Universidad Tecnológica Del Perú –filial Arequipa Facultad De Ingeniería Carrera Profesional Ingeniería de Sistemas e Informática Análisis e implantación de un Sistema de Producción que emplea una herramienta Data Mining para el pronóstico de producción en la empresa de calzados “DUKE S.A.C.” Arequipa, 2015 Presentado por: Ventura Mamani Wily Curso: Seminario de Tesis I Décimo Ciclo Profesor asesor: Ing. Adin Sánchez Sánchez Arequipa – Perú 2015 1. TÍTULO DE LA INVESTIGACIÓN DISEÑO E IMPLEMENTACIÓN DE UN SISTEMA DE PRONÓSTICO DE VENTAS PARA TABLEROS SAC UTILIZANDO REDES NEURONALES FRENTE A LA EXPERIENCIA DE LOS VENDEDORES AREQUIPA AÑO-2015. 2. PROBLEMA DE INVESTIGACIÓN 2.1. Descripcion del Problema La prediccion de ventas en la empresas ha sido una de las tareas mas importantes puesto que las empresas nesecitan conocer los productos que son mas vendidos o menos vendidos en un determinado tiempo para evitar exeso o escases de productos, pero hasta ahora muchas de las empresas llevan este control mediante algunas herramientas o la experiencia de los vendedores. Se utilizan pronosticos en diferentes areas de la empresa como ventas, compras, produccion, etc. Sinembargo un error en la predicción podría dejar a una empresa sin la materia prima o los insumos suficientes para su produccion o podria dejarle con un inventario demasiado grande, en cualquier situacion un pronóstico erroneo disminuye las utilidades de la empresa. En la actualidad las consecuencias anteriores representan un grave problema para muchas empresas ya que los pronosticos de ventas se deben hacer para miles de productos. 2.2. Formulación del problema “DISEÑO E IMPLEMENTACIÓN DE UN SISTEMA DE PRONÓSTICO DE VENTAS PARA TABLEROS SAC UTILIZANDO REDES NEURONALES FRENTE A LA EXPERIENCIA DE LOS VENDEDORES AREQUIPA AÑO-2015” 2.2.1 Interrogantes de Investigación Interrogante General: · ¿Será factible diseñar e implementar un sistema de pronóstico de ventas para TABLEROS SAC utilizando redes neuronales frente a la experiencia de los vendedores? Interrogantes Específicas: · ¿Cómo son las variables que permiten cuantificadas los productos para el pronóstico? · ¿Cuál es la arquitectura de la red neuronal más apropiada para el pronóstico de ventas? · ¿Cómo es la técnica de redes neuronales en la predicción de ventas? · ¿Cómo es la experiencia de venta de los vendedores en la predicción de ventas? · ¿Qué diferencias existen entre las técnicas que permitan descubrir la predicción de ventas? 3. Objetivos de la Investigación 3.1. Objetivo general · Diseñar e implementar un sistema de pronóstico de ventas para TABLEROS SAC utilizando redes neuronales frente a la experiencia de los vendedores Arequipa año- 2015. 3.2. Objetivos Específicos · Identificar las variables que permiten cuantificadas los productos para el pronóstico. · Desarrollar la arquitectura de la red neuronal más apropiada para el pronóstico de ventas. · Aplicar la técnica de redes neuronales para la predicción de ventas · Determinar la experiencia de venta de los vendedores en la predicción de ventas. · Comparar las técnicas que permitan descubrir la predicción de ventas. 4. Justificación y delimitación de la investigación 4.1. Justificación de la investigación La estimación del comportamiento futuro de algunas variables puede realizarse utilizando diversas técnicas de pronóstico. Cada una de las técnicas de proyección tiene una aplicación de carácter especial que hace de su selección un problema de decisión influido por diversos factores, como por ejemplo, la validez y disponibilidad de los datos históricos, la precisión deseada del pronóstico, el costo del procedimiento, los beneficios del resultado, los periodos futuros que se desee pronosticar y el tiempo disponible para hacer el estudio entre otros [Sapag Chain, 2010]. Las empresas actualmente no conoce la cantidad exacta y precisa de los productos para vender en una determinada temporada, generándose en ocasiones perdidas en la empresa. Muchas empresas cometen errores pronosticando sus ventas esto podría dejar a la empresa desabastecida o sobrepasar la materia prima o productos. Se necesita un buen pronóstico de para optimizar la planeación de ventas por tal motivo muy importante realizar un estudio para determinar un acertado pronóstico de ventas para la empresa TABLEROS SAC utilizando una de las diferentes técnicas que nos ayudan a predecir furutas ventas, como es la tecnica de Redes Neuronales. 4.2. Delimitación de la investigación El presente estudio se realizará acerca de la demanda del sector Comercial de venta de productos de Ferreteria y servicio de cortes especiales y canteado en Perú, especificamente para una empresa distribuidora localizada en la ciudad de Arequipa, El pronostico se llevará a cabo para la linea de productos de Ferreteria. La empresa en la que se desarrolla el estudio y las pruebas es TABLEROS SAC, en un tiempo determinado de Abril a Diciembre del Año 2015. 2. Marco Teórico 2.1. Redes Neuronales Artificiales 2.1.1. Introducción Si tuviéramos que definir la principal característica que nos separa del resto de animales seguramente, la gran mayoría de nosotros, responderíamos la capacidad de raciocinio. Esta capacidad nos ha permitido desarrollar una tecnología propia de tal manera que, en estos momentos, esta tecnología se orienta a descubrir su origen. ¿Cómo funciona el cerebro? ¿Se pueden construir modelos artificiales que lo emulen? ¿Se pueden desarrollar máquinas inteligentes? Todas estas preguntas han conducido a un rápido desarrollo de un campo multidisciplinar del conocimiento conocido como Inteligencia Artificial (I.A.). Este campo se podría dividir en dos clases que podríamos definir como “macroscópico” y microscópico”. En el primero de ellos se intenta modelizar el funcionamiento del cerebro en base a reglas del tipo “si ocurre esto entonces...”, el nombre de macroscópico se debe a que no se toma en cuenta en ningún momento la estructura interna del cerebro sino que modeliza su comportamiento en base a un funcionamiento que podríamos definir como global. En la segunda aproximación se parte de la estructura que presenta el cerebro de tal forma que se construyen modelos que tienen en cuenta dicha estructura. De esta forma aparecen “neuronas artificiales” que se combinan entre sí para formar “estructuras multicapas” que, a su vez, pueden combinarse para formar “comités de expertos”, etc. Esta forma de combinación recuerda la estructura en niveles del cerebro. Esta aproximación de la I.A conocida como redes neuronales ha sufrido, en los últimos años, un incremento espectacular en publicaciones, aplicaciones comerciales, número de congresos celebrados, etc. 2.1.2. REDES NEURONALES Las redes neuronales artificiales (RN) son sistemas paralelos para el procesamiento de la información, inspirados en el modo en el que las redes de neuronas biológicas del cerebro procesan información. 2.1.3. VENTAJAS DE LAS REDES NEURONALES Acabamos de ver el desarrollo histórico de los sistemas conexionistas; se ha comprobado que, es una ciencia multidisciplinar donde ingenieros, psicólogos, médicos, matemáticos y físicos teóricos han aportado algún elemento a estas teorías, pero, ¿por qué ese interés en estos sistemas? ¿qué tienen en especial frente a otros que podríamos denominar clásicos? en definitiva ¿qué cosas nuevas nos ofrecen? Al principio de este capítulo se ha comentado que la potencia computacional de una red neuronal deriva, principalmente, de su estructura de cálculo distribuido paralelo. Esta estructura le permite la resolución de problemas que necesitarían gran cantidad de tiempo en ordenadores “clásicos”. Pero aparte de este hecho aparecen otras propiedades que las hacen especialmente atractivas para ser usadas en una gran cantidad de problemas prácticos: a) Son sistemas distribuidos no lineales: Una neurona es un elemento no lineal por lo que una interconexión de ellas (red neuronal) también será un dispositivo no lineal. Esta propiedad permitirá la simulación de sistemas no lineales y caóticos, simulación que, con los sistemas clásicos lineales, no se puede realizar. b) Son sistemas tolerantes a fallos Una red neuronal, al ser un sistema distribuido, permite el fallo de algunos elementos individuales (neuronas) sin alterar significativamente la respuesta total del sistema. Este hecho las hace especialmente atractivas frente a los computadoras actuales que, por lo general, son sistemas secuenciales de tal forma que un fallo en uno de sus componentes conlleva que el sistema total no funcione. c) Adaptabilidad: Una red neuronal tiene la capacidad de modificar los parámetros de los que depende su funcionamiento de acuerdo con los cambios que se produzcan en su entorno de trabajo (cambios en las entradas, presencia de ruido, etc...). Con respecto a la capacidad de adaptación hay que tener en cuenta que ésta no puede ser tampoco excesivamente grande ya que conduciría a tener un sistema inestable respondiendo a pequeñas perturbaciones. Este es el problema conocido como el dilema plasticidad-estabilidad. e) Establecen relaciones no lineales entre datos. Las redes neuronales son capaces de relacionar dos conjuntos de datos mediante relaciones complejas. f) Posibilidad de implementación en VLSI: Esta posibilidad permite que estos sistemas puedan ser aplicados en sistemas de tiempo real, simulando sistemas biológicos mediante elementos de silicio. Todas estas ventajas hacen el uso de las redes neuronales especialmente atractivo en un gran número de aplicaciones. Sin embargo antes de enunciar algunas (¡no todas!) de estas aplicaciones pasaremos a describir los diferentes modelos que nos podemos encontrar. En el campo de las redes neuronales se conoce con el nombre de arquitectura la forma en la que se unen los diferentes elementos, neuronas, mediante una serie de conexiones, pesos sinápticos. En principio podemos distinguir tres niveles, en cuanto a arquitectura se refiere, que los podemos definir como: · Microestructura: Este nivel hace referencia al elemento más pequeño: la neurona. Este es el nivel más pequeño pero no por ello es el menos importante; aquí se fijan características tan importantes como la función de activación que se explicará a continuación. · Mesoestructura: Una vez sobrepasado el nivel neuronal llegamos a este nivel donde se fija la forma de conexión y la disposición de los elementos explicados anteriormente. · Macroestructura: Las diferentes redes planteadas en el nivel anterior se pueden combinar entre sí para dar estructuras mayores alcanzándose mejores prestaciones. Veamos más detenidamente todos estos niveles. 2.1.4. ARQUITECTURAS NEURONALES Los elementos básicos comentados anteriormente se pueden conectar entre sí para dar lugar a las estructuras neuronales o modelos conexionistas que podríamos clasificar de diferentes formas según el criterio usado. Así se tendría: 2.1.4.1Según el número de capas · Redes neuronales monocapas Se corresponde con la red neuronal más sencilla ya que se tiene una capa de neuronas que proyectan las entradas a una capa de neuronas de salida donde se realizan diferentes cálculos. La capa de entrada, por no realizar ningún cálculo, no se cuenta de ahí el nombre de redes neuronales con una sola capa. Una aplicación típica de este tipo de redes es como memorias asociativas. · Redes neuronales multicapa Es una generalización de la anterior existiendo un conjunto de capas intermedias entre la entrada y la salida (capas ocultas). Este tipo de red puede estar total o parcialmente conectada. 2.1.4.2. Según el tipo de conexiones Redes neuronales no recurrentes. En esta red la propagación de las señales se produce en un sentido solamente, no existiendo la posibilidad de realimentaciones. Lógicamente estas estructuras no tienen memoria. Redes neuronales recurrentes. Esta red viene caracterizada por la existencia de lazos de realimentación. Estos lazos pueden ser entre neuronas de diferentes capas, neuronas de la misma capa o, más sencillamente, entre una misma neurona. Esta estructura recurrente la hace especialmente adecuada para estudiar la dinámica de sistemas no lineales. La siguiente figura representa el esquema de una red recurrente. 2.1.4.3. Según el grado de conexión · Redes neuronales totalmente conectadas. En este caso todas las neuronas de una capa se encuentran conectadas con las de la capa siguiente (redes no recurrentes) o con las de la anterior (redes recurrentes). · Redes parcialmente conectadas. En este caso no se da la conexión total entre neuronas de diferentes capas. Estas estructuras neuronales se podrían conectar entre sí para dar lugar a estructuras mayores: estamos en el nivel de la mesoestructura. Esta conexión se puede llevar a cabo de diferentes formas siendo las más usuales las estructuras en paralelo y jerárquicas. En la primera estructura se plantea un “consenso” entre las diferentes redes para obtener la salida mientras que en la estructura jerárquica existen redes subordinadas a otras que actúan como elementos centrales en la salida final de la red. 2.1.5. Parámetros de la red Según [Pino02] se consideran ciertos parámetros para la elaboración de la red. A continuación, se mencionan las más importantes: · Topología de la red. La topología de la red considera la cantidad y 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 red neuronal. A continuación, se mencionan los parámetros necesarios para la red. Wij: Peso correspondiente de las neurona i hacia la neurona j Wjk: Peso correspondiente de las neurona 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 las capa intermedia. 2.2. Red Backpropagation 2.2.1. Introducción Durante muchos años no se obtuvo ningún tipo de éxito en el diseño de algoritmos de entrenamiento de redes multicapa. A partir de la comprobación de la severa limitación de los sistemas de una capa, el mundo de la computación neuronal entró en un obscurecimiento y abandono casi general durante dos décadas. La invención del algoritmo Backpropagation ha desempeñado un papel vital en el resurgimiento del interés de las redes neuronales artificiales. Backpropagation es un método de entrenamiento de redes multicapa. Su potencia reside en su capacidad de entrenar capas ocultas y de este modo supera las posibilidades restringidas de las redes de una única capa. El concepto básico de Backpropagation fue presentado en 1974 por Paul Werbos e independientemente reinventado por David Parker en 1982, y también presentado en 1986 por Rumelhart, Hinton y Willians. La duplicidad de esfuerzos y trabajos es frecuente en cualquier disciplina, y más en el mundo de las ANN debido a su naturaleza interdisciplinaria. 2.2.2. Arquitectura de la Red Backpropagation Las entradas se muestran a la izquierda, y a la derecha se encuentran unidades que reciben la salida de la unidad procesadora situada en el centro de la figura. La unidad procesadora se caracteriza por realizar una suma ponderada de las entradas llamada Sj, presentar una salida aj y tener un valor δj asociado que se utilizará en el proceso de ajuste de los pesos. El peso asociado a la conexión desde la unidad i a la unidad j se representa por wji, y es modificado durante el proceso de aprendizaje. Unidad Procesadora Básica Backpropagation. Normalmente, la Backpropagation utiliza tres o más capas de unidades procesadoras. La Figura (5.2) muestra la topología backpropagation típica de tres capas. La capa inferior es la capa de entrada, y se caracteriza por ser la única capa cuyas unidades procesadoras reciben entradas desde el exterior. Sirven como puntos distribuidores, no realizan ninguna operación de cálculo. Las unidades procesadoras de las demás capas procesan las señales como se indica en la figura. La siguiente capa superior es la capa oculta, y todas sus unidades procesadoras están interconectadas con la capa inferior y con la capa superior. La capa superior es la capa de salida que presenta la respuesta de la red. Red Backpropagation completamente interconectada. 2.2.3. Algoritmo de Entrenamiento Las redes Backpropagation tienen un método de entrenamiento supervisado. A la red se le presenta parejas de patrones, un patrón de entrada emparejado con un patrón de salida deseada. Por cada presentación los pesos son ajustados de forma que disminuya el error entre la salida deseada y la respuesta de la red. El algoritmo de aprendizaje backpropagation conlleva una fase de propagación hacia adelante y otra fase de propagación hacia atrás. Ambas fases se realizan por cada patrón presentado en la sesión de entrenamiento. 2.2.4. Propagación hacia Adelante. Esta fase de propagación hacia adelante se inicia cuando se presenta un patrón en la capa de entrada de la red. Cada unidad de la entrada se corresponde con un elemento del vector patrón de entrada. Las unidades de entrada toman el valor de su correspondiente elemento del patrón de entrada y se calcula el valor de activación o nivel de salida de la primera capa. A continuación las demás capas realizarán la fase de propagación hacia adelante que determina el nivel de activación de las otras capas. La unidad procesadora j obtiene la cantidad Sj según la ecuación (5.1) Sj = Σi ai wji ec.(5.1) y genera la salida o nivel de activación según la ecuación (5.2) Salida = f(Sj) ec.(5.2) La función f es una función umbral genérica, entre las que cabe destacar la función Sigmoid y la función Hiperbólica. El valor de la salida de la unidad j es enviado o transmitido a lo largo de todas las conexiones de salida de dicha unidad. La Figura muestra la fase de propagación hacia adelante. Fase de Propagación hacia Adelante. Conviene indicar que las unidades procesadoras de la capa de entrada no realizan ninguna operación de cálculo con sus entradas, ni operaciones con funciones umbrales, sólo asumen su salida como el valor del correspondiente elemento del vector de entrada. Por otro lado, algunas redes backpropagation utilizan unidades llamadas bias como parte de cualquiera de las capas ocultas y de la capa de salida. Estas unidades presentan constantemente un nivel de activación de valor 1. Además esta unidad está conectada a todas las unidades de la capa inmediatamente superior y los pesos asociados a dichas conexiones son ajustables en el proceso de entrenamiento. La utilización de esta unidad tiene un doble objetivo, mejorar las propiedades de convergencia de la red y ofrecer un nuevo efecto umbral sobre la unidad que opera. 2.2.5. Propagación hacia Atrás. Una vez se ha completado la fase de propagación hacia adelante se inicia la fase de corrección o fase de propagación hacia atrás. Los cálculos de las modificaciones de todos los pesos de las conexiones empiezan por la capa de salida y continua hacia atrás a través de todas las capas de la red hasta la capa de entrada. Dentro de los tipos de ajuste de pesos se puede clasificar dos grupos, ajuste de unidades procesadoras de la capa de salida y ajuste de unidades procesadoras de las capas ocultas. Ajuste de Pesos de la Capa de Salida: el ajuste de estos pesos es relativamente sencillo debido a que existe y se conoce el valor deseado para cada una de las unidades de la capa de salida. Cada unidad de la capa de salida produce un número real como salida y se compara con el valor deseado especificado en el patrón del conjunto de entrenamiento. A partir del resultado de la comparación se calcula un valor de error δj, según la ecuación (5.3) para cada unidad de la capa de salida. δj = (tj _ aj) f_(Sj) ec.(5.3) siendo tj el valor de salida deseado y f_ la derivada de la función umbral f La Figura muestra el cálculo de los valores δj de las unidades de la capa de salida. Cálculo de los valores δj de la Capa de Salida. Ajuste de Pesos de las Capas Ocultas: estas capas no tienen un vector de salidas deseadas y por tanto no se puede seguir el método de propagación de error mencionado en el caso de unidades procesadoras de la capa de salida. El valor de error calculado para este tipo de unidades procesadoras se obtiene a partir de la ecuación (5.4). δj = [Σkδk wkj] f_(Sj) ec.(5.4) La Figura representa la obtención del valor δj para las unidades de las capas ocultas. Cálculo de los valores δj de las Capas Ocultas. El ajuste de los pesos asociados a las conexiones se realiza a partir del valor ? de cada unidad de proceso. Cada peso es ajustado según la ecuación (5.5) conocida como la regla ? generalizada (Rumelhart y McClelland 1986) Δwji = η δj ai ec.(5.5) La variable η es el coeficiente de aprendizaje. Este coeficiente, normalmente entre 0.25 y 0.75 refleja el grado de aprendizaje de la red. Algunas veces este coeficiente es modificado de un valor inicial alto a valores progresivamente menores durante la sesión del entrenamiento con el objetivo de lograr un mejor aprendizaje. Convergencia: en el proceso de entrenamiento o aprendizaje de la Backpropagation es frecuente medir cuantitativamente el aprendizaje mediante el valor RMS (Root Mean Square) del error de la red. Esta medida refleja el modo en el que la red está logrando respuestas correctas; a medida que la red aprende, su valor RMS decrece. Debido a que los valores de salida de la red y los valores de salidas deseadas son valores reales, es necesario definir un parámetro de corte o un valor umbral del valor RMS del error de la red que permita decir que la red se aproxima a la salida deseada y considerar que la respuesta es correcta. La convergencia es un proceso en el que el valor RMS del error de la red tiende cada vez más al valor 0. La convergencia no siempre es fácil de conseguirla porque a veces el proceso puede requerir un tiempo excesivo o bien porque la red alcanza un mínimo local y deja de aprender. 2.2.6. VENTAJAS E INCONVENIENTES La principal ventaja de la Backpropagation es su capacidad genérica de mapeo de patrones. La red es capaz de aprender una gran variedad de relaciones de mapeo de patrones. No requiere un conocimiento matemático de la función que relaciona los patrones de la entrada y los patrones de salida. La Backpropagation sólo necesita ejemplos de mapeo para aprender. La flexibilidad de esta red es aumentada con la posibilidad de elegir número de capas, interconexiones, unidades procesadoras, constante de aprendizaje y representación de datos. Como resultado de estas características la red Backpropagation es capaz de participar con éxito en una amplia gama de aplicaciones. El mayor inconveniente es el tiempo de convergencia. Las aplicaciones reales pueden llegar a tener miles de ejemplos en el conjunto de entrenamiento y ello requiere días de tiempo de cálculo. Además la backpropagation es susceptible de fallar en el entrenamiento, es decir, la red puede que nunca llegue a converger. Existe una variedad de técnicas desarrolladas para disminuir el tiempo de convergencia y evitar los mínimos locales. El término de "momentum" se utiliza para aumentar la velocidad del proceso de convergencia. Otra forma de mejorar la convergencia se basa en la variación del parámetro de aprendizaje η comenzando con valores altos y adquiriendo progresivamente valores más pequeños. Entre las técnicas utilizadas para evitar los mínimos locales destacan cambiar la red, cambiar el conjunto de entrenamiento y añadir ruido aleatorio a los pesos. 2.3 Antecedentes Título: Sistema de pronóstico de la demanda de productos farmacéuticos basado en redes neuronales Autores: Eybi Gil Zavaleta, Enith Rodríguez Collas Año: 2010 Procedencia: Universidad Nacional Mayor de San Marcos Lima-Perú Resumen: La supervivencia en los negocios altamente competitivos de hoy requiere una visión precisa de la demanda para poner en marcha los planes de producción, inventario, distribución y compra dentro de las empresas; el sector farmacéutico no es la excepción, pues los efectos de las temporadas, promociones, cambios de precios, publicidad, productos con bajo o alto nivel de movimiento y datos atípicos en general afectan en la determinación de la misma. En este contexto, pronosticar por arriba de la demanda tiene entre sus consecuencias el excesivo inventario de fármacos, obsolescencia o caducidad, y por otro lado, pronosticar por debajo de la demanda tiene como consecuencia la pérdida de las ventas y un posible incremento en los costos. Por lo mencionado, el tema se centra en el desarrollo de un sistema que usa las técnicas de redes neuronales artificiales para el pronóstico de la demanda de productos. En este trabajo se propone el uso de una red neuronal (Perceptrón multicapa) para el pronóstico de la demanda de productos farmacéuticos, la cual realizará su fase de aprendizaje con el algoritmo backpropagation que brinda una taza de error de 3.57% en el mejor caso encontrado; su implementación se desarrollará bajo la tecnología de MATLAB para la construcción de la red neuronal y del lenguaje JAVA para el diseño de la interfaz gráfica de usuario. Título: Pronósticos en el mercado de derivados utilizando redes neuronales y modelos ARIMA una aplicación al Cete de 91 días en el MexDer. Autor: Iván Cruz Torres Año: 2008 Procedencia: Universidad Nacional Autónoma de México Resumen: El objetivo de esta tesis es proponer un modelo que permita pronosticar la tendencia de la serie del futuro del Cete de 91 días en el MexDer con vencimiento en diciembre de 2008, aplicando redes neuronales y series de tiempo, y comparar los pronósticos obtenidos de esta forma con los que se obtendría con un modelo ARIMA tradicional, con el fin de conocer que modelo ajusta mejor los datos dentro de muestra y que modelo pronostica mejor los datos fuera de muestra. La principal aportación es demostrar que el modelo propuesto basado en redes neuronales es capaz de obtener buenas aproximaciones tanto en el ajuste como en el pronóstico, además de observar que, en este caso en particular, la aproximación resulta mejor que la generada por medio de la metodología ARIMA. Así también, la tesis contiene una propuesta metodológica para la aplicación de las redes neuronales a las series de tiempo financieras. Este trabajo se divide en dos partes: Parte I, Marco teórico. Series de tiempo y redes neuronales, en donde se establecen las bases teóricas para el desarrollo de la tesis. Parte II. Desarrollo y aplicación del modelo propuesto y, comparación con la metodología ARIMA, en la cual se muestran las hipótesis de la investigación, su desarrollo y los resultados obtenidos, a partir de los cuales se presentan las conclusiones y algunas propuestas para futuras investigaciones. Título: Predicción del consumo de éxtasis a partir de redes neuronales artificiales Autor: Alfonso Palmer Pol Procedencia: Universidad de las Islas Baleares España Resumen: El propósito del presente estudio fue mostrar cómo una red neuronal artificial (RNA) puede ser útil para predecir el consumo de éxtasis (MDMA). Más específicamente, se trata de desarrollar una red neuronal del tipo backpropagation capaz de discriminar entre quién consume éxtasis y quién no, a partir de las respuestas dadas por los sujetos a un cuestionario. La muestra estaba compuesta por 148 consumidores y 148 no consumidores de éxtasis. Se explican las diferentes fases llevadas a cabo para desarrollar la RNA: selección de las variables relevantes y preprocesamiento de los datos, división de la muestra en grupo de entreno, validación y test, entreno y evaluación del modelo de red, y análisis de sensibilidad. La eficacia de la RNA entrenada fue del 96.66%. El área bajo la curva ROC (Receiver operating characteristic) fue de 0.99440.0055 SE. Por otra parte, se pretende mostrar que las RNA no representan una “caja negra”, sino que pueden dar información acerca del grado de influencia que tiene cada variable predictora sobre el consumo de éxtasis. Título: Comparación de predicción basada en redes neuronales contra métodos estadísticos en el pronóstico de ventas Autores: Edgar Augusto Ruelas Santoyo y José Antonio Laguna González Año: 2013 Procedencia: México Resumen: La intención del presente artículo es realizar la comparación y selección de un método para pronosticar las ventas de forma eficiente y que beneficie a organizaciones que ofrecen sus productos al mercado ya que los pronósticos de ventas son datos de entrada a diferentes áreas de la empresa y de ser imprecisos pueden generar gastos para la organización. El caso de estudio en este artículo fue llevado a cabo dentro de la empresa Productos Frugo S.A. de C.V., dedicada a la comercialización de productos alimenticios. Los métodos y metodologías utilizados y posteriormente comparados al pronosticar las ventas de la empresa antes mencionada son: Método de Hold, Winters, la metodología Box Jenkins (ARIMA) y una Red Neuronal Artificial. Los resultados muestran que la red neuronal artificial obtuvo un mejor desempeño logrando el menor error cuadrático medio, de esta forma es posible establecer un panorama adecuado para el uso de la inteligencia artificial dentro de la industria. Título: Evaluación de pronósticos del tipo de cambio utilizando redes neuronales y funciones de pérdida asimétricas Autores: Munir Andres Jalil y Martha Misas Año: 2007 Procedencia: Universidad Nacional de Colombia Resumen: Se comparan especificaciones lineales y no lineales (estas últimas expresadas en redes neuronales artificiales) ajustadas a la variación porcentual diaria del tipo de cambio utilizando para ello funciones de costo tradicionales (simétricas) y funciones de pérdida asimétricas. Los resultados muestran que las redes neuronales permiten obtener mejores pronósticos con ambos tipos de funciones de costos. Sin embargo, es de anotar que cuando se evalúan los pronósticos con funciones asimétricas, el modelo no lineal supera ampliamente a su contraparte lineal. Título: Metodología para calcular el Pronóstico de Ventas y una medición de su precisión en una Empresa Farmacéutica: Caso de Estudio Autor: GABRIELA GARDUÑO GARCÍA Año: 2011 Procedencia Instituto Politécnico Nacional México Resumen: En el presente trabajo se propone una metodología para el cálculo del Pronóstico de Ventas de una empresa de Sector Farmacéutico que contribuya a disminuir el abastecimiento excesivo que generalmente existe en la compañía y con esto minimizar los costos, como el de almacenamiento de productos terminados y materiales. Para lo cual, se evaluaron y compararon diferentes métodos cuantitativos de pronósticos, resultando ser el Método Winters el que mejor precisión ofrece para el cálculo del pronóstico de ventas de la empresa de estudio. La metodología propuesta tiene la particularidad de aplicarse a problemas de pronósticos en industrias farmacéuticas en donde la base de datos no está constituida de una cantidad considerable de observaciones para poder aplicar otras técnicas de series de tiempo como los modelos ARIMA. En el trabajo se presenta una técnica para realizar recorridos de evaluación en los parámetros del método de Winters, de tal forma que en lugar de realizar una sola evacuación como lo hacen los paquetes estadísticos, se genera un recorrido de 100,000 generaciones de los parámetros distribuidas en un hipercubo (hypercube). En cada terna se emplea el método de Winters y al final se elige la terna que da menor medida de dispersión entre los valores pronosticados y los valores reales. Además, el modelo propuesto permite calcular el riesgo que existe en situaciones extremas de ventas con la finalidad de fortalecer el análisis y evaluación de los pronósticos obtenidos a través de la metodología propuesta como apoyo para la toma de decisiones de la organización. 2.2.4. Hipótesis El diseño e implementación de un sistema que utilice la técnica de redes neuronales artificiales es posible obtener un pronóstico de ventas más aceptado comparado con la experiencia de los vendedores. Variable Dependiente Pronostico de ventas Indicadores Ajuste de la cantidad de productos Cantidad de Bienes o Servicios Compradores o Consumidores Disposición a adquirir el producto o servicio Capacidad de pago Precio dado Variable Independiente Redes Neuronales Indicadores Peso correspondiente de las neuronas Número de neuronas en la capa de entrada Número de neuronas en la capa oculta Número de neuronas en la capa de salida Diagrama de Flujo: Proceso del Area de Ventas Flujo de Procesos del Proyecto 2.2.5. Estudio de Factibilidad 2.2.5.1. Factibilidad Técnica · Requerimiento de Software · Windows 8.1 · Office 2010 (Word, Excel) · Antivirus NOD 32 · Netbeans 8.0 · Matlab 9.0 · Requerimiento de Hardware · Motherboard GIGABITE S2H DDR3 VD/SN/NW Micro-ATX · Procesador Intel Core I5- 3.06 GHz, 4MB Total Intel Smart Cache, LGA1156, 32nm. · Memoria KINGTON 4 GB DDR3-1333MHz PC 3-10600 Exp. A 16 GB · Disco Duro de 1TB (7200 RPM) s-Ata. SEAGATE · Grabador de DVD 24X RE-Writer Negro Dual layer-LG · Lector de Memorias 5 en 1 · Mouse óptico de dos botones y scroll GENIUS · Teclado en Español Multimedia · Monitor LED 18.5” LG o SAMSUNG · Tarjeta de Video Pci Express Integrado · Tarjeta de sonido incorporado de 8 canales · Tarjeta de Red 10/100/1000 Incorporada · Estabilizador de 100W · Case ATX- Doble tobera BOOMER · Requerimiento de Personal · Jefe de Proyecto · Analista · Diseñador · Programador 2.2.5.2. Factibilidad Operativa · Configuración de nuevas Redes · Configuración de los parámetros solicitados por la red · Configuración de los pesos de la red · Entrenar nuevas Redes · Pronosticar la venta de los productos por temporada 2.2.5.3. Factibilidad Económica COSTOS DE MATERIAL DE OFICINA Y PAPELERIA GASTOS GENERALES COSTO (S/. ) Material de oficina 50.00 Papel 30.00 Tóner de impresora 120.00 TOTAL 200.00 COSTOS DE PERSONAL RECURSOS HUMANOS COSTO (S/. ) 5 Meses Jefe de Proyecto es el Programador 2000.00 Diseñador 1500.00 Analista 1500.00 TOTAL 5000.00 COSTOS DE HARDWARE Y SOFTWARE HARDWARE COSTO (S/. ) Computadora Personal 1590.60 SOFTWARE Sistema operativo Windows 8.1 500.00 Office 2010 313.97 Nod 32 44.62 Matlab 10.0 280.35 Netbeans Java 0.00 TOTAL 2729.54 TOTAL GENERAL 7929.54 2.2.5.4. Análisis Costo Beneficio · Beneficios Tangibles: · Espacios de Almacenes Disponibles S/. 1200.00 · Productos necesarios y disponibles para las ventas S/. 500.00 · Reducción de tiempo en el pronóstico S/. 200.00 TOTAL S/. 1900.00 · Beneficios Intangibles: · Hacer un óptimo uso de los espacios disponibles en el área de almacén, reduciendo espacios ocupados innecesarios. 1º - 8º mes 9ºmes 10ºmes 11ºmes 12ºmes 13º mes Costo S/. 7929.54 Beneficios (S/.) 1900.00 1900.00 1900.00 1900.00 1900.00 Costo/Beneficio (S/.) 6029.54 4129.54 2229.54 329.54 -1570.46 · Conocimiento de los productos pronosticados en el tiempo. 2.2.5.5. Costo/Beneficio.