Modelos de aprendizaje automático para la predicción de demanda de una cadena de suministro agroindustrial en Alto Paraná.

Abstract

La gestión eficiente de la cadena de suministro en el sector agroindustrial de Alto Paraná enfrenta el desafío crítico de predecir con precisión la demanda de productos, impactando directamente en la optimización de recursos y la competitividad empresarial. En respuesta a esta problemática, esta investigación se propone desarrollar un modelo de predicción de demanda basado en metodologías de aprendizaje automático, específicamente implementando y comparando el rendimiento de redes neuronales LSTM y modelos SARIMAX. La metodología emplea un enfoque cuantitativo no experimental, utilizando Python como lenguaje principal de programación junto con librerías especializadas como TensorFlow y Keras. El proceso incluye el análisis de datos históricos de ventas mensuales durante el período 2016-2023 para dos productos principales, aplicando técnicas avanzadas de preprocesamiento y normalización de datos. Los resultados evidencian la superioridad del modelo LSTM, alcanzando un coeficiente de determinación (R²) de 0.8870, significativamente superior al 0.54 obtenido con SARIMAX para el Producto B, mientras que para el Producto A, las métricas de error (MAE, RMSE, MAPE) también favorecen al modelo LSTM. El análisis visual de las predicciones confirma la capacidad superior de las redes neuronales para capturar patrones complejos y relaciones no lineales en las series temporales. La investigación concluye que la implementación de técnicas de aprendizaje automático, particularmente las redes LSTM, representa una solución efectiva para la predicción de demanda en el contexto agroindustrial, proporcionando una base metodológica sólida para futuras aplicaciones en el sector y validando la hipótesis inicial sobre la eficacia de estas metodologías avanzadas en la optimización de la planificación de la demanda.