Análisis de redes neuronales recurrentes LSTM y modelos de vectores autorregresivos VAR en la generación de pronósticos de series de tiempo aplicado a las ventas de una empresa dedicada a la comercialización de productos de consumo masivo

Obando Sandoval, Alejandro David

DSpace Home
→
Unidades Académicas
→
Facultad de Ingeniería en Electricidad y Computación
→
Tesis de Maestría en Ciencia de Datos
→
View Item

dc.contributor.advisor	Bauz, Sergio , Director
dc.contributor.author	Obando Sandoval, Alejandro David
dc.creator	ESPOL
dc.date.accessioned	2023-10-31T16:15:59Z
dc.date.available	2023-10-31T16:15:59Z
dc.date.issued	2023
dc.identifier.citation	Obando Sandoval, A. D. (2023). Análisis de redes neuronales recurrentes LSTM y modelos de vectores autorregresivos VAR en la generación de pronósticos de series de tiempo aplicado a las ventas de una empresa dedicada a la comercialización de productos de consumo masivo. [Proyecto de Titulación ]. ESPOL. FIEC .
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/58549
dc.description	Las ventas de productos de consumo masivo es una actividad que en años recientes ha mostrado un importante crecimiento dentro del entorno económico ecuatoriano, por tal motivo, las empresas que se dedican a esta actividad dedican especial atención a una eficiente y eficaz gestión de sus cadenas de suministros. Dentro de los macroprocesos que se incluyen en la gestión de cadenas de suministros, el primer lugar lo tiene la PLANIFICACION DE LA DEMANDA, este macroproceso consiste en poder anticipar de forma oportuna las necesidades de productos y/o servicios que el mercado requerirá a corto, mediano o largo plazo, a fin de poder desarrollar la planificación de demanda se requiere de una línea base de datos sobre la cual un equipo humano especializado pueda desarrollar tareas de análisis correspondientes y así lograr estructurar un conjunto de cifras como objetivos de ventas. Los pronósticos son la base para construir la planificación de la demanda. En el presente proyecto de tesis se han utilizado técnicas estadísticas, específicamente los modelos de vectores autorregresivos (VAR) y técnicas de aprendizaje profundo, estas son las redes neuronales recurrentes con memoria a corto y largo plazo (LSTM) para generar proyecciones de ventas a corto plazo (14 días en el futuro), para llegar a la generación de dichos pronósticos, previamente se llevó a cabo el proceso de análisis exploratorio de datos y se utilizó el modelo K-MEANS para realizar una clasificación no supervisada de los artículos vendidos correspondientes a la muestra de datos utilizada en este proyecto, el resultado de la clasificación fue la identificación de 5 clusters de productos. Los resultados obtenidos demuestran que para los 5 clústers de productos los pronósticos obtenidos con la aplicación de redes neuronales recurrentes con memoria a corto y largo plazo (LSTM) tienen un mejor desempeño frente a los pronósticos obtenidos con los modelos de vectores autorregresivos (VAR), esta afirmación se soporta en las métricas de error RMSE y MAPE calculadas para cada clúster y que serán presentadas en el capítulo #4 de presente documento.
dc.format	application/pdf
dc.format.extent	84 páginas
dc.language.iso	spa
dc.publisher	ESPOL
dc.rights	openAccess
dc.subject	Análisis de redes neuronales
dc.subject	Modelos de vectores autorregresivos
dc.subject	Pronósticos de series de tiempo
dc.title	Análisis de redes neuronales recurrentes LSTM y modelos de vectores autorregresivos VAR en la generación de pronósticos de series de tiempo aplicado a las ventas de una empresa dedicada a la comercialización de productos de consumo masivo
dc.type	Magister en Ciencia de Datos
dc.identifier.codigoespol	T-113840
dc.description.city	Guayaquil
dc.description.degree	Escuela Superior Politécnica del Litoral
dc.identifier.codigoproyectointegrador	FIEC-POSTG015
dc.description.abstractenglish	Due to the fact that sales of mass consumer products are an activity that has shown substantial growth in recent years within the economic environment of Ecuador, companies that are engaged in this activity give special attention to the management of their supply chains in order to ensure that they are both efficient and effective. DEMAND PLANNING is at the top of the list when it comes to the macro-processes that are a part of supply chain management. In order to develop demand planning, a baseline of data is required, on which a specialized team can develop the corresponding analysis tasks, and thus structure a set of figures as sales targets. This macro-process consists of being able to anticipate in a timely manner the needs of products and/or services that the market will require in the short, medium, or long term; in order to develop demand planning, a baseline of data is required. The planning of supply and demand begins with forecasts. In this thesis project, statistical techniques, specifically vector autoregressive models (VAR), and deep learning techniques, these are the recurrent neural networks with short and long term memory (LSTM) to generate short term sales projections (14 days in the future), have been used to arrive at the generation of such forecasts. Specifically, the generation of such forecasts has been accomplished through the application of these techniques. Previously, the exploratory data analysis procedure was carried out, and the K-MEANS model was used to do an unsupervised classification of the goods sold according to the data sample that was utilized in this project. The result of the classification was the identification of 5 product groups, and these clusters were based on the items that were sold. This statement is supported by the RMSE and MAPE error metrics that were calculated for each cluster and that will be presented in chapter #4 of this document. The results obtained show that for the five product clusters, the forecasts obtained with the application of recurrent neural networks with short and long term memory (LSTM) have a better performance compared to the forecasts obtained with vector autoregressive models (VAR).