Modelo de predicción de demanda para la optimización de la cadena de suministros

Resumen

Este estudio propone un modelo de predicción de demanda basado en inteligencia artificial para optimizar la cadena de suministros de la distribuidora farmacéutica Grupo Montalvo. El objetivo principal es mejorar la precisión en la predicción de la demanda de medicamentos mediante el uso de modelos estadísticos y de aprendizaje automático, incluyendo el Suavizado Exponencial Simple (SES), ARIMA, SARIMA, Holt-Winters, Random Forest, redes neuronales (NN) y LSTM. La evaluación de los modelos se realizó utilizando métricas como el error cuadrático medio (MSE), el error absoluto medio (MAE) y el error porcentual absoluto medio (MAPE). Los resultados mostraron que el modelo de red neuronal (NN) fue el más preciso, alcanzando un MSE de 8.10e-06, un RMSE de 0.0028 y un MAE de 0.0016. En comparación, el modelo Random Forest presentó un MSE de 2.04e+09 y un RMSE de 45232.60, lo que refleja un rendimiento mucho más bajo. Por otro lado, el modelo LSTM mostró un MSE extremadamente alto (1.07e+21), indicando que requiere ajustes adicionales. Estos resultados destacan la superioridad de las redes neuronales para realizar predicciones precisas de la demanda, lo que contribuye a optimizar la toma de decisiones logísticas en la cadena de suministros.