Desarrollo de un modelo de pronóstico de la demanda para un negocio de fertilizantes utilizando modelos de aprendizaje de máquinas
Cargando...
Autores
Tipo de contenido
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Este trabajo presenta la implementación y comparación de diferentes modelos predictivos aplicados a las ventas de fertilizantes, utilizando tanto modelos clásicos como de aprendizaje de máquinas. El objetivo principal fue encontrar el mejor modelo capaz de predecir la demanda futura con base en variables históricas, tanto internas como externas.
Durante el desarrollo del trabajo, se realizó una integración y depuración exhaustiva de las diferentes fuentes de datos, seguida por una exploración de los datos que permitió identificar patrones relevantes. Posteriormente, se aplicaron distintos enfoques de modelado, incluyendo modelos autorregresivos como ARIMA, además se utilizaron diferentes modelos de aprendizaje de máquinas como el Random Forest, XGBoost y las redes neuronales recurrentes tipo LSTM, como última etapa se utilizaron técnicas de optimización de hiperparámetros para mejorar el rendimiento de los modelos implementados.
Los resultados obtenidos muestran un rendimiento superior en la precisión de los modelos de aprendizaje automático frente a los modelos autorregresivos, demostrando que la analítica avanzada es un aliado estratégico para la toma de decisiones en un contexto organizacional. (Texto tomado de la fuente)
Abstract
This work presents the implementation and comparison of different predictive models applied to fertilizer sales, using both classical models and machine learning approaches. The main objective was to identify the best model capable of forecasting future demand based on historical variables, both internal and external.
Throughout the development of this study, a thorough integration and cleaning of the various data sources was carried out, followed by an exploratory data analysis that helped identify relevant patterns. Subsequently, different modeling approaches were applied, including autoregressive models such as ARIMA, as well as several machine learning models like Random Forest, XGBoost, and recurrent neural networks (LSTM). Finally, hyperparameter optimization techniques were employed to improve the performance of the implemented models.
The results show that machine learning models outperformed autoregressive models in terms of accuracy, demonstrating that advanced analytics can be a strategic ally for decisión making in an organizational context.