloud en los negocios de ventas?

En la investigación realizada por [ CITATION Jek15 \l 2058 ] mencionan que hoy en día,
la mayoría de las empresas utilizan herramientas en la nube. Servicios tan conocidos como
Gmail, Google Docs y Dropbox se utilizan a diario.

Salesforce se utiliza habitualmente en la rutina comercial de las empresas. A través de las

redes sociales (Facebook, LinkedIn, Twitter), una parte importante de los datos personales
y empresariales se recogen y guardan en la nube. Así, todos estos servicios y sus datos son
fácilmente accesibles y

disponibles para diferentes fines. Por otro lado, los usuarios tienen que renunciar a su
privacidad y

control. Cualquiera con una capacidad analítica moderada puede investigar, perfilar y
utilizar todos los datos publicados para su propio beneficio e interés (publicidad, ventas,
diferentes análisis, etc.).

19
Nada entusiasma más a los directivos y a los responsables de marketing que la aplicación
masiva de los servicios en la nube y el flujo infinito de información fresca sobre los
consumidores, que luego se utiliza para mejorar sus productos y servicios.

En este documento se presenta las mejoras en los procesos de automatización del

marketing

el seguimiento de clientes potenciales y el marketing entrante como resultado de los

servicios en la nube.

20
Referencias
ALDISEÑO. (2018). Acercad de nosotros. Obtenido de Aldiseño:
http://aldiseno.pe/Home/About

Arif, A., Sany, S., Nahin, F., & Rabby, A. (23 de Noviembre de 2019). Comparison Study:
Product Demand Forecasting with Machine Learning for Shop. Obtenido de IEEE
Explore: https://ieeexplore.ieee.org/abstract/document/9117395

Jeknić, J., & Kraut, B. (Mayo de 2015). Cloud services and marketing. Obtenido de
ResearchGate:
https://www.researchgate.net/publication/277986344_Cloud_services_and_marketi
ng

Leung, K., Daniel, M., Ho, G., Wu, C., & Huang, G. (6 de Mayo de 2020). Modelling
near-real-time order arrival demand in e-commerce context: a machine learning
predictive methodology. Obtenido de Emerald Insight:
https://www.emerald.com/insight/content/doi/10.1108/IMDS-12-2019-
0646/full/html

Moroff, N., Kurt, E., & Kamphues, J. (2021). Machine Learning and Statistics: A Study
for assessing innovative Demand Forecasting Models. Obtenido de ScienceDirect:
https://www.sciencedirect.com/science/article/pii/S1877050921001654

S., I., & S.H., A. (2020). Prediction of probable backorder scenarios in the supply chain
using Distributed Random Forest and Gradient Boosting Machine learning
techniques. Obtenido de SCI-HUB: https://sci-hub.se/10.1186/s40537-020-00345-2

Santis, R., Pestana, E., & Goliatt, L. (Noviembre de 2017). Predicting Material
Backorders in Inventory Management using Machine Learning. Obtenido de
ResearchGate:
https://www.researchgate.net/publication/319553365_Predicting_Material_Backord
ers_in_Inventory_Management_using_Machine_Learning

21
22