Abstract:
Para el cumplimiento de las órdenes de compra la empresa debe de adquirir
materia prima (camarón) a proveedores terceros ya que la producción de las piscinas
propias no abastece para el cumplimiento de las órdenes. Por lo cual, el presente
proyecto busca brindar una herramienta que le permita a la empresa poder conocer
con anticipación el volumen de cosecha de camarón que tendrá en una corrida de
siembra de las piscinas propias para de esta forma estimar el volumen de camarón
que deben de comprar a proveedores terceros para satisfacer las ordenes de
producción en curso.
Para el presente proyecto se analizaron un total de 455 registro que
comprenden a los ciclos de cosecha de los últimos 13 años de las diversas piscinas
pertenecientes a la empresa objeto de estudio, con estos datos se realizó una
evaluación de diversos modelos de machine learning según los criterios de evaluación
MAE, MSE, RMSE, 𝑅2 , teniendo como modelos de mejor rendimiento a Light
Gradient Boosting con un 𝑅2 0.839, MAPE 0.30, a Random Forest Regressor con un
𝑅2 0.842, MAPE 0.25 y a Extra Trees Regressor con un 𝑅2 0.854, MAPE 0.22.
